Begin bij je saaiste proces: een operationele gids naar een eerste AI-resultaat

Als bedrijven me vragen waar ze met AI moeten beginnen, wijzen ze bijna altijd naar de spannende dingen. De klantenchatbot. De vlotte verkoopassistent. De functie die mooi zou staan in een persbericht. Ik begrijp de aantrekkingskracht, maar het is meestal de verkeerde plek om te starten.

Het beste eerste AI-project in een kleinere onderneming is zelden het glamoureuze. Het is het saaie, repetitieve back-officeproces dat iedereen stilletjes heeft leren tolereren. De orderverwerking die iemand met de hand overtypt. De offertes die elke week opnieuw vanaf nul worden opgebouwd. De data die van het ene systeem naar het andere wordt gekopieerd omdat de twee nooit met elkaar verbonden zijn. Niet sexy. Maar wel waar het geld zit.

Waarom saai beter is dan spannend

Een saai intern proces is de veiligste plek om te leren. Als een klantenchatbot een fout antwoord geeft, krijgt je reputatie in het openbaar de klap. Als een interne offertehulp een fout maakt, vangt een collega die op voor ze het pand verlaat. De inzet is lager, dus je kunt sneller bewegen en in alle rust leren.

Je begrijpt ook de regels al. Niemand hoeft uit te leggen hoe je orderverwerking werkt, want je team doet het elke dag. Net die gedeelde kennis maakt een proces automatiseerbaar. De spannende projecten stranden meestal op het omgekeerde probleem: niemand kan precies zeggen wat “goed” is, dus heeft de AI niets vasts om op te mikken.

En een saaie winst stapelt op. Ze bouwt intern vertrouwen op, levert propere data, en geeft je een concreet resultaat waar je naar kunt verwijzen als je het volgende, grotere project voorstelt.

De vier-vragenfilter

Voor je iets automatiseert, haal het door vier vragen. Ik gebruik die in elke AI-waardescan, en ze scheiden de topkandidaten snel van de tijdvreters.

1. Gestructureerde input. Vertrekt het werk van iets voorspelbaars, zoals een formulier, een mail in een gekend formaat, of een bestand met vaste velden?
2. Voorspelbare output. Is het resultaat iets dat je een nieuwe medewerker op dag één duidelijk zou kunnen uitleggen?
3. Regelgebaseerde beslissingen. Zijn de keuzes vooral logica en beleid, eerder dan buikgevoel of delicate onderhandeling?
4. Vaak herhaald. Gebeurt dit vele keren per week, elke week?

Vier keer ja is een topkandidaat. Drie op vier is vaak nog de moeite. Twee of minder, en je kijkt waarschijnlijk naar het spannende project dat stilletjes een kwartaal opslokt.

Hoe dat er in de praktijk uitziet

Drie voorbeelden die ik telkens weer zie bij bedrijven van 30 tot 200 mensen.

Orderverwerking. Orders komen binnen via mail of PDF en iemand typt ze over in het ERP. Gestructureerde input, voorspelbare output, duidelijke regels, tientallen keren per dag. Een schoolvoorbeeld.

Offertes opstellen. Een verkoper bouwt een offerte opnieuw op uit oude documenten en kopieert prijzen en voorwaarden met de hand. De logica is goed gekend en het formaat verandert nauwelijks. Een hulp die de eerste versie opstelt, maakt van 40 minuten 5.

Data overtypen tussen systemen. Je webshop en je boekhoudtool praten niet met elkaar, dus iemand overbrugt ze elke ochtend met kopiëren en plakken. Puur mechanisch werk, hoge frequentie, nul oordeel. Bijna altijd automatiseerbaar.

Bereken eerst de echte kost

Voor je iets bouwt, zet een getal op de pijn. De rekensom is eenvoudig en houdt je eerlijk: uren per week, maal een volledige uurkost, maal de weken in een jaar.

Stel dat orderverwerking één persoon 8 uur per week kost aan een volledige uurkost van 45 euro. Dat is 360 euro per week, ruwweg 18.000 euro per jaar, aan een taak waar niemand van geniet. Zelfs als automatisering er maar 70 procent van wegneemt, kijk je naar zo’n 12.000 euro per jaar die vrijkomt, plus minder tikfouten en een tevredener team. Nu verantwoordt het project zich op één regel, en weet je hoe een verstandig bouwbudget eruitziet.

Dit getal beschermt je ook tegen de omgekeerde fout: wekenlang iets automatiseren dat twee keer per maand draait en een uur uitspaart. Saai is goed. Triviaal niet.

Een saaie winst verdient het volgende project

Het patroon dat ik zie bij bedrijven die slagen met AI is bijna altijd hetzelfde. Ze starten niet met een moonshot. Ze kiezen één tolereerbaar-maar-verspillend proces, automatiseren het netjes, en boeken een resultaat dat iedereen voelt. Die winst bouwt vertrouwen op, maakt tijd vrij, en levert de propere, gestructureerde data waar ambitieuzere projecten op steunen. Zes maanden later doen ze het spannende ding, maar vanuit een sterke positie in plaats van uit hoop.

Weet je niet welk van je saaie processen het juiste eerste is, dan is dat net waar de AI-waardescan voor dient. We brengen je echte processen in kaart, halen ze door de vier-vragenfilter, becijferen de tijd en de kost, en geven je een geprioriteerde shortlist. Geen hype, geen verkooppraat, gewoon een helder beeld van waar AI eerst haar plaats verdient. Saai beginnen is geen compromis. Het is de snelste weg naar een resultaat waarop je kunt verderbouwen.