Een klantaanvraag komt binnen. De behandelende expert opent de aanvraag en ziet meteen dat gegevens ontbreken. Dus begint het zoeken: in eerdere aanvragen van dezelfde klant, in het klantdossier en in een ander systeem met een eigen inlog. Pas als alle informatie bij elkaar staat, kan de eigenlijke beoordeling beginnen.
Het opvallende is dat de organisatie deze gegevens allang heeft. Ze liggen alleen verspreid. Degene die ze bij elkaar zoekt, is vaak juist de ervaren medewerker, omdat die weet waar alles staat. Binnen Mendix-workflows kunnen AI-agents dit voorbereidende werk overnemen, terwijl de expert verantwoordelijk blijft voor de uiteindelijke beoordeling.
Per aanvraag lijkt het om weinig werk te gaan. Even iets opzoeken en een ander scherm openen. Maar het zoekwerk gaat aan iedere beoordeling vooraf en bepaalt daarmee hoe snel het volledige proces verloopt.
Bij een piek in aanvragen moet iedere aanvraag wachten tot iemand tijd heeft om de benodigde informatie te verzamelen. Wanneer er een vaste verwerkingstermijn geldt, kan die al snel onder druk komen te staan. Tegelijkertijd zijn de mensen die zoeken dezelfde experts die nodig zijn voor de complexere gevallen. Elk uur zoekwerk is een uur minder voor de inhoudelijke beoordeling waarvoor zij zijn aangenomen.
Bovendien zit de kennis over waar informatie staat vaak in de hoofden van medewerkers. Een nieuwe collega heeft daardoor meer tijd nodig en wanneer iemand vertrekt, verdwijnt een deel van die kennis uit de organisatie. Ook verschilt per persoon hoe grondig er wordt gezocht en dus hoe compleet het dossier is waarop een beslissing wordt gebaseerd.
Bij AI in bedrijfsprocessen gaat het gesprek vaak direct over beslissingen. Mag een systeem een aanvraag goedkeuren? Kunnen we dat verantwoorden? Die vragen zijn terecht, maar slaan een belangrijke stap over.
Juist in het werk vóór de beslissing kan een AI-agent waarde toevoegen. De agent leest de aanvraag, bepaalt welke gegevens nodig zijn en haalt deze op. De expert beoordeelt het resultaat en beslist.
Een AI-agent is daarbij een AI-onderdeel dat zelfstandig een duidelijk afgebakende taak uitvoert. Die taak kan bijvoorbeeld bestaan uit het lezen van een aanvraag, het herkennen van ontbrekende informatie en het verzamelen van gegevens uit gekoppelde bronnen. Om een AI-agent informatie uit verschillende systemen te laten gebruiken, moeten die bronnen goed met elkaar verbonden zijn. Met CONNECT kan Conclusion Integration die integraties centraal ontsluiten, zodat de agent binnen het proces toegang krijgt tot de informatie die nodig is.
Terug naar dezelfde aanvraag, maar nu met een AI-agent in het proces. Zodra de aanvraag binnenkomt, controleert de agent welke gegevens ontbreken. De agent zoekt deze informatie op in eerdere aanvragen, bestaande klantgegevens en gekoppelde systemen. Vervolgens wordt alles klaargezet, met bij ieder gegeven een verwijzing naar de bron.
De agent kan daarbij ook een voorstel doen: lijkt deze aanvraag akkoord en waarop is dat voorstel gebaseerd?
De behandelaar opent geen leeg dossier meer, maar een voorbereid dossier. De behandelaar controleert de bronnen, past informatie aan waar dat nodig is en neemt de beslissing. Het werk verschuift daarmee van zoeken naar beoordelen.
Dit is geen toekomstbeeld. Conclusion Low Code Company heeft deze aanpak gebouwd voor precies dit type aanvraagproces. De AI-agent is daarbij geïntegreerd in de Mendix-workflow. Het voorbeeld in dit artikel is vereenvoudigd en geanonimiseerd.
Workflow met een agenttaak en menselijke beoordeling.
Veel AI-toepassingen staan naast het dagelijkse werk. Denk aan een chatbot waaraan een medewerker een vraag stelt of een losse tool waarin tekst wordt geplakt. Het zoekwerk blijft dan bij de medewerker liggen, met als gevolg dat er vooral een extra scherm bijkomt.
De echte winst ontstaat wanneer de AI-agent een vaste stap binnen het bestaande proces vormt. In een Mendix-applicatie zijn de workflow, data, koppelingen met andere systemen en toegangsrechten al ingericht. De agent werkt binnen die omgeving en krijgt alleen toegang tot de informatie die nodig is om de toegewezen taak uit te voeren.
Klantgegevens hoeven daardoor niet naar een losse tool. Bovendien blijft per aanvraag vastgelegd welk voorstel de agent heeft gedaan en welk besluit de behandelaar vervolgens heeft genomen.
Het taalmodel zelf is daarom niet het onderscheidende onderdeel. Taalmodellen worden steeds breder beschikbaar. Het verschil zit in alles wat eromheen wordt ingericht: welke gegevens de agent mag inzien, wie het voorstel beoordeelt en hoe achteraf kan worden herleid wat er is gebeurd.
Een voorbereid dossier heeft alleen waarde wanneer de informatie klopt. Bronverwijzingen spelen daarin een belangrijke rol. De behandelaar ziet direct waar een gegeven vandaan komt en hoeft niet opnieuw te zoeken om de informatie te controleren.
Voordat de agent live gaat, test ons team de toepassing op eerdere aanvragen waarvan de juiste uitkomst bekend is. Zo wordt meetbaar hoe vaak de agent de juiste gegevens vindt en in welke situaties de agent fouten maakt.
Die fouten worden overigens niet altijd veroorzaakt door AI. Ook de kwaliteit van de beschikbare data speelt een belangrijke rol. Wanneer eerdere aanvragen onvolledig of verouderd zijn, kan de agent overtuigend zoeken in informatie die niet langer correct is. Een AI-agent is daarmee zo betrouwbaar als de data waarop deze werkt. Conclusion Intelligence helpt organisaties om data AI-ready te maken en een betrouwbaar datafundament neer te zetten, met aandacht voor datakwaliteit, management en governance.
Niet iedere processtap vraagt bovendien om een AI-agent. Wanneer een controle volledig in vaste regels kan worden vastgelegd, is een reguliere regel in de applicatie goedkoper en voorspelbaarder. Een agent voegt vooral waarde toe wanneer informatie ongestructureerd is of verspreid staat over meerdere bronnen.
Begin klein en kies iets waarvan het resultaat meetbaar is. Selecteer één proces en één stap waarin experts nu veel tijd besteden aan het zoeken naar informatie. Bepaal vervolgens samen wat een goed voorbereid dossier inhoudt, test de toepassing met echte situaties en laat de medewerker de uitkomst beoordelen.
Wanneer de agent aantoonbaar betrouwbaar werkt, kan de grens stapsgewijs worden verlegd. Eenvoudige aanvragen kunnen sneller worden verwerkt, terwijl twijfelgevallen bij de expert blijven. Hoever een organisatie daarin gaat, is een bewuste keuze die in de workflow wordt vastgelegd.
Bij besluiten met juridische gevolgen voor personen stelt de AVG bovendien eisen aan geautomatiseerde besluitvorming en menselijke tussenkomst.
Het voorbeeld in dit artikel draait om klantaanvragen, maar hetzelfde patroon komt in veel andere processen voor. Denk aan een binnenkomende melding die bij het juiste team moet terechtkomen of een document dat moet worden getoetst aan informatie die al in systemen aanwezig is. Steeds gaat het om situaties waarin experts eerst moeten zoeken voordat zij een inhoudelijke beoordeling kunnen maken.
AI bouwt snel. Wij zorgen dat je erop kunt vertrouwen
De eerste vraag is daarom niet welk AI-model je kiest.
De eerste vraag is: Waar zoeken jouw experts nu naar informatie die al in jouw systemen aanwezig is?
Sales manager