Is AI soms gewoon automatisering met een nieuw label?

Introductie

Ik hoor het steeds vaker in gesprekken met managers, product owners en architecten: “We willen iets met AI.”

En dan blijkt na tien minuten dat het eigenlijk gaat om iets heel herkenbaars. Minder handwerk. Sneller rapporteren. Minder fouten. Betere doorlooptijden. Meer grip.

Allemaal prima doelen. Alleen: veel van wat nu als “AI-initiatief” wordt verkocht, had je ook kunnen oplossen met klassieke automatisering en goed ontworpen software. Soms slimmer. Soms goedkoper. Soms betrouwbaarder.

Dat is geen aanval op AI. Integendeel. Het is een pleidooi voor volwassenheid: we moeten beter worden in kiezen waar AI waarde toevoegt, en waar het vooral ruis is.

Een recente KNIME-analyse zet die keuze heel helder neer door het onderscheid te maken tussen traditionele automatisering, generatieve AI en agentic varianten, inclusief wanneer welke aanpak logisch is.

De verwarring begint bij het woord “AI”

“AI” is een containerbegrip geworden. Het staat voor:

• een chatinterface bovenop bestaande systemen
• een model dat teksten samenvat
• een agent die acties uitvoert
• een developer die sneller code schrijft
• een classificatiemodel dat uitzonderingen herkent
• en soms gewoon een workflow met slimme regels

Als je dat allemaal “AI” noemt, krijg je automatisch een rare discussie. Dan lijkt het alsof je voor of tegen AI moet zijn, terwijl de echte vraag is: welk probleem lossen we op, en wat is het meest geschikte mechanisme?

Oude wijn in nieuwe zakken, en waarom dat niet erg is

Laat ik het onpopulair zeggen: heel veel “AI-use cases” zijn oude wijn in nieuwe zakken.

Voorbeelden die ik vaak voorbij zie:

• “AI-rapportages” die in de kern een goed BI-model nodig hebben
• “AI-data analyse” die vooral vraagt om datakwaliteit, definities en een semantic layer
• “AI-procesoptimalisatie” die beter begint met workflow, integratie en heldere beslisregels

Wat AI wél kan toevoegen in zulke situaties:

• een prettigere interface (vragen stellen in gewone taal)
• samenvattingen en toelichtingen voor de mens
• sneller varianten verkennen (hypotheses, scenario’s, conceptteksten)

Maar als de uitkomst reproduceerbaar moet zijn, auditbaar, en zonder verrassingen, dan wil je vaak iets anders dan een probabilistisch systeem.

Kort gezegd: als het antwoord altijd hetzelfde moet zijn, dan is “klassiek” vaak gewoon beter.

Het verschil dat veel organisaties missen: AI als motor versus AI als versneller

Er zijn grofweg twee manieren waarop AI waarde kan leveren:

1) AI als motor in je oplossing

Dan doet AI inhoudelijk werk in het proces, bijvoorbeeld:

• classificatie van vrije tekst
• extractie uit documenten
• aanbevelingen
• ondersteuning van medewerkers met context en kennis
• uitzonderingen afhandelen waar regels tekortschieten

Hier hoort AI echt bij de werking. Je bouwt een oplossing die zonder AI niet hetzelfde kan.

2) AI als versneller van je softwareontwikkeling

Dan zit AI níet in je product, maar helpt het jouw team om sneller te bouwen:

• sneller code schrijven
• tests genereren
• documentatie samenvatten
• alternatieven verkennen
• refactor voorstellen

Dat kan waardevol zijn. Alleen: het eindresultaat is vaak gewoon “software”. Geen AI-product. Geen AI-toepassing. Gewoon een betere of snellere oplevering.

Het is belangrijk om dat onderscheid eerlijk te houden, omdat het je verwachtingen en je governance bepaalt. Als je “AI” vooral inzet om development te versnellen, dan moet je dus niet doen alsof je organisatie ineens “AI-gedreven” werkt. Je werkt dan vooral efficiënter.

En zelfs dat is geen automatische winst. Een METR-RCT onder ervaren open-source developers liet in 2025 zien dat AI-tools in die context gemiddeld tot langere doorlooptijd leidden, terwijl de developers dachten sneller te zijn.  

De nuance is belangrijk: AI kan helpen, maar niet overal, niet altijd, en niet zonder discipline.

Waarom “AI waar automatisering volstaat” toch zo vaak gebeurt

Er zijn drie redenen waarom organisaties AI inzetten voor problemen die eigenlijk deterministisch zijn.

1) Het label opent budgetten

Als iets “AI” heet, voelt het strategisch, innovatief, toekomstbestendig. Daardoor is het makkelijker om middelen vrij te maken. Dat is menselijk. Alleen: het maakt de inhoud niet beter.

2) Men wil snelheid zonder het fundament te leggen

Rapportages en analyses zijn vaak langzaam omdat definities ontbreken, data verspreid is, ownership vaag is. Dat oplossen kost werk.

AI lijkt dan een shortcut: “laat het model het maar samenvatten.” Dat werkt soms, maar het maskeert de echte oorzaak. En je betaalt later alsnog de rekening.

3) Men verwart “praten over data” met “sturen op data”

Met AI kun je snel teksten genereren die klinken alsof je grip hebt.

Maar grip ontstaat pas als je het kunt herleiden, kunt uitleggen en kunt sturen. Daar heb je vaak juist standaardisatie, datamodellen en heldere KPI-definities voor nodig.

Een volwassen besliskader: automation-first, AI-where-needed

Dit is het simpele kader dat ik zelf gebruik om gesprekken met management en teams praktisch te houden.

Kies automatisering als:

• de uitkomst reproduceerbaar moet zijn
• audit, compliance of traceerbaarheid zwaar weegt
• de input al gestructureerd is
• het proces vooral bestaat uit vaste regels en voorspelbare stappen
• fouten duur zijn en variatie laag is

Kies AI (of AI als assist) als:

• de input ongestructureerd is (mail, documenten, notulen, vrije tekst)
• er veel uitzonderingen en variatie zijn
• je medewerkers vooral worstelen met interpretatie, samenvatten, zoeken
• je snelheid wilt in kenniswerk, met menselijke controle waar nodig

Kies hybride als:

• AI helpt met interpretatie of voorstel
• automatisering voert uit
• de mens beslist en borgt bij hogere impact

Die hybride benadering zie je ook terug in recente analyses die het onderscheid tussen traditionele automatisering, generatieve AI en agentic oplossingen praktisch maken, inclusief wanneer “agents” vooral overkill zijn.  

Een paar herkenbare voorbeelden (zonder magie)

Rapportages

Als je maandrapportages nu handwerk zijn, is het probleem meestal:

• definities verschillen
• data is versnipperd
• het proces van “closing” is niet strak

AI kan dan helpen met:

• samenvatten van afwijkingen
• narratief genereren (“wat valt op en waarom?”)
• vragen beantwoorden over cijfers

Maar de onderliggende cijfers moeten deterministisch zijn. Anders krijg je een rapport dat goed klinkt en verkeerd is. En dat is een heel duur soort misleiding.

Data analyse

Als je bedoelt: segmenten, trends, KPI’s, drill-downs, dan is klassieke analytics vaak de basis.

AI kan helpen om sneller hypotheses te formuleren en inzichten te verwoorden, maar je wilt die hypotheses vervolgens “hard maken” met de normale analyse.

Procesoptimalisatie

Als het doel is: minder overdrachten, minder wachttijd, minder herstelwerk, dan win je vaak al met:

• processtandaardisatie
• workflow
• integraties
• duidelijk eigenaarschap

AI wordt pas interessant als je veel vrije tekst hebt, of als uitzonderingen het proces domineren. Dan kan AI het verschil maken door die uitzonderingen sneller te triëren of te routeren.

De echte winst: eerlijk zijn over wat je aan het doen bent

De meest volwassen organisaties die ik zie, doen iets simpels:

• ze noemen automatisering gewoon automatisering
• ze noemen AI pas AI als het ook echt een rol speelt in de werking
• ze beperken pilots, sturen op waarde, en durven ook te stoppen

En vooral: ze gebruiken AI niet om bestaande structuren te slopen, maar om ze slimmer te maken. Portfoliokeuzes blijven portfoliokeuzes. Architectuur blijft architectuur. Governance blijft nodig. Alleen worden de accenten anders.

Slot: “AI-toepassing” is niet het doel, resultaat wel

Als AI alleen helpt om sneller software te bouwen, is dat prima. Als AI alleen helpt om rapportages prettiger leesbaar te maken, ook prima. Als AI nergens echt nodig is, maar je wel waarde levert met automatisering, helemaal prima.

Het enige dat ik zonde vind, is als het label “AI” de discussie vertroebelt, verwachtingen opblaast en de organisatie onnodig onzeker maakt.

De vraag die je jezelf kunt stellen is simpel:

Moet dit voorspelbaar zijn, of mag het probabilistisch zijn?

Als je dat eenmaal scherp hebt, valt de rest vaak verrassend snel op zijn plek.

Wil je dit kader eens op jouw processen leggen, zonder hype en zonder theater? Dan is dat precies wat ik doe in een korte helderheidssessie: per proces bepalen we automation-first, AI-where-needed, en wat een verstandige eerste stap is.