AI-agent of gewone automatisering: wat heb je nodig?

De vraag komt bijna altijd in deze vorm binnen: we willen hier een AI-agent op zetten. Soms is dat het juiste antwoord. Vaker is het proces met een vaste regel sneller, goedkoper en beter uit te leggen. Het verschil zit niet in het proces, maar in de stappen waar het uit bestaat.

Wat is het verschil eigenlijk?

Gewone automatisering volgt regels die jij hebt opgeschreven. Als dit, dan dat. Ze doet precies wat er staat, elke keer hetzelfde, en je kunt achteraf aanwijzen waarom er iets is gebeurd.

Een AI-agent krijgt een doel en een set gereedschappen en bepaalt zelf welke stappen hij zet. Hij kan omgaan met invoer die elke keer anders is, zoals een mail of een document. Daar staat tegenover dat hij niet elke keer hetzelfde doet.

Dat laatste is de kern. Je ruilt voorspelbaarheid in voor het vermogen om met variatie om te gaan. Die ruil moet iets opleveren.

Het helpt om het concreet te maken. Een script dat elke nacht bestanden inleest, doet precies wat er staat. Een agent die binnenkomende mails sorteert, moet begrijpen wat er staat voordat hij iets kan doen.

Wanneer is een vaste regel genoeg?

Als de invoer een vaste vorm heeft en de beslissing in regels te vangen is. Een bestand inlezen, velden overzetten, een factuur boeken bij een bekende leverancier, een melding sturen bij een status.

Twijfel je, probeer dan de regel op te schrijven. Lukt dat in tien regels tekst, dan heb je geen taalmodel nodig. Lukt het niet omdat je steeds uitzonderingen moet toevoegen, dan zit je op het terrein waar AI iets toevoegt.

Wanneer heb je taalbegrip nodig?

Als de invoer vrije tekst is, of als de vorm elke keer anders is. Een mail waarin een klant drie dingen tegelijk vraagt. Een bon van een leverancier die zijn opmaak heeft veranderd. Een cv zonder vaste structuur.

Ook als de taak om beoordeling vraagt binnen duidelijke grenzen: waar hoort deze vraag thuis, wat is de kern van deze klacht, welke van deze drie categorieen past. Voorbeelden van zulke taken staan bij de AI-medewerkers.

Let op het woord grenzen. Een model is goed in kiezen uit een lijst die jij hebt bepaald, en slecht in bedenken dat er een categorie ontbreekt. Die lijst blijft dus jouw werk.

En wat is RPA dan?

RPA laat software de handelingen nadoen die een mens in een scherm doet: klikken, kopieren, plakken. Het is nuttig als een systeem geen API heeft en je er echt niet omheen kunt.

Het is ook broos. Verandert er een knop of een scherm, dan valt het stil. Gebruik het als tijdelijke oplossing, niet als fundament. Bestaat er wel een API, kies die dan altijd; wat daarbij komt kijken staat bij de koppelingen.

Stap 1: splits de taak in beslissingen en handelingen

Schrijf het proces uit als een rij stappen. Zet achter elke stap of het een beslissing is of een handeling. Handelingen zijn bijna altijd gewone automatisering. Beslissingen zijn de plek waar je moet kiezen.

Je ziet dan meestal dat een proces van twaalf stappen twee beslismomenten heeft. Alleen die twee zijn kandidaat voor AI. De rest is programmeerwerk dat je niet aan een model moet overlaten.

Deze oefening is ook het beste gesprek met de mensen die het werk doen. Zij weten precies bij welke stap ze moeten nadenken en bij welke stap ze op de automatische piloot staan.

Stap 2: meet hoe vaak het afwijkt

Neem honderd echte gevallen uit de afgelopen maand en tel hoeveel ervan in het standaardpatroon passen. Zit je boven de negentig procent, dan bouw je regels voor de negentig en laat je de rest bij een mens.

Zit je rond de zestig procent, dan is de variatie het probleem en verdient taalbegrip zich terug. Dat is meteen je nulmeting voor later, en zonder die meting kun je achteraf niet aantonen of het iets heeft opgeleverd.

Stap 3: kies per stap, niet per proces

De meeste werkende oplossingen zijn gemengd. Een model leest de mail en bepaalt wat er gevraagd wordt, vaste regels halen het antwoord uit het systeem, en een mens kijkt naar de gevallen die eruit zijn gelegd.

Zo houd je het deel dat exact moet kloppen exact, en gebruik je AI alleen waar de variatie zit. Hoe je zo'n agent aan je systemen hangt staat in een AI-agent koppelen aan je bestaande systemen.

Waar let je op bij een agent?

• Grenzen: leg vast wat hij mag, tot welk bedrag, en wat altijd langs een mens gaat.
• Logboek: elke stap navolgbaar, zodat je een uitkomst achteraf kunt uitleggen.
• Terugvalroute: wat gebeurt er als hij het niet zeker weet, en wie krijgt dat dan?
• Kosten per handeling: een model rekent per verwerking, dus een piek in volume is ook een piek in kosten.

Wanneer kies je bewust geen AI?

Als de uitkomst honderd procent moet kloppen zonder controle achteraf, als je de beslissing juridisch moet kunnen onderbouwen op regelniveau, of als het volume te klein is om iets terug te verdienen. Die situaties staan uitgewerkt in wanneer AI juist geen goed idee is.

Twijfel je over de afweging in euro's, gebruik dan het model uit de businesscase berekenen en de richtbedragen bij wat een AI-agent kost. Wat er komt kijken bij het bouwen staat bij een AI-agent laten bouwen.