Het verschil tussen AI en automatisering zit in wat het systeem doet met een situatie die het niet kent. Automatisering voert regels uit die jij vooraf hebt vastgelegd en stopt zodra er iets afwijkt. AI werkt op geleerde patronen, interpreteert wat er voor zich ligt en komt ook bij een onbekende variant met een antwoord.
Zo’n onderscheid klinkt academisch tot je een keuze moet maken. Kies je AI voor een taak die met een regel af kon, dan betaal je voor flexibiliteit die niemand gebruikt. Kies je automatisering voor een proces vol uitzonderingen, dan loopt het systeem elke week vast en komt het handmatige werk terug. De mechaniek achter hoe werkt AI bepaalt daarbij wat je wel en niet mag verwachten.
De vraag is dus niet welke technologie beter is. Beide zijn gereedschap, en de keuze hangt af van één eigenschap van het proces: kun je alle situaties die kunnen voorkomen vooraf beschrijven, of niet.
Wat volgt is het verschil zelf, wanneer elk van beide de juiste keuze is, hoe je per taak kiest, en wat de verkeerde keuze kost.
Wat is het verschil tussen AI en automatisering?
Automatisering voert vaste regels uit volgens het principe dat als er iets gebeurt, er iets anders moet volgen. AI leert patronen uit data, herkent verbanden en bepaalt zelf wat de meest logische vervolgstap is. De eerste geeft altijd hetzelfde resultaat bij dezelfde invoer, de tweede geeft een resultaat dat past bij de context.
Een webshop die na een bestelling automatisch een bevestigingsmail stuurt, is automatisering in zijn zuiverste vorm. De trigger ligt vast, de actie ligt vast en de uitkomst is voorspelbaar tot in het laatste teken. Precies die voorspelbaarheid is de reden dat facturatie, rapportage en betaalverwerking al decennia op regels draaien.
Verwarrend is een derde begrip dat in de discussie meeloopt. Robotic process automation, kortweg RPA, bootst menselijke handelingen na op een scherm door velden in te vullen en op knoppen te klikken. Dat ziet er intelligent uit, maar het volgt gewoon een script en valt daarmee volledig onder automatisering. Wie de soorten AI naast elkaar legt, ziet dat het onderscheid niet zit in hoe geavanceerd iets oogt maar in de vraag of het systeem leert.
Leveranciers maken het niet makkelijker door beide onder één noemer te verkopen. De term AI-automatisering dekt zowel pakketten waarin een model daadwerkelijk interpreteert als pakketten waarin een regelsysteem een slimme naam heeft gekregen. Vraag bij een demo dus niet of er AI in zit, maar wat het systeem doet met een geval dat het nog nooit heeft gezien. Het antwoord op die vraag vertelt je in welke categorie je zit.
Wanneer is automatisering genoeg?
Automatisering is genoeg zodra je alle situaties in een proces vooraf kunt beschrijven. Ligt de trigger vast, ligt de actie vast en zijn de uitzonderingen op één hand te tellen, dan is een regelsysteem sneller te bouwen, goedkoper in gebruik en beter controleerbaar dan welk model dan ook.
De eerste ingeving wijst vaak de andere kant op. Een HR-professional die sollicitatiebrieven wil filteren op opleidingsniveau en aantal jaren ervaring, denkt al snel aan AI, terwijl dat harde criteria zijn die je in twee regels vastlegt. AI wordt pas nodig zodra ook schrijfstijl of motivatie meewegen. Dezelfde vergissing komt terug bij het sorteren van binnenkomende mail, het toewijzen van dossiers en het opstellen van standaardbrieven.
Voor die taken heeft automatisering bovendien een eigenschap die AI mist. De uitkomst is een zekerheid en geen inschatting, dus je hoeft niet te controleren of het systeem deze keer iets anders heeft besloten dan vorige keer. Waar juistheid niet onderhandelbaar is, is dat een doorslaggevend argument.
Wanneer heb je AI nodig?
AI heb je nodig zodra de variatie te groot is om in regels te vangen. Taal, onvolledige informatie en uitzonderingen die je niet vooraf kunt voorzien, zijn de drie situaties waarin een regelsysteem structureel tekortschiet en een model wel doorkan.
Klantvragen laten dat het scherpst zien. Een regelsysteem herkent “wanneer wordt mijn bestelling geleverd” alleen als die zin exact zo binnenkomt. Een model begrijpt dat “hoe lang duurt verzending” en “is mijn pakket onderweg” dezelfde bedoeling hebben, ook bij een formulering die nog nooit langs is gekomen. Die soepelheid komt uit het leerproces en niet uit een langere lijst regels.
Hetzelfde geldt voor documenten die niet allemaal hetzelfde zijn opgebouwd. Facturen van vijftig leveranciers hebben vijftig indelingen, en een model haalt er het factuurnummer en het bedrag uit zonder dat iemand per leverancier een sjabloon aanmaakt. Dit soort taalbegrip komt uit generatieve AI, die tekst interpreteert in plaats van hem te matchen tegen een patroon.
De prijs voor die soepelheid staat er tegenover. Een model is duurder in gebruik, de uitkomst is een waarschijnlijkheid en niet een garantie, en je moet de kwaliteit blijven controleren in plaats van hem één keer te testen.
Even belangrijk is waar een model juist slechter presteert dan een regel. Exact rekenen, een bedrag consequent op dezelfde plek zetten of elke keer identiek reageren zijn geen sterke punten van een taalmodel. Zodra een taak vraagt om precies dezelfde uitkomst bij precies dezelfde invoer, is een regel niet alleen goedkoper maar ook beter.
Hoe kies je tussen AI en automatisering per taak?
De keuze tussen AI en automatisering maak je per taak met twee vragen, niet met één. De eerste is de bekende: kun je het proces volledig beschrijven in als-dan-zinnen? Lukt dat, dan volstaat automatisering. Lukt dat niet, dan is een model de logische route.
De tweede vraag wordt vrijwel altijd overgeslagen, en die is belangrijker. Wat kost een fout in deze taak? Automatisering levert zekerheid en AI levert een percentage, en dat percentage betekent per taaktype iets totaal anders. Een model dat 95 procent van de gevallen goed doet, is uitstekend voor een conceptantwoord dat iemand nog naleest. Datzelfde percentage is onacceptabel voor een betaling die ongezien de deur uitgaat, want dan gaat er één op de twintig fout zonder dat iemand het ziet.
Uit de bankenpraktijk neem ik mee dat niet elke taak hetzelfde risicoprofiel heeft, en dat inzicht doet hier het meeste werk. Zet de twee vragen naast elkaar en er ontstaan vier uitkomsten. Beschrijfbaar en laag risico gaat naar automatisering. Beschrijfbaar en hoog risico gaat ook naar automatisering, want daar is zekerheid juist het argument. Niet beschrijfbaar en laag risico is de plek waar AI zelfstandig kan draaien. Niet beschrijfbaar en hoog risico is de plek waar AI mag voorbereiden en een mens beslist.
Dat laatste vak is waar de meeste kantoorprocessen landen, en daar gaat het ook het vaakst mis. Niet omdat het model tekortschiet, maar omdat de output onbedoeld als eindproduct wordt behandeld terwijl hij bedoeld was als concept. Een AI hallucinatie is bij zo’n taak lastig te herkennen, omdat de fout in dezelfde overtuigende toon staat als de rest.
Welke taken doe je met allebei?
De meeste processen vragen geen keuze tussen AI en automatisering maar een combinatie van beide. Regels verwerken het volume dat altijd hetzelfde is, het model pakt de uitzonderingen op, en er staat een controlepunt op de plek waar een fout duur wordt.
Factuurverwerking is het duidelijkste voorbeeld. Facturen in een bekend formaat lopen via regels rechtstreeks de administratie in, zonder tussenkomst. Wijkt de opmaak af, dan pakt een model het document op, haalt de velden eruit en zet het klaar. Voor bedragen boven een drempel gaat het voorstel eerst langs een mens, en pas na akkoord loopt de betaling verder. De automatisering doet het werk, het model vangt de variatie op en de controle zit op de stap die geld kost.
Binnenkomende post werkt volgens hetzelfde principe. Het sorteren op afzender en dossiernummer is een regel, het inschatten waar een brief zonder kenmerk bij hoort is werk voor een model, en het toewijzen aan een behandelaar loopt daarna weer via een regel. Drie stappen in één proces, met twee verschillende technieken en één moment waarop iemand meekijkt.
In mijn eigen werk draaien vaste scripts en modellen op dezelfde manier naast elkaar in één workflow, waarbij het script doet wat elke keer hetzelfde is en het model doet wat per geval verschilt. De winst zit niet in het model maar in de scheiding: zodra je precies weet welk deel van een proces voorspelbaar is, wordt vanzelf duidelijk waar het model iets toevoegt.
Wat zo’n opzet nodig heeft, is data die op orde is voor het deel dat het model raakt. Zonder actuele sjablonen en een duidelijke laatste versie werkt het model met verkeerde uitgangspunten, en dat is precies waar AI data readiness over gaat.
Beheer is daarbij het punt dat vooraf zelden meeweegt. Een regelsysteem vraagt onderhoud zodra het proces verandert, want elke nieuwe situatie is een nieuwe regel die iemand moet schrijven. Een model vraagt onderhoud van een andere soort, namelijk controleren of de uitkomsten nog kloppen nadat de leverancier het onderliggende model heeft bijgewerkt. Beide kosten tijd, alleen op een ander moment en van een ander type medewerker.
Wat gaat er mis bij de verkeerde keuze?
De verkeerde keuze tussen AI en automatisering kost geld op twee manieren, en beide zijn goed te herkennen. De eerste is AI inzetten voor werk dat een regel kon afhandelen. Je betaalt voor gebruik, voor inrichting en voor de controle die bij een model hoort, terwijl de taak elke keer identiek is en dus geen interpretatie vraagt.
De tweede is automatisering forceren op een proces vol variatie. Het systeem draait prima op de standaardgevallen en loopt vast op de rest, waarna iemand die uitzonderingen alsnog handmatig oppakt. Na een half jaar staat er een regelsysteem met tachtig uitzonderingsregels dat niemand meer durft aan te passen, en is de tijdwinst verdwenen in beheer.
Een derde fout is subtieler en duurder. Een model op een taak zetten waar de output ongecontroleerd doorgaat naar een cliënt of een boekhouding. Het four-eyes-principe uit mijn jaren bij grootbanken vertaal ik daarom naar AI-werk als vaste regel: er gaat geen output met inzet naar buiten zonder tweede controle. Dat kost een handeling en voorkomt het type fout dat je pas maanden later terugziet.
Voor kleinere organisaties telt daarbij dat de kosten van de verkeerde keuze relatief harder aankomen. Wat een grote organisatie afboekt als leergeld, is bij een kantoor van twintig mensen een investering die dat jaar niet nog een keer gedaan wordt. Dat maakt de voorvraag belangrijker dan de tool, en het is ook de reden dat AI voor MKB vaker misloopt op de keuze dan op de techniek.
Hoe bepaal je dit voor je eigen kantoor?
Voor je eigen kantoor bepaal je de keuze tussen AI en automatisering per proces, niet in één keer voor de hele organisatie. Pak één proces dat veel tijd kost, schrijf op welke stappen erin zitten en markeer per stap of hij altijd hetzelfde verloopt of per geval verschilt.
Die oefening levert meestal een gemengd beeld op. Het ophalen van gegevens is voorspelbaar, het beoordelen ervan niet, en het versturen weer wel. Daarmee weet je precies waar een regel volstaat en waar een model iets toevoegt, zonder dat je vooraf een technologie hoeft te kiezen.
Zet daarna het controlepunt neer voordat je iets bouwt. Bepaal per stap wat er gebeurt als de uitkomst fout is en wie dat merkt, want dat antwoord bepaalt of een stap ongecontroleerd door mag lopen. De aanpak die ik hanteer begint bewust klein, met één tot drie processen, zodat de leerpunten uit het eerste proces het tweede sneller maken.
Kantoren die dit gestructureerd willen aanpakken, met een keuze per proces en vastgelegde controlepunten, herkennen dit als de eerste fase van AI implementatie voor het MKB. Wie eerst zelf wil leren wat een taalmodel wel en niet betrouwbaar doet, bouwt die basis op in de ChatGPT cursus van LearnLLM.
