Er is een specifieke vorm van angst die operationele directeurs bij gevestigde Belgische bedrijven voelen wanneer de raad van bestuur vraagt naar AI. Geen enthousiasme. Angst.
Die angst heeft een naam: wat werkt.
Uw ERP regelt uw orderflow. Uw CRM bevat tien jaar klantdata. Uw financieel team heeft een spreadsheetmodel dat niemand volledig begrijpt maar iedereen vertrouwt. U heeft workflows die jaren kostten om te verfijnen. U heeft medewerkers die precies weten hoe ze de randgevallen moeten navigeren.
Niemand wil dat kapotmaken.
Toch blijft de druk om "iets te doen met AI" toenemen — van de raad van bestuur, van concurrenten, van LinkedIn-posts over bedrijven die hun backoffice automatiseerden.
Het resultaat is verlamming, of erger: een gehaast pilootproject dat prima werkt in een sandbox en daarna stilletjes chaos veroorzaakt in productie.
Dit artikel gaat over een andere aanpak.
Waarom de meeste AI-integraties dingen kapotmaken
Het faalpatroon is bijna altijd hetzelfde. Een team — intern of extern — bouwt een AI-functionaliteit in isolatie. Het werkt prachtig in de demo. Het verwerkt het standaardpad. Het model geeft zelfverzekerde antwoorden. Iedereen is onder de indruk.
Dan raakt het productie.
Productie heeft randgevallen die geen sandbox heeft voorzien. Dataformaten die variëren. Invoer die gebruikers niet sanitiseren. Downstream systemen die exacte string-formaten verwachten die de LLM occasioneel herformatteert. Foutafhandeling die nooit is geschreven omdat de demo nooit faalde.
De integratie breekt niet luidruchtig. Ze breekt stilletjes — een verkeerd adres hier, een verkeerd gecategoriseerd document daar, een supportticket dat twee keer zo lang duurt omdat de AI-samenvatting zelfverzekerd fout was. Het soort degradatie dat moeilijk te meten is totdat het al een gewoonte geworden is.
De hoofdoorzaak is bijna nooit het AI-model zelf. Het is de integratielaag — de code die de AI-output verbindt met de rest van het systeem. Die laag werd snel geschreven, oppervlakkig getest, en helemaal niet gemonitord.
De twee principes die dit veranderen
1. Integreer aan de rand, niet in de kern
De veiligste AI-integraties zijn die welke naast bestaande workflows staan in plaats van erin.
Een AI die een document opstelt voor een mens om te beoordelen is laag risico. De mens is nog steeds het controlepunt. Het bestaande systeem verwerkt nog steeds de goedgekeurde output. Als de AI iets fout opstelt, zijn de kosten vijf seconden reviewtijd.
Een AI die rechtstreeks naar uw ERP schrijft is hoog risico — zelfs als het technisch 99% van de tijd correct is. De 1% moet ergens worden opgevangen, en als het menselijk controlepunt werd verwijderd om tijd te besparen, zal dat niet gebeuren.
Dit klinkt vanzelfsprekend. In de praktijk wordt het genegeerd omdat de "interessante" versie van de integratie de volledig geautomatiseerde is. De randversie klinkt minder indrukwekkend in de demo. Maar het is de versie die productie overleeft.
Begin aan de rand. Voeg menselijke controlepunten toe. Verwijder ze pas wanneer u echte data heeft die aantoont dat het faalpercentage laag genoeg is.
2. Instrumenteer voor u automatiseert
Het tweede principe is monitoring. De meeste AI-integraties worden gedeployed zonder enige systematische observatie van wat het model in productie daadwerkelijk doet.
Voor u een stap automatiseert, moet u weten:
- Hoe vaak produceert het model iets wat het downstream systeem niet kan verwerken?
- Hoe vaak overschrijft een mens de AI-suggestie?
- Wat is de verdeling van invoerkwaliteit? Komen randgevallen dagelijks voor of eens per kwartaal?
Zonder deze data raadt u maar wat of de integratie werkt. Met deze data kunt u een echte beslissing nemen: het faalpercentage is 0,3%, wat X kost — dat is aanvaardbaar bij dit volume. Of: het faalpercentage is 4%, wat betekent dat we een menselijk controlepunt nodig hebben voor documenttype Y.
Instrumentatie is niet glamoureus. Maar het is het verschil tussen een AI-integratie die u kunt vertrouwen en een waarvan u stilletjes bang bent.
Een praktische volgorde
Dit is de volgorde die WDC gebruikt met klanten. Het is niet de enige aanpak, maar het heeft het voordeel conservatief te zijn waar het telt.
Stap 1 — Breng de workflow in kaart, niet de technologie. Voor u iets met AI doet, documenteer de huidige workflow: invoer, uitvoer, menselijke beslissingen, faalwijzen en downstream afhankelijkheden. Deze kaart vertelt u waar een AI-integratie waarde toevoegt en waar ze onaanvaardbaar risico introduceert.
Stap 2 — Identificeer het insertpunt met de hoogste waarde en het laagste risico. Zoek naar taken die repetitief zijn, goed gedefinieerd, en waarbij fouten opvangbaar zijn voor ze zich verspreiden. Documentclassificatie is een klassiek voorbeeld: een AI die een categorie suggereert, die een mens met één klik bevestigt, voor het document wordt gerouteerd. Hoge waarde (bespaart sorteertijd), laag risico (mens vangt fouten op), bestaande workflow ongewijzigd.
Stap 3 — Bouw de integratie met expliciete outputcontracten. Definieer precies hoe de AI-output eruit moet zien zodat het downstream systeem het accepteert. Schrijf validatie. Log elke output. Log elke afwijzing. Dit is de integratielaag die de meeste piloten overslaan.
Stap 4 — Deploy met een shadowperiode. Laat de AI draaien in shadowmodus — het verwerkt echte invoer en produceert echte output, maar mensen voeren de taak nog steeds handmatig uit. Vergelijk. Meet het meningsverschilpercentage. Schakel pas over naar livemodus wanneer u vertrouwensdata heeft.
Stap 5 — Verwijder controlepunten op basis van data, niet van geloof. Naarmate het meningsverschilpercentage daalt, overweeg om controlepunten te verwijderen — maar alleen de specifieke waarvoor de data het ondersteunt. Bewaar logs. Bekijk periodiek. Het doel is niet volledige automatisering. Het doel is het juiste niveau van automatisering voor het risicoprofiel van elke taak.
De KMO-realiteit
Belgische middenmarktbedrijven — de KMO's van 30 tot 200 werknemers — staan voor een specifieke versie van deze uitdaging. Ze hebben geen dedicated AI-team. Ze hebben niet de luxe van een pilootproject van zes maanden met een dedicated QA-engineer. Ze hebben een druk operationeel team, een strak budget, en een raad die resultaten wil.
Voor deze organisaties is de juiste AI-integratie bijna nooit de meest ambitieuze. Het is de integratie die smal genoeg is om goed te doen, conservatief genoeg om veilig te zijn, en nuttig genoeg dat medewerkers hem echt gebruiken in plaats van er stilletjes omheen te werken.
De grootste geldverspilling in KMO AI-projecten is niet het bouwen van het verkeerde model. Het is het bouwen van de juiste capaciteit op de verkeerde plek — te diep geïntegreerd, te vroeg, met te weinig instrumentatie — en zien hoe het team er binnen drie maanden het vertrouwen in verliest.
Wat te doen voor uw volgende AI-project
Voor u AI-werk bestelt, is het de moeite waard om een dag door te brengen met drie vragen:
-
Wat is de exacte taak? Niet "onze documentverwerking verbeteren" — "inkomende leveranciersfacturen classificeren per categorie en het totaalbedrag extraheren, om de ERP-goedkeuringswachtrij te voeden."
-
Wat gebeurt er als het fout gaat? Als de AI een factuur verkeerd classificeert, wie merkt het op? Hoe? Wat is de downstream consequentie als niemand het opmerkt?
-
Hoe weet u of het werkt? Welke metric bekijkt u, op welke frequentie, om te bevestigen dat de integratie naar verwachting presteert in productie?
Als u de derde vraag niet kunt beantwoorden, bent u nog niet klaar om te bouwen.
WDC's AI Opportunity Assessment is precies ontworpen voor dit soort pre-bouw duidelijkheid — uw workflows in kaart brengen, de AI-projecten die de moeite waard zijn rangschikken, en hun risiconiveau classificeren onder de EU AI-wet. Vaste prijs, drie weken, schriftelijke output. Als u liever begint met een gesprek, boek een gesprek van 30 minuten.