Wat een AI-quickscan oplevert
De meeste bedrijven die 'iets met AI' willen, starten zonder te weten welk probleem ze precies oplossen. Ze lezen over toepassingen bij andere bedrijven, horen dat concurrenten er mee bezig zijn, en besluiten dat ze ook moeten beginnen. Zonder te hebben gekeken of hun eigen processen daar rijp voor zijn.
Een AI-quickscan draait dat om. Ik begin bij jouw huidige werkwijze, niet bij de technologie. Ik kijk naar hoe werk nu verloopt, waar herhaling zit, waar beslissingen worden genomen op basis van patronen, en waar handmatige stappen de grootste frictie veroorzaken. Op basis van dat beeld lever ik een rapport met 3 tot 5 concrete kandidaat-cases.
Per case staat daarin: wat het proces is, waarom AI hier kansrijk of juist ongeschikt is, een schatting van de benodigde inspanning, en wat de verwachte impact is als je het doorpakt. Het rapport bevat ook gevallen waarbij ik expliciet afraad, inclusief de reden. Een audit die alleen groene vinkjes geeft, is geen audit.
Mijn discovery-proces
Een quickscan is geen vragenlijst die ik jou insuur. Het is een hands-on observatie van hoe werk bij jou verloopt. Ik gebruik vier stappen:
- ▸Intakegesprek met het team: ik praat met de mensen die het dagelijkse werk doen, niet alleen met de directeur. Zij weten waar de frictie zit.
- ▸Observatie van handmatige stappen: ik laat medewerkers hun eigen werk doorlopen terwijl ik meekijk. Veel bottlenecks zijn niet zichtbaar in een beschrijving, maar wel in de praktijk.
- ▸Data-flow analyse: ik breng in kaart welke gegevens waar vandaan komen, waar ze naartoe gaan en hoe vaak ze handmatig worden overgetypt of gekopieerd.
- ▸Identificatie van automation-kandidaten: ik markeer processen met hoge herhaling, lage uitzonderingsgraad of veel patroonherkenning als potentieel interessante AI-cases.
Ik doe dit altijd op maat. Geen standaardchecklists. De uitkomst hangt volledig af van wat ik bij jou aantrof, niet van wat ik van tevoren verwachtte te vinden.
Cases die ik typisch flag als kansrijk
Na meerdere audits bij uiteenlopende bedrijven zie ik terugkerende patronen. Dit zijn de categorieën die ik het vaakst als potentieel interessant markeer:
- ▸Documentextractie: facturen, offertes of contracten waarbij telkens dezelfde velden handmatig worden overgenomen in een systeem. AI kan die extractie overnemen met hoge nauwkeurigheid als de documentstructuur stabiel is.
- ▸Data-classificatie: inkomende berichten, tickets of meldingen die iemand handmatig categoriseert voordat ze worden doorgezet. Als er voldoende historisch materiaal is, is dit een sterk kandidaat.
- ▸Content-routing: e-mails of formulierinzendingen die op basis van inhoud naar de juiste afdeling of persoon gestuurd moeten worden. Eenvoudig te automatiseren als de categorieën helder zijn.
- ▸Repetitieve beslissingen met patronen: goedkeuringen, prioriteringen of beoordelingen die altijd op dezelfde factoren zijn gebaseerd. Niet ter vervanging van de menselijke beslissing, maar als voorbereiding.
- ▸Samenvatting van lange bronnen: vergadernotities, klantgesprekken of technische documentatie die handmatig worden samengevat. AI kan dat als eerste draft leveren die iemand kort reviewt.
Dit zijn categorieën, geen garanties. Of een specifiek geval kansrijk is, hangt af van de kwaliteit van je data, de consistentie van het proces en de bereidheid van het team om met een AI-component te werken.
Cases die ik typisch afraad
Net zo belangrijk als de kansen is weten wat je beter niet met AI kunt aanpakken. Ik raad het in ieder geval af als:
- ▸Het volume te laag is: een taak die twee keer per maand voorkomt, levert te weinig rendement op om te rechtvaardigen. Een goede automation heeft schaalvoordeel nodig.
- ▸Het proces deterministisch is: als elke stap exact te omschrijven is in regels zonder uitzonderingen, is een regelgebaseerde oplossing sneller, goedkoper en betrouwbaarder dan AI.
- ▸Merkgevoeligheid te hoog is: voor tekst of beelden die direct naar buiten gaan en sterk aan jouw stem of stijl zijn gebonden, is AI-generatie zonder grondige menselijke review te riskant.
- ▸De data er niet is: AI-toepassingen op basis van patronenherkenning hebben historisch materiaal nodig. Als dat ontbreekt of versnipperd is, ontbreekt de basis.
- ▸De uitzondering de regel is: als het proces zo veel uitzonderingen heeft dat de AI-output altijd gecorrigeerd moet worden, bouw je extra werk in plaats van minder.
Ik benoem dit expliciet in het rapport. Een eerlijk 'dit heeft geen zin' is meer waard dan een enthousiast 'dit gaan we bouwen' dat na zes maanden stil staat.
Voorbeeld van de output: cases in een prioriteitsmatrix
Een rapport van mij ziet er niet uit als een presentatie vol bullet points. Het is een werkdocument met per geidentificeerde case de volgende kolommen:
Dit is een vereenvoudigd voorbeeld. De werkelijke matrix bevat meer context per rij en een toelichting waarom iets hoog of laag scoort. Het doel is dat je na het lezen van het rapport een weloverwogen keuze kunt maken, niet dat je blindelings de aanbevelingen volgt.
-- Voorbeeldcasus
Een logistiek bedrijf: 3 cases geidentificeerd, 1 gebouwd, 2 afgeraden
Een transportbedrijf vroeg me te kijken waar AI in hun administratief proces kon bijdragen. Ze hadden het idee dat de verwerking van vrachtbrieven geautomatiseerd kon worden, en dachten ook aan een chatbot voor klantcommunicatie.
Na de discovery kwamen drie cases naar voren. De vrachtbriefverwerking bleek inderdaad een goed kandidaat: hoog volume, stabiel documentformaat, dezelfde 8 velden telkens. Die heb ik gebouwd als een extractiepipeline op basis van een documentmodel. De chatbot raadde ik af: klantvragen varieerden te sterk, en de reputatieschade bij een fout antwoord was te groot voor een onbewakt systeem. De derde case, het routeren van interne meldingen, adviseerde ik te vervangen door een simpele categorisering in hun ticketsysteem, zonder AI.
Het rapport leverde een helder besluitvormingsdocument op. Het bedrijf koos voor de extractiepipeline en liet de andere twee cases bewust liggen. Dat was de juiste keuze op basis van de feiten, niet op basis van enthousiasme.
Wat ik niet doe
Een quickscan is een discovery, geen verkooppraatje voor een implementatietraject. Ik maak daar bewust onderscheid in:
- ▸Ik gebruik de audit niet als funnel naar een zo groot mogelijk vervolgproject. Het rapport is het product. Of je daarna iets bouwt, met mij of iemand anders, is jouw keuze.
- ▸Ik schrijf geen generieke AI-strategie-rapporten. Alles in het rapport is gebaseerd op wat ik bij jou heb gezien, niet op sectorbrede trends.
- ▸Ik geef geen aanbevelingen voor technologie die ik niet heb geanalyseerd in jouw context. Geen 'jullie zouden ChatGPT Plus kunnen kopen' zonder te weten wat je daarmee zou doen.
- ▸Ik doe geen belofte over implementatieresultaten. De audit geeft een inschatting, geen garantie. De werkelijkheid bij de bouw kan afwijken van wat de discovery toonde.
- ▸Ik doe niet alsof er altijd AI-cases zijn. Als ik na de discovery concludeer dat er geen goede kandidaten zijn, staat dat in het rapport.
Kosten van de quickscan
De prijs van een AI-quickscan hangt af van de omvang van het bedrijf, het aantal processen dat ik analyseer en de diepgang van het rapport. Ik werk altijd op basis van een vaste prijs per audit, geen uurtarief.
Op aanvraag
Neem contact op voor een vrijblijvende intake. Ik geef dan een indicatie van omvang en kosten op basis van jouw situatie.