Overarch

Ik ben hier net lid geworden en wil beginnen met een onderwerp waar ik in mijn werk vrijwel dagelijks tegenaan loop. Wat hieronder staat is mijn eigen kijk erop, gebaseerd op wat ik in de praktijk zie. Ik hoop dat iemand er iets aan heeft, en ik hoor het graag als jullie het anders aanpakken. In juni 2025 voorspelde Gartner dat ruim veertig procent van de agentic AI-projecten vóór eind 2027 geannuleerd zou worden. Als oorzaken noemden ze oplopende kosten, onduidelijke businesswaarde en te weinig grip op de risico's. Opvallend genoeg gaat het in dat rijtje nergens over de techniek zelf. Die projecten sneuvelden omdat niemand kon uitleggen wat ze opleverden. Ik kom zelf uit de software engineering en bouw maatwerk en koppelingen voor ondernemers. Dat patroon herken ik uit de praktijk. Daarom zou ik altijd beginnen bij een proces waarvan je de kosten kunt onderbouwen. Houd twee weken bij welke handelingen je steeds herhaalt, tel de tijd bij elkaar op en zet er je eigen uurtarief naast. Kom je uit op twintig minuten per week, dan is het gesprek daarmee klaar. Gaat het om vijf uur, dan weet je meteen hoeveel je mag investeren. Zo'n urenlijst laat je trouwens maar de helft zien. Tijdproblemen herken je snel, want je doet hetzelfde werk telkens opnieuw. Procesproblemen zijn lastiger te zien: aanvragen die blijven liggen, opvolging die van iemands geheugen afhangt, geen zicht op waar het spaak loopt. Dat tweede type kost vaak meer, alleen komt het nergens op een urenlijst terug. Vraag je bij elk proces dus ook af welk cijfer je nu mist om te kunnen sturen. Pas daarna kies je de techniek. Levert een stap bij dezelfde invoer altijd dezelfde uitkomst op, denk aan een factuur boven een bepaald bedrag die eerst langs jou moet, dan is een koppeling goedkoper en betrouwbaarder dan welk taalmodel dan ook. AI komt pas tot zijn recht bij (rommelige) invoer waar je normaal gesproken zelf even over na moet denken: een mail waarin een klant vier vragen door elkaar stelt, of een ingescande pakbon met een aantekening in de kantlijn. In de gesprekken die ik voer zie ik ondernemers AI juist bijna altijd op die eerste categorie loslaten. Ga je met een externe partij in zee, dan zou ik op precies hetzelfde letten. Gartner waarschuwt in datzelfde bericht voor "agent washing", maar wat ik vaker tegenkom is de partij die je vraag afwerkt als een ticket. Jij vraagt om X, zij bouwen X en factureren X, en onderweg heeft niemand uitgerekend of X zichzelf ooit terugbetaalt. Let er in een eerste gesprek daarom op of ze een serieuze discovery doen. Krijg je vragen over je proces, je cijfers en wat je nu misloopt, of gaat het meteen over hun oplossing? Vraag ook wat ze je zouden afraden, en wat er gebeurt als het systeem er een keer naast zit. Overigens kun je een hoop zelf in elkaar klikken met Make, Zapier, n8n of een ander no-code platform, en voor één losstaande flow zou ik dat ook gewoon doen. Het bouwen is zelden het dure deel. Het onderhoud is dat wel, want een leverancier past zijn API aan, je flow valt stil zonder dat je daar een melding van krijgt en je komt erachter op het moment dat een klant belt. Weeg daarom af wat het je kost als dat gebeurt en je het zelf moet oplossen. Hangt er een facturatie- of klantproces aan, dan is een SLA met een afgesproken reactietijd dat geld waard. Gaat het om je eigen inbox, dan pak je het op een rustig moment zelf op. Ik ben benieuwd of hier mensen zijn die een automatisering na een paar maanden weer hebben uitgezet. Wat ging daar mis?

Wij hebben het zoeken zelf gebouwd. Twee dingen vangen we daarmee op. Typefouten: iemand die een lange vakterm net verkeerd intypt, krijgt toch de juiste artikelen. Betekenis: wie bijv. zoekt op "auto van de zaak" komt ook bij informatie over bijtelling uit, ook al staat die term er niet letterlijk in. Onder de motorkap: het Levenshtein-algoritme voor de typefouten, en vector embeddings voor de betekenis.