Kies eerst een AI-taak die je kunt herstellen

Inleiding

Dit artikel is met ondersteuning van AI opgesteld. BAETER is verantwoordelijk voor de publicatie.

Neem een fictief handelsbedrijf dat met AI sneller wil reageren op offerteaanvragen. De eerste gedachte is aantrekkelijk: laat de assistent de aanvraag lezen, een prijsvoorstel kiezen en de e-mail versturen. Maar juist die laatste stap maakt de proef onnodig risicovol. Een verkeerde prijs, ontbrekende voorwaarde of onjuiste levertermijn is niet alleen een fout antwoord; het is een externe belofte die een collega moet herstellen.

Een betere eerste stap is bescheidener: laat de assistent een concept maken met de relevante productregels, openstaande vragen en een voorgestelde structuur. De accountmanager controleert het concept, vult aan en verstuurt pas daarna zelf. Het verschil zit niet in hoe slim het systeem lijkt, maar in de vraag of het team een verkeerde uitkomst snel ziet en kan corrigeren voordat het concept wordt gebruikt.

Dat maakt herstelbaarheid een nuttig selectiecriterium voor AI. Kies niet meteen de taak met de grootste theoretische tijdwinst. Kies de taak waarvan duidelijk is wat een medewerker controleert, hoe die kan ingrijpen en wanneer de AI-uitkomst eenvoudig kan worden teruggedraaid.

Gebruik groeit; een goede eerste taak is daarmee niet vanzelf gekozen

AI is allang niet meer alleen iets voor grote organisaties. CBS meldt dat 13,8% van de Nederlandse microbedrijven met twee tot tien werkzame personen in 2025 een of meer gemeten AI-technologieën gebruikte. Bij bedrijven met tien tot 250 werkzame personen was dat 29,8%. Marketing en verkoop, gevolgd door administratie en bestuur, waren bij microbedrijven de meest genoemde toepassingsgebieden.

Die cijfers zeggen niet dat elke toepassing rijp is voor zelfstandig handelen. Ze laten vooral zien dat steeds meer teams voor een praktische keuze staan: waar beginnen we? CBS noemt gebrek aan ervaring als de belangrijkste reden waarom microbedrijven die AI overwogen er toch van afzagen. Dat is geen argument om op een perfecte strategie te wachten. Het is wel een reden om een eerste taak zo te kiezen dat het team er veilig van kan leren.

De OESO ziet eveneens dat mkb-bedrijven vaak starten met kant-en-klare AI-producten, terwijl meer gerichte toepassingen en AI-agenten extra keuzes vragen over proces, gegevens en vaardigheden. Een licentie aanschaffen is dus niet hetzelfde als een werkstap goed inrichten.

De herstelvraag die vóór de demonstratie hoort

Bij iedere kandidaat-taak helpt één eenvoudige vraag: als de AI ernaast zit, hoe herstellen we dat dan voordat het gevolgen heeft?

Daarmee verschuift het gesprek van techniek naar werk. Een AI-samenvatting van een intern overleg is meestal goed herstelbaar: een deelnemer kan de bron erbij pakken, zinnen aanpassen en de samenvatting niet publiceren. Een AI die een klantcontract wijzigt, een betaalopdracht klaarzet of een sollicitant rangschikt, vraagt een veel zwaardere beoordeling. De fout kan dan moeilijker zichtbaar zijn, meer mensen raken of een besluit beïnvloeden dat niet eenvoudig terug te draaien is.

De Europese Commissie beschrijft de AI Act als een risicogebaseerd kader: regels hangen samen met het soort gebruik en het mogelijke risico. Dat betekent niet dat elke gewone interne concepttaak automatisch probleemloos is, of dat een bedrijf zelf een juridische classificatie kan overslaan. Wel is de managementles helder: behandel taken met grote gevolgen voor mensen, veiligheid of rechten niet alsof ze hetzelfde zijn als een eerste tekstconcept.

Beoordeel een taak op vier herstelpunten

Zet drie mogelijke AI-taken naast elkaar en beoordeel ze met vier vragen.

• Zichtbaarheid: Kan een vakbekwame medewerker snel zien wat onjuist, onvolledig of ongepast is?
• Terugval: Kunnen we zonder veel extra werk terug naar de bestaande werkwijze?
• Gevolg: Wat gebeurt er als een fout toch doorgaat: interne vertraging, financiële toezegging, privacyprobleem of effect op een persoon?
• Beslisrecht: Is helder wie het concept mag goedkeuren, aanpassen of stoppen?

Een kansrijke proefkandidaat heeft zichtbare fouten, een werkbare terugvalroute, beperkte mogelijke gevolgen en een duidelijke beslisser. Alleen een grote verwachte tijdwinst is daarvoor onvoldoende. Een interne eerste versie van een nieuwsbrief, een geanonimiseerde samenvatting van een servicemelding of een lijst met ontbrekende gegevens in een dossier kan bijvoorbeeld passen. De keuze hangt altijd af van uw brongegevens, contracten en vakgebied. Gebruik nooit echte klant- of personeelsgegevens in een proefomgeving zonder dat de gegevensroute, toestemming waar nodig en beveiliging zijn beoordeeld.

Maak van menselijke controle een echte werkstap

“Er kijkt nog iemand naar” is te vaag. Een herstelbare pilot heeft een concrete controlehandeling. Noteer bijvoorbeeld welke bron de medewerker vergelijkt, welke afwijkingen niet mogen worden verstuurd en waar het concept blijft staan totdat iemand akkoord geeft.

Neem de offertecasus. De AI mag een concept maken op basis van goedgekeurde productinformatie. De accountmanager controleert prijs, levertermijn, uitzonderingen en toon. Ontbreekt informatie, dan is de uitkomst geen offerte maar een lijst met vragen. Bij twijfel gebruikt de medewerker de bestaande route. Zo is AI geen onzichtbare tussenlaag, maar een afgebakend hulpmiddel binnen een herkenbaar proces.

Muhammad Sohail benadrukt in een beschouwing op de website van het World Economic Forum het belang van werkstromen en meting bij de invoering van AI. Dat is een nuttige richting, maar geen onafhankelijk bewijs dat een specifieke AI-pilot rendeert. Gebruik de gedachte daarom als ontwerpvraag: welke stap verandert werkelijk, en welke menselijke controle blijft bewust bestaan?

Meet niet alleen snelheid, maar ook herstelwerk

Een goede eerste proef heeft geen ingewikkeld dashboard nodig. Volg gedurende twee tot vier weken vier eenvoudige signalen:

1. hoeveel concepten de AI maakte;
2. hoeveel daarvan zonder wezenlijke wijziging bruikbaar waren;
3. welke correcties het vaakst terugkwamen;
4. hoeveel tijd en twijfel de controle kostte.

Het derde punt is vaak waardevoller dan een gemiddeld tijdcijfer. Als medewerkers steeds dezelfde productvoorwaarde aanvullen, ligt het probleem misschien in de bron of taakafbakening. Als zij iedere keer onzeker zijn wie mag beslissen, is het mandaat onduidelijk. En als herstel langer duurt dan het maken van een concept, is stoppen of verkleinen een verstandige uitkomst, geen mislukking.

Vergelijk de proef steeds met de oude werkwijze, niet met een ideale toekomst. De CBS-adoptiecijfers bewijzen geen besparing voor uw organisatie. Ook een snelle demonstratie bewijst dat niet. Alleen eigen, gecontroleerde werkvoorbeelden kunnen laten zien of het hulpmiddel het team werkelijk helpt.

Zet de eerste stap bewust klein

Kies deze week één terugkerende taak die een medewerker nu al als concept maakt. Beschrijf op één A4: wat gaat erin, wat mag eruit komen, wat controleert de medewerker, wie beslist en hoe keert het team terug naar de oude werkwijze? Test vervolgens met enkele geanonimiseerde, herkenbare voorbeelden.

Blijkt de herstelroute onduidelijk, verklein de taak dan opnieuw. Misschien is een AI-concept wel geschikt, maar versturen niet. Misschien kan de assistent ontbrekende gegevens signaleren, maar geen prioriteit toekennen. Dat soort grenzen remt innovatie niet af. Ze maken het juist mogelijk om ervaring op te bouwen zonder dat één ambitieuze pilot het vertrouwen van klanten of medewerkers op het spel zet.

Welke eerste AI-taak past bij uw team? Neem één kandidaat-taak en de huidige werkwijze mee naar een vrijblijvende AI-kansen sessie met BAETER. Bespreek daarbij ook wie controleert en wat er gebeurt als de uitkomst niet klopt.