Niet de branche bepaalt het, maar het soort werk
Laten we beginnen met een nuance die veel tijd bespaart: er bestaat geen lijst van sectoren waar AI wel werkt en sectoren waar het niet werkt. Wat bepaalt of een toepassing zinvol is, is het soort werk, en dat zit in vrijwel elke branche — alleen in een andere vorm.
Drie patronen komen overal terug, en daar zit vrijwel altijd de winst:
- Overzetten. Informatie uit het ene document of systeem handmatig overnemen in het andere.
- Opzoeken. Steeds opnieuw uitzoeken wat er eerder is afgesproken, geleverd of besloten.
- Beoordelen volgens vaste regels. Binnengekomen aanvragen of meldingen langs dezelfde criteria leggen.
Hieronder werken we die patronen uit per branche, zodat je kunt zien of je het eigen werk erin herkent. Dit zijn mogelijkheden, geen uitgevoerde projecten: we tonen bewust geen klantcases of besparingspercentages die we niet kunnen onderbouwen.
Maakindustrie en productie
In productiebedrijven draait alles om het ERP, maar de winst zit meestal in de administratieve schil eromheen. Het ERP legt vast wát er gebeurt; het werk dat tijd kost is alles wat daarvóór en daarná gebeurt.
Waar een agent kan helpen
- Aanvragen omzetten naar een calculatie. Een binnengekomen aanvraag uitlezen, de specificaties eruit halen, vergelijkbare eerdere orders opzoeken en een conceptcalculatie klaarzetten voor de calculator.
- Orderbevestigingen controleren. De bevestiging van een leverancier naast de oorspronkelijke bestelling leggen en afwijkingen in prijs, aantal of leverdatum signaleren.
- Productierapportages samenvatten. Dagelijkse of wekelijkse cijfers terugbrengen tot wat afwijkt van normaal, met de onderbouwing erbij.
- Technische documentatie doorzoekbaar maken. Werkinstructies, tekeningen en specificaties bevraagbaar maken, zodat niemand meer door mappen hoeft te zoeken.
Waar het meestal op vastloopt
Vrijwel altijd op hetzelfde: gegevens staan in het ERP, maar niet in een vorm waar iets anders bij kan. Of ze staan in het ERP én in Excel én in een los systeem, met telkens net een andere waarheid. Dat is geen AI-probleem maar een datavraagstuk, en het is op te lossen — zie onze aanpak voor dataplatformen in de maakindustrie en de gids over ERP-data naar een modern dataplatform.
Groothandel en logistiek
Hier is het volume het kenmerk: veel orders, veel leveranciers, veel documenten, en elk daarvan nét een beetje anders opgemaakt. Dat is precies waar een agent sterker is dan klassieke automatisering, omdat hij niet per afzender een sjabloon nodig heeft.
Waar een agent kan helpen
- Inkomende documenten uitlezen. Pakbonnen, facturen en orderbevestigingen omzetten naar vaste velden, ook als elke leverancier zijn eigen opmaak hanteert.
- Orders uit e-mail halen. Bestellingen die per mail of in vrije tekst binnenkomen omzetten naar een concept-order, klaar voor controle.
- Klantvragen over leveringen voorbereiden. "Waar blijft mijn order?" beantwoorden door de status op te zoeken en een concept-antwoord klaar te zetten, inclusief de onderliggende gegevens.
- Afwijkingen signaleren. Verschillen tussen besteld, bevestigd en geleverd automatisch naar boven halen in plaats van ze bij de afrekening te ontdekken.
Waar het meestal op vastloopt
Op de uitzonderingen. Tachtig procent van de documenten is goed te verwerken, en juist de resterende twintig procent kost nu de meeste tijd. Een agent die die twintig procent ook probeert op te lossen, gaat gokken. De werkbare opzet is daarom: laat de agent doen wat hij zeker weet, en laat hem expliciet aangeven wat hij niet zeker weet — dat scheelt al het meeste werk, zonder nieuwe risico's.
Zakelijke dienstverlening
Advies, accountancy, juridisch, makelaardij, verzekeringen: branches waar de kennis in documenten zit en het werk uit beoordelen bestaat. Daar is de meest voor de hand liggende toepassing niet automatisering, maar vindbaarheid.
Waar een agent kan helpen
- Interne kennisassistent. Vragen stellen over je eigen dossiers, contracten en werkafspraken, met een antwoord dat verwijst naar het document waar het vandaan komt.
- Dossiers voorbereiden. Alle relevante stukken rond een zaak of klant verzamelen en samenvatten voordat iemand eraan begint.
- Standaardcorrespondentie klaarzetten. Terugkerende brieven en e-mails voorbereiden op basis van het dossier, waarna een medewerker beoordeelt en verstuurt.
- Intake stroomlijnen. Binnengekomen vragen indelen, de ontbrekende informatie benoemen en bij de juiste collega neerleggen.
Waar het meestal op vastloopt
Op vertrouwelijkheid en op verantwoording. In deze branches moet je kunnen uitleggen waarom iets in een advies staat. Een antwoord zonder bronvermelding is daardoor onbruikbaar, hoe goed het ook klinkt. Dat is oplosbaar — een agent kan bij elk antwoord vermelden waar het vandaan komt — maar het is wel een harde eis die je vooraf moet stellen, niet achteraf.
Installatie- en technische dienstverlening
Bedrijven met monteurs in het veld hebben een eigen patroon: de kennis zit deels in documentatie, deels in de hoofden van ervaren collega's, en het werk op kantoor bestaat voor een groot deel uit plannen, bestellen en nawerken.
Waar een agent kan helpen
- Werkbonnen nawerken. Vrije tekst van de monteur omzetten naar gestructureerde gegevens: gebruikte materialen, bestede uren, vervolgacties.
- Offertes voorbereiden op basis van eerdere projecten. Vergelijkbaar werk opzoeken en de uitgangspunten daarvan als concept klaarzetten.
- Technische vragen beantwoorden uit documentatie. Handleidingen en productspecificaties doorzoekbaar maken voor de servicedesk en de buitendienst.
- Serviceverzoeken indelen. Binnengekomen meldingen beoordelen op urgentie en benodigde expertise, met een voorstel voor inplanning.
Waar het meestal op vastloopt
Op de invoer. Als werkbonnen onvolledig of inconsistent worden ingevuld, kan een agent daar ook niets bruikbaars van maken. Vaak blijkt de eerste winst dus niet in de AI te zitten maar in het verbeteren van wat er wordt vastgelegd — en dat is een gesprek dat je sowieso wilt voeren.
De rode draad door alle vier
Zet je de vier sectoren naast elkaar, dan valt op dat de toepassingen verschillen maar de knelpunten niet. In alle gevallen draait het om dezelfde twee dingen:
- Kan de agent bij betrouwbare gegevens? Een agent is precies zo goed als wat hij kan opzoeken. Spreken twee systemen elkaar tegen, dan krijg je een antwoord dat klinkt alsof het klopt. Dat is erger dan geen antwoord.
- Is duidelijk wat "goed" is? Iemand in de organisatie moet kunnen uitleggen hoe de taak hoort te gaan, en achteraf kunnen beoordelen of het resultaat deugt. Kan niemand dat, dan is eerst dát gesprek nodig.
Dat verklaart ook waarom wij als data-engineeringbureau met AI bezig zijn: het eerste punt is gewoon ons vak. Bronnen ontsluiten, definities eenmaal vastleggen, rechten regelen. Wie dat op orde heeft, kan er een agent op zetten.
Herken je het werk uit jouw branche?
Onder de naam AIpartner365 bouwen we AI-agents en automatiseringen die aansluiten op je bestaande processen, systemen en data. We kijken eerst samen welke taak bij jullie het meeste oplevert — en zeggen het ook als AI niet de beste route is.
Conclusie
De vraag "wat kan AI voor onze branche betekenen" is eigenlijk de verkeerde vraag. Beter is: welk werk bij ons bestaat uit overzetten, opzoeken of beoordelen volgens vaste regels? Dat werk zit in elke sector, en dat is waar een agent het verschil maakt.
Kies vervolgens één zo'n taak die vaak terugkomt en waarvan iemand kan uitleggen hoe het hoort. Zorg dat de agent bij betrouwbare gegevens kan. Laat de beslissingen met gevolgen bij je mensen. En breid pas uit als je ziet dat het oplevert wat je hoopte.
Wil je weten hoe je de eerste taak kiest en wat een pilot kost? Dat staat in AI-agents in je bedrijf: waar begin je. Benieuwd naar de techniek erachter? Zie AI-agent maken: van idee naar werkende agent.
Veelgestelde vragen
Welke branches hebben het meeste baat bij AI-agents?
Niet zozeer bepaalde branches als wel bepaalde soorten werk. Overal waar informatie uit het ene systeem of document wordt overgezet naar het andere, waar aanvragen handmatig worden beoordeeld, of waar iemand telkens hetzelfde moet opzoeken, is winst te halen. Dat type werk zit in vrijwel elke sector; alleen de vorm verschilt.
Wat kan een AI-agent betekenen voor een productiebedrijf?
In de maakindustrie zit de winst vaak in de administratieve schil rond productie: binnengekomen aanvragen uitlezen en voorbereiden tot een calculatie, orderbevestigingen van leveranciers vergelijken met wat er besteld is, en productie- of kwaliteitsrapportages samenvatten tot wat opvalt. Het ERP blijft daarbij leidend; de agent werkt eromheen.
Hoe gaat een AI-agent om met documenten zoals pakbonnen en facturen?
Een agent kan documenten uitlezen en de gegevens in een vaste structuur zetten, ook als de opmaak per leverancier verschilt. Dat is juist het verschil met klassieke herkenning op basis van sjablonen: er hoeft niet per afzender een regel te worden ingericht. Wat de agent niet zeker weet, laat hij open staan als vraag in plaats van het in te vullen.
Is AI alleen interessant voor grote bedrijven?
Nee. De kosten per uitgevoerde taak zijn laag, en kleinere organisaties hebben vaak kortere lijnen en minder systemen, waardoor een traject sneller rond is. Wat telt is niet de omvang van het bedrijf maar of er een taak is die vaak terugkomt, merkbaar tijd kost en duidelijke spelregels heeft.
Werkt een AI-agent samen met ons ERP of bestaande software?
Dat is het uitgangspunt. De agent koppelt op bestaande systemen via hun API of database, met de rechten die daarbij horen. Je ERP of pakket blijft leidend en verandert niet; de agent werkt eromheen en bereidt werk voor. Wat niet via een koppeling kan, lossen we niet op door eromheen te werken.
Wat als onze gegevens verspreid over meerdere systemen staan?
Dat is eerder regel dan uitzondering, en het is op zichzelf geen blokkade. Wel bepaalt het de volgorde: eerst zorgen dat de bronnen die déze taak nodig heeft bereikbaar en eenduidig zijn, dan pas de agent erop zetten. Dat eerste deel is gewoon data-engineeringwerk, en vaak waardevol op zichzelf.