AI-automatisering: de complete gids voor het MKB.

Stap 1: kies één proces en meet de nulsituatie

Kies het proces aan de hand van de drie kenmerken hierboven (vaak, variabel, meetbaar). Meet daarna hoe het nu gaat: hoeveel aanvragen per week, hoe lang duurt een stap, hoe vaak gaat het mis. Zonder nulmeting kun je later niet zeggen of het werkte, en dat gesprek komt.

Stap 2: teken het proces uit, inclusief de uitzonderingen

Wie doet wat, in welk systeem, en wat gebeurt er als iets niet klopt? Juist de uitzonderingen zijn belangrijk: dat zijn de momenten waarop de automatisering straks moet overdragen aan een mens. Een proces dat op papier simpel is, blijkt in dit gesprek vaak vijf zijpaden te hebben die niemand had opgeschreven.

Stap 3: breng de data en systemen op orde

Waar staat de bron van waarheid? Als klantgegevens in drie systemen staan en in geen ervan compleet zijn, automatiseer je de verwarring. Bepaal per gegeven welk systeem leidend is en zorg dat de automatisering daar kan lezen en schrijven. Hoe dat werkt met bestaande software, van een moderne API tot een pakket zonder koppeling, staat in AI-integratie in bestaande systemen.

Stap 4: leg de regels vast

Wat mag de automatisering zelfstandig doen, wat pas na goedkeuring, en wanneer moet ze stoppen? Schrijf het op in gewone taal, vóór er iets gebouwd wordt. Dit document is de basis voor de bouw én voor het gesprek met je team over wat er verandert.

Stap 5: bouw klein en test tegen echte input

Bouw de eerste versie voor het meest voorkomende pad, niet voor alle uitzonderingen. Test vervolgens niet met bedachte voorbeelden maar met echte aanvragen uit de afgelopen maand. Daar zit alle rommel in die een demo verbergt: spelfouten, ontbrekende bijlagen, vragen in twee talen.

Stap 6: laat het eerst meekijken, dan meewerken

De eerste weken doet de automatisering voorstellen die een medewerker goedkeurt. Pas als de voorstellen structureel kloppen, mag ze die stap zelfstandig zetten. Dit is ook het moment om het team mee te nemen: wie ziet wat de software voorstelt, vertrouwt het sneller dan wie alleen de uitkomst ziet.

Stap 7: meet, verbeter en breid uit

Vergelijk met de nulmeting uit stap 1. Kijk naar de gevallen waarin de automatisering overdroeg: zijn dat terechte uitzonderingen, of regels die ruimer kunnen? Pas dan kies je het tweede proces. Elk volgend proces gaat sneller, omdat de koppelingen, de regels en het vertrouwen er al zijn.

Zelf doen met n8n, Zapier of Make

Werkstroomtools als n8n, Zapier en Make koppelen een groot aantal diensten aan elkaar en hebben inmiddels AI-stappen: een taalmodel dat een tekst samenvat, classificeert of herschrijft. Voor een eerste experiment zijn ze geschikt. Een formulier dat een samenvatting naar Slack stuurt, een inbox die per mail een label krijgt: dat staat in een middag.

De grens komt op drie plekken. Ten eerste bij systemen zonder nette koppeling (het boekhoudpakket, het branchespecifieke ERP). Ten tweede bij beslissingen met gevolgen: een workflow die zelfstandig een offerte verstuurt heeft regels, controle en een logboek nodig, en dat bouw je niet in een schema van blokjes. Ten derde bij de wildgroei: na een jaar heb je dertig workflows, in drie accounts, waarvan niemand meer weet wat ze doen. Hoe je dat voorkomt staat in AI zonder toolchaos.

Laten bouwen

Laten bouwen loont zodra de automatisering een kernproces raakt (leads, offertes, facturen, klantcontact), zodra hij aan meerdere systemen moet koppelen, of zodra het fout mag gaan zonder dat iemand het meteen ziet. Dan wil je een omgeving waar de regels, de logging en de escalatie vanaf het begin in zitten, en niet achteraf zijn toegevoegd aan een schema van blokjes.

Let bij de keuze van een partij op drie dingen: of je eigenaar wordt van wat er gebouwd wordt (broncode, data, omgeving), of de partij bestaande systemen koppelt in plaats van ze te willen vervangen, en of er een vaste prijs en doorlooptijd voor de eerste stap is. Een leverancier die op alle drie helder antwoordt, heeft dit vaker gedaan.

De tussenvorm

Veel bedrijven doen beide: de kleine, interne dingen zelf in een werkstroomtool, en het kernproces laten bouwen op een fundament dat de werkstroomtools weer kan aansturen. Dat is ook hoe een Bedrijfs-OS is bedoeld: niet in plaats van je tools, maar als de laag eromheen die bepaalt wie wat mag en bijhoudt wat er gebeurt.

AVG: waar staat de data en wie ziet hem

De belangrijkste vraag is waar de gegevens naartoe gaan. Een taalmodel dat via een consumentendienst wordt aangesproken kan je klantdata bewaren en gebruiken voor training; een zakelijke aansluiting doet dat niet. Leg vast welk model je gebruikt, onder welke voorwaarden, en dat de data binnen je eigen omgeving blijft. Zet de automatisering in je verwerkingsregister en, als je namens klanten verwerkt, in de verwerkersovereenkomst. En beperk wat de automatisering te zien krijgt tot wat ze voor de taak nodig heeft: een factuurcontrole hoeft geen toegang tot het hele klantdossier.

AI-verordening: transparantie en risicoklasse

De AI-verordening deelt toepassingen in naar risico. Het overgrote deel van wat in het MKB wordt gebouwd (leadopvolging, documentverwerking, klantvragen) valt in de laagste categorie, met vooral transparantieverplichtingen. Praat je automatisering rechtstreeks met klanten, dan moeten die weten dat ze met AI te maken hebben; die verplichting geldt sinds augustus 2026. Toepassingen rond werving, kredietbeoordeling of toegang tot diensten kunnen als hoog risico gelden en vragen meer. Wat de transparantieplicht precies vraagt, hoe hij zich verhoudt tot de digitale omnibus van juli 2026 en wat je concreet in een chatbot of agent aanpast, staat in de AI-verordening en je chatbot.