Stel, je hebt twee weken geleden een AI-experiment laten bouwen dat offertes automatisch samenvat, of e-mails van klanten in de juiste mailbox sorteert. Het werkt. Je laat het zien op de teamvergadering, iedereen knikt enthousiast, en de vraag valt: "Kunnen we dit nu gaan gebruiken?"
Dat is precies het moment waarop het interessant wordt. Want een werkend experiment en een betrouwbare oplossing waar je dagelijks op vertrouwt, zijn twee verschillende dingen. In een demo draait alles onder ideale omstandigheden: jij voert de voorbeelden in, je weet wat eruit moet komen, en als het een keer misgaat is dat nog niet zo'n probleem. In productie staan er echte klanten, facturen en deadlines aan de andere kant. Daar telt elke fout.
Hieronder lopen we eerlijk langs wat er bij die stap komt kijken, niet om je af te schrikken, maar zodat je weet waar je ja tegen zegt. Heb je de fase daarvoor overgeslagen? Lees dan eerst hoe wij een AI proof of concept in twee weken aanpakken. Dit artikel gaat over wat daarna komt.
Waarom een geslaagd experiment nog geen oplossing is
Een proof of concept beantwoordt één vraag: kan het überhaupt? Lukt het de AI om uit een PDF-factuur de juiste bedragen te halen, of om een binnenkomende e-mail correct te beoordelen? Als het antwoord ja is, ben je over de belangrijkste drempel heen.
Maar in een experiment test je met tien voorbeelden. In productie komen er duizenden langs, en daar zit altijd dat ene rare geval bij: de leverancier die zijn factuur als foto verstuurt, de klant die in één e-mail drie vragen stelt, de scan die scheef en half onleesbaar is. Het experiment laat zien dat de AI het kán. De productieoplossing moet laten zien dat het blijft werken, ook als de werkelijkheid rommeliger is dan je voorbeelden.
Betrouwbaarheid en foutafhandeling
Het grootste verschil tussen een experiment en een echte oplossing zit in wat er gebeurt als het misgaat. En het gaat een keer mis, daar kun je van uitgaan. Een AI-model (de techniek achter tools als ChatGPT en Claude) geeft geen garantie dat het antwoord altijd klopt. Het geeft het meest waarschijnlijke antwoord, en dat is meestal goed, maar niet altijd.
De vraag is dus niet "hoe zorgen we dat het nooit fout gaat", want dat kan niemand beloven. De vraag is: wat gebeurt er als het wel fout gaat? Een goed gebouwde oplossing vangt dat op:
- Twijfelgevallen apart zetten. Als de AI onzeker is over een factuurbedrag, gaat die factuur niet automatisch de boekhouding in, maar in een lijstje "Controleren" voor een medewerker.
- Controles inbouwen. Een herkend bedrag wordt vergeleken met het totaal op de factuur. Klopt de optelsom niet, dan slaat het systeem alarm in plaats van klakkeloos door te boeken.
- Een terugvaloptie. Valt de AI-dienst even uit, dan stopt je proces niet helemaal. Werk wordt in de wachtrij gezet of tijdelijk handmatig opgepakt.
Het idee is simpel: laat de AI het werk doen dat goed gaat, en zorg dat de gevallen waar twijfel over is netjes bij een mens terechtkomen. Dat is geen zwakte van de oplossing, dat is juist wat een oplossing betrouwbaar maakt.
Kosten die meeschalen met gebruik
In een experiment verwerk je tien documenten en kost het bijna niets. Maar de meeste AI-diensten rekenen per gebruik: per verwerkt document, per gestelde vraag, per stuk tekst dat erin gaat en eruit komt. Wat in een test verwaarloosbaar is, telt op zodra het je hele bedrijf draait.
Dat is geen reden om het niet te doen, het is een reden om er vooraf naar te kijken. Moet elke vraag door het zwaarste, duurste model, of kan een lichter en goedkoper model het simpele werk afhandelen en bewaar je het zware geschut voor de lastige gevallen? Dit soort keuzes maakt vaak een groot verschil, en je maakt ze het best vóórdat je live gaat. We zijn hier altijd open over: liever een eerlijk gesprek vooraf over wat het gebruik ongeveer gaat kosten, dan een verrassing achteraf.
Monitoring: weten wanneer de AI iets fout doet
Hier zit een valkuil die veel mensen onderschatten. Als een gewone applicatie kapotgaat, krijg je een foutmelding. Als AI een fout maakt, geeft het gewoon een antwoord. Een verkeerd antwoord, maar met dezelfde stelligheid als een goed antwoord. Er knippert geen rood lampje.
Daarom moet je een productieoplossing in de gaten kunnen houden. Niet door dag en nacht naar een scherm te staren, maar door het systeem zelf te laten signaleren wanneer er iets niet pluis is. Bijvoorbeeld: opeens belanden veel meer documenten in het stapeltje "twijfel" dan normaal, een teken dat er iets veranderd is aan de input.
Goede monitoring betekent ook dat je steekproeven kunt nemen: zo nu en dan een paar resultaten naast de werkelijkheid leggen om te checken of de kwaliteit nog op peil is. AI-modellen worden door hun makers af en toe bijgewerkt, en zoiets kan zomaar invloed hebben op jouw resultaten. Zonder monitoring merk je dat pas als een klant klaagt. Mét monitoring zie je het aankomen.
Privacy en AVG: waar gaat je data heen?
Zodra je echte bedrijfsdata door een AI-oplossing stuurt, wordt de vraag waar die data heengaat opeens belangrijk. In een experiment met verzonnen voorbeelden maakt het niet uit. In productie gaan er echte klantgegevens, facturen en misschien persoonsgegevens doorheen, en dan heb je met de AVG te maken.
De kernvragen zijn steeds dezelfde. Waar staan de servers die jouw data verwerken, binnen of buiten Europa? Gebruikt de leverancier jouw gegevens om zijn eigen modellen mee te trainen, of niet? En welke gegevens hoeven eigenlijk helemaal niet naar een externe dienst, omdat je ze net zo goed lokaal of geanonimiseerd kunt verwerken?
Dit zijn keuzes die je bewust wilt maken, niet keuzes die per ongeluk ontstaan omdat iemand de makkelijkste tool pakte. Soms kies je voor een dienst met een zakelijk contract waarin staat dat je data niet voor training wordt gebruikt, soms stuur je gevoelige gegevens er helemaal niet doorheen. Het punt is dat je het van tevoren regelt en vastlegt.
Je medewerkers meenemen
De techniek is vaak het makkelijkste deel. Het lastigste is dat je collega's anders gaan werken. Een AI-oplossing die niemand vertrouwt of begrijpt, wordt stilletjes genegeerd, en dan heb je iets gebouwd dat in de praktijk stof ligt te vangen.
Mensen vertrouwen iets pas als ze snappen wat het doet en, net zo belangrijk, wat het níét doet. Daarom is het slim om duidelijk te maken waar de AI het werk overneemt en waar de mens aan zet blijft. Dat de oplossing twijfelgevallen aan een collega voorlegt in plaats van zelf maar wat te beslissen, laat zien dat de mens de regie houdt en de AI het saaie voorwerk doet.
Begin daarom liever klein. Laat de AI eerst meedraaien naast de bestaande manier van werken, zodat mensen met echte voorbeelden uit hun eigen werk kunnen zien dat de resultaten kloppen. Pas als het team merkt dat het tijd scheelt en betrouwbaar is, schaal je op.
Hoe wij dit aanpakken
Bij Schulten Media stoppen we niet bij het experiment. Een geslaagde proof of concept is voor ons het startpunt, niet het einde. We bekijken samen met jou wat er nodig is om van "het werkt in een demo" naar "we vertrouwen er elke dag op" te komen.
Concreet betekent dat: we bouwen de foutafhandeling en controles in waar we het hierboven over hadden, we zetten monitoring op zodat je weet wanneer er iets afwijkt, en we maken de keuzes rond kosten en privacy expliciet in plaats van ze te laten gebeuren. Omdat we maatwerk bouwen, koppelen we de oplossing ook netjes aan de systemen die je al gebruikt, je boekhouding, CRM of webshop, zodat het geen los eilandje wordt. Hoe dat koppelen werkt, lees je in ons artikel over AI koppelen aan je bedrijfssystemen.
En we zijn eerlijk over de grenzen. Niet elk experiment is het waard om naar productie te brengen. Soms blijkt uit de proof of concept dat de besparing klein is, of dat het te vaak misgaat voor het werk dat je ermee wilt doen. Dan zeggen we dat ook. Liever een eerlijk "dit zou ik nog niet live zetten" dan een oplossing die meer gedoe oplevert dan ze oplost. Wil je eerst weten of jouw idee geschikt is, lees dan wanneer AI je probleem wel en niet oplost.
De lange termijn
Een AI-oplossing is niet iets wat je één keer bouwt en dan vergeet. De wereld eromheen verandert: modellen worden bijgewerkt, je eigen processen wijzigen, er komen nieuwe soorten input langs. Een oplossing die vandaag goed werkt, heeft af en toe onderhoud en bijsturing nodig om goed te blijven werken.
Dat is precies waarom wij geen partner zijn voor alleen een leuk experiment. Iets neerzetten waar je bedrijf jarenlang op kan bouwen, dat twijfelgevallen netjes afhandelt, dat je in de gaten kunt houden en dat met je meegroeit, dat is een ander verhaal. Daar denken we graag voor de lange termijn met je mee.
Klaar voor de volgende stap?
Heb je een AI-experiment dat werkt en vraag je je af wat er nodig is om het echt in gebruik te nemen? In een vrijblijvend gesprek kijken we samen naar wat er bij jou speelt en wat de verstandige volgende stap is, eerlijk en zonder verkooppraat.
