Bij ons is AI geen pilot meer. Het zit gewoon in het werk. Product owners gebruiken het om sneller en scherper user stories te schrijven, en als prototypingtool om een idee te laten zien voordat er een regel code is geschreven. Onze UX’ers prototypen er uitgebreid mee. Voor developers is het een vanzelfsprekend onderdeel van het ontwikkelproces geworden.
Zelf laat ik meerdere agents voor me werken. Ze checken mijn mail en zetten reacties klaar. Ze bereiden mijn afspraken voor met notities en een voorstel voor de agenda, en ze maken transcripties. Elke dag verzamelen ze nieuws over de onderwerpen die mij interesseren, en ze helpen me presentaties voorbereiden.
Ze zijn ook gekoppeld aan Jira en Confluence. Nieuwe bugtickets worden automatisch gecategoriseerd, met een voorstel voor een reactie en een status. Uit Jira-tickets genereren ze documentatie in Confluence. En bij een nieuw onderwerp halen ze de relevante informatie uit de enorme hoeveelheid kennis die daar al staat.
Ik verstuur niets zonder het zelf te lezen. Goed ingezet scheelt het me elke dag uren.
Juist omdat ik het zoveel gebruik, zie ik ook waar het misgaat.
Men denkt te groot
Iedereen wil iets met AI. Bestuurders vragen om “AI in de organisatie” en leveranciers beloven agents die hele functies overnemen. Die belofte botst met hoe werk echt loopt. Processen zijn rommelig, data zit in oude systemen en uitzonderingen zijn de regel. Een agent die “alles zelf doet” strandt op ontbrekende context en op het ontbreken van iemand die de uitkomst durft te dragen.
Niet elk probleem is een AI-probleem
De tweede valkuil is minstens zo duur: AI inzetten waar een gewone regel volstaat. Een factuur die niet betaald mag worden als het ordernummer ontbreekt. Een voorraadwaarschuwing onder het minimum. Dat is geen redeneren, dat is logica. Een taalmodel kost daar geld bij elke aanroep, is lastiger te testen en kan een regel “bijna” goed toepassen. Een vaste regel doet hetzelfde voorspelbaar en voor een fractie van de prijs.
AI verdient zijn plek waar de input rommelig is: vrije tekst begrijpen, een dossier samenvatten, een eerste versie schrijven.
Kun je de beslissing in één zin als regel opschrijven? Begin dan niet met AI.
Klein beginnen, met een mens aan het roer
In onze chauffeursapp hielden we het bewust klein. We zetten een taalmodel neer en brachten dat via de mobiele app bij de chauffeurs, met retrieval-augmented generation bovenop één Engelstalig handboek.
Dat handboek is opgeknipt in passages, omgezet naar embeddings en opgeslagen in een vectorstore. Stelt een chauffeur een vraag, dan wordt die vraag eveneens embedded. Een similarity search haalt de meest relevante passages op, ongeacht de taal van de vraag. Die passages gaan als context mee in de prompt. Het model formuleert daaruit het antwoord en geeft het terug in de taal van de vraag, bijvoorbeeld Bulgaars. Het verzint dus niets buiten het handboek; het antwoord blijft gebonden aan de opgehaalde tekst.
Dat verving een map per land. De inhoud heeft één eigenaar, en de verantwoordelijkheid bleef bij mensen: het model haalt op en formuleert, maar de bron en de eindcontrole liggen bij ons.
Zo werk ik ook met mijn eigen agents. Ze bereiden voor, ik beslis. Spreek vooraf af wat het systeem zelf mag, waar een mens moet accorderen voordat iets naar buiten gaat, en hoe je AI-output herkenbaar maakt. Zonder die grenzen krijg je schijnwinst: sneller werk dat je later moet terugdraaien.
Wat wél werkt
Kies één proces met volume, herhaling en een duidelijke eigenaar. Vraag eerst of het AI nodig heeft. Kan het met een regel, doe dat. Kan het niet, maak de AI-taak dan smaller dan je instinct zegt. Meet vooraf en achteraf: tijd, kwaliteit, herstelwerk en kosten. Pas als de basis betrouwbaar is, laat je meer stappen aan elkaar koppelen.
AI is gereedschap, en ik gebruik het elke dag. Ik geloof erin en ik draag het uit in de hele organisatie, mits het goed wordt gebruikt en toegepast. Het is goed in rommelige tekst en voorbereidend werk, minder goed in uitzonderingen, en overbodig als een gewone regel volstaat.