Redactie en AI: AI kan hebben geholpen bij onderzoek, structurering of een eerste concept. Een mens bepaalde de strekking, controleerde bronnen en claims en keurde publicatie goed. Lees het redactiebeleid.
In het kort
- Werkende AI automatisering in het MKB bereidt werk voor; een mens controleert en verstuurt.
- De beste kandidaten zijn processen die terugkeren, op kennis draaien en een vaste vorm hebben.
- Elk voorbeeld hieronder beschrijft input, wat de AI medewerker klaarzet en de menselijke controle erna.
- Wat geen goed voorbeeld is: beslissingen over mensen, klachten en alles zonder duidelijke werkwijze.
- De voorbeelden zijn beschrijvingen van werkwijzen, geen klantresultaten. Resultaten meet je zelf in een pilot.
Hoe je deze voorbeelden leest
Elk voorbeeld volgt hetzelfde patroon. Er komt iets binnen: een e-mail, een export, een aanvraag. De AI medewerker leest het, zoekt op wat nodig is in de afgesproken bronnen en zet een concept klaar op een vaste plek. Daarna doet een mens wat alleen een mens kan: beoordelen, aanpassen en beslissen of het de deur uitgaat.
Dat patroon is geen toeval. Het is de enige vorm waarin AI automatisering in het MKB betrouwbaar werkt zonder dat je de controle over prijzen, beloftes en klantrelaties kwijtraakt. Wil je weten waarom, lees dan de gids over AI automatisering voor het MKB. Wil je zien wat het kost, kijk bij de prijzen.
Offertes: twee voorbeelden
1. Aanvragen sorteren en voorbereiden. Een installatiebedrijf krijgt aanvragen via het webformulier, per mail en telefonisch genoteerd. De AI medewerker leest ze elke ochtend, haalt de kerngegevens eruit (type klus, locatie, omvang, urgentie), checkt of de aanvraag compleet is en zet per aanvraag een samenvatting klaar met de ontbrekende informatie gemarkeerd. De binnendienst begint de dag met een gesorteerde lijst in plaats van een volle inbox.
2. Concept-offerte in eigen template. Voor complete aanvragen vult de AI medewerker de offertetemplate van het bedrijf in: posten uit de eigen prijslijst, standaardteksten uit eerdere goedgekeurde offertes, voorwaarden erbij. Het concept staat klaar in de map. Een calculator controleert de posten, past aan waar de klus afwijkt en verstuurt. Prijzen worden nooit zelfstandig bepaald; ze komen uit de prijslijst die het bedrijf zelf beheert.
Sales: twee voorbeelden
3. Prospects opzoeken en verrijken. Een schoonmaakbedrijf wil wekelijks nieuwe bedrijfspanden benaderen in drie regio's. De AI medewerker zoekt in openbare bronnen naar bedrijven die aan het profiel voldoen, verrijkt ze met vestigingsgegevens en een korte omschrijving, en scoort ze op de criteria die het bedrijf heeft opgegeven. De lijst staat maandagochtend klaar.
4. Concept-openers per prospect. Bij elke prospect op de lijst staat een concept voor een eerste bericht, gebaseerd op wat er over dat bedrijf bekend is en op de eigen toon van het schoonmaakbedrijf. De verkoper leest, past aan en verstuurt zelf. Er gaat niets automatisch weg, en de wettelijke regels voor ongevraagde commerciële berichten blijven de verantwoordelijkheid van de verzender.
Rapportages: twee voorbeelden
5. Maandrapportage uit eigen exports. Een marketingbureau levert elke maand rapportages aan vijftien klanten. De AI medewerker leest de exports uit de advertentie- en analyticsplatforms, zet de cijfers in de rapportagetemplate van het bureau en markeert de opvallende afwijkingen ten opzichte van vorige maand. Elk getal is herleidbaar naar een bron; ontbreekt de bron, dan staat er een gemarkeerde open plek en geen schatting.
6. Concepttoelichting bij de cijfers. Bij elke rapportage staat een concept van de toelichting: wat viel op, wat is de waarschijnlijke oorzaak, wat is het voorstel. De accountmanager herschrijft waar nodig en voegt toe wat alleen hij weet uit het klantcontact. De rapportagedag wordt een rapportage-uur.
Administratie: twee voorbeelden
7. Mailbox sorteren op urgentie. Een adviesbureau krijgt dagelijks tientallen mails: klantvragen, leveranciers, intern, ruis. De AI medewerker labelt elke mail (spoed, actie, ter info, ruis) en zet bij mails die een antwoord vragen een concept klaar in de toon van het bureau. De office manager werkt een gesorteerde lijst af in plaats van van boven naar beneden door de inbox.
8. Stukken samenvatten voor de boekhouder. Aan het eind van het kwartaal verzamelt de AI medewerker de stukken die de boekhouder nodig heeft, vat contracten en correspondentie samen en markeert wat ontbreekt. Het boeken zelf blijft bij het boekhoudpakket en de boekhouder; dat is gestructureerd rekenwerk waar vaste regels beter in zijn.
Klantenservice: twee voorbeelden
9. Conceptantwoorden op standaardvragen. Een webshop krijgt dagelijks vragen over levertijd, retouren en garantie. De AI medewerker zet per vraag een conceptantwoord klaar, opgebouwd uit het retourbeleid, de productinformatie en eerder goedgekeurde antwoorden, met de bron erbij. De klantenservicemedewerker controleert en verstuurt.
10. Klachten en uitzonderingen apart zetten. De AI medewerker herkent het verschil tussen een standaardvraag en een klacht, een dreigende escalatie of een klant die net buiten de voorwaarden valt. Die worden niet van een concept voorzien maar gemarkeerd voor persoonlijke behandeling. Precies daar hoort een mens, en precies daar blijft hij.
Intern kenniswerk: twee voorbeelden
11. Documenten samenvatten voor een gesprek. Voor een klantgesprek zet de AI medewerker een samenvatting klaar van de laatste correspondentie, openstaande punten en eerdere afspraken uit de afgesproken mappen. De adviseur stapt voorbereid het gesprek in zonder een halfuur te hebben gezocht.
12. Interne kennis ontsluiten. Nieuwe medewerkers stellen dezelfde vragen: hoe doen wij dit, waar staat dat. De AI medewerker beantwoordt ze op basis van de interne handboeken en procedures, met verwijzing naar de bron. Klopt een antwoord niet, dan is dat een signaal dat het handboek verouderd is, en dat is nuttige informatie.
Wat geen goed voorbeeld is
Niet alles hoort in dit rijtje. Drie categorieën laat je bewust bij mensen:
- Beslissingen over mensen: werving en selectie, beoordeling, kredietwaardigheid. Dit zijn hoog-risicotoepassingen onder de AI Act met een zware verplichtingenset; Mansotti neemt ze niet aan
- Klachten en escalaties: een boze klant wil gehoord worden door iemand die kan beoordelen en beslissen
- Processen zonder vastgelegde werkwijze: als niemand kan uitleggen hoe het hoort, kan een AI medewerker het ook niet leren
Twijfel je of een proces geschikt is, dan is de gratis AI Act-check een goede eerste stap: acht vragen en je weet of je in een lichte of zware categorie zit.
Van voorbeeld naar je eigen proces
Herken je een van deze twaalf, kies dan niet het leukste maar het duurste: het proces waar elke week de meeste tijd in verdwijnt. Leg de werkwijze vast, lever templates en voorbeelden aan, en draai een pilot op echt werk. Meet vooraf hoe lang het nu duurt en vergelijk dat met de werkelijke controle- en bewerkingstijd. De uitkomst is pas bewijs als je hem gemeten hebt.
