AI toepassingen zijn concrete taken uit je werk waarbij een taalmodel zoals ChatGPT of Claude een deel van het werk overneemt: een vergadering uitwerken, een document samenvatten, een mail opstellen of een tekst vertalen. Per toepassing verschilt wat AI goed doet, welke fouten het maakt en welke controle erbij hoort.
Deze pagina zet die toepassingen op een rij, met per taak waar je op let voordat je de output gebruikt. Onderaan staan alle gepubliceerde artikelen uit het cluster toepassingen, een van de onderdelen van de AI kennisbank.
Wat zijn AI toepassingen?
Een AI toepassing is een taak waarvoor je AI inzet, geen tool. ChatGPT, Claude en Copilot zijn tools; notuleren, samenvatten en vertalen zijn toepassingen. Dezelfde toepassing kan in meerdere tools, en dezelfde tool kan tientallen toepassingen aan.
Bijna alle toepassingen voor kantoorwerk draaien op generatieve AI, die nieuwe tekst, beeld of audio maakt op basis van een instructie. Het onderliggende systeem is meestal een large language model dat voorspelt welke tekst logisch volgt op de invoer. Dat verklaart zowel de sterkte als de zwakte van elke toepassing: de output klinkt vrijwel altijd overtuigend, ook als een detail niet klopt.
Daarom telt bij een toepassing vooral hoe snel jij kunt nagaan of het resultaat klopt. Een samenvatting die je naast de bron legt, is snel gecontroleerd. Een analyse waarvan je de bron niet hebt, is dat niet.
Welke AI toepassingen gebruik je op kantoor?
De AI toepassingen die op kantoor het vaakst terugkomen, zijn notuleren, samenvatten, schrijven en vertalen. Ze hebben gemeen dat er een bron is waar je de output naast kunt leggen, en dat maakt ze geschikt om mee te beginnen.
Notuleren en vergaderingen uitwerken
Bij notuleren met AI zet spraakherkenning de vergadering om in een transcript, waarna een taalmodel daar besluiten en actiepunten uit haalt. Het bekendste foutpatroon is een voorstel dat in het verslag als besluit belandt, of een actiepunt dat een deadline krijgt die niemand heeft afgesproken. Daar komen de regels rond opnemen bij, zoals de AVG en het instemmingsrecht van de ondernemingsraad.
Documenten samenvatten
Samenvatten is de toepassing waarin AI het meeste leeswerk scheelt bij lange stukken, zoals rapporten, contracten en beleidsnotities. Het risico zit in wat er wegvalt: een uitzondering, een voorbehoud of een ontkenning verdwijnt makkelijk, waardoor de samenvatting iets anders zegt dan het origineel. In de periode dat ik intensief met ChatGPT werkte, kwam ik consistent samenvattingen tegen die plausibel klonken maar inhoudelijk afweken van de bron.
Schrijven en herschrijven
Mails, conceptbrieven en interne notities zijn de meest gebruikte schrijftoepassing. Een vaste instructie per soort tekst levert hier meer op dan elke keer een nieuwe vraag; een verzameling ChatGPT prompts voor terugkerend werk is daarvoor een praktisch vertrekpunt. De controle zit vooral in feiten, namen en toezeggingen die het model zelf toevoegt.
Vertalen
Taalmodellen vertalen vloeiender dan de klassieke vertaaltools, omdat ze de zin in zijn context lezen in plaats van woord voor woord. Hoe goed vertalen met ChatGPT werkt, hangt af van de tekstsoort: een algemene mail gaat meestal goed, vakterminologie en juridische formuleringen vragen een lezer die beide talen beheerst.
Met welke AI toepassing begin je?
Begin met een toepassing die vaak terugkomt, waarvan je de uitkomst snel kunt controleren en waarbij geen vertrouwelijke gegevens in een tool belanden waarover je organisatie geen afspraken heeft. Eén taak goed inrichten levert meer op dan vijf taken half.
Drie vragen helpen bij die keuze:
- Hoe vaak doe je deze taak per week?
- Is er een bron waar je de output naast kunt leggen?
- Welke gegevens gaan erin, en mag dat in de tool die je gebruikt?
Een taak die op alle drie goed scoort, is een logisch startpunt. Vergaderingen laten samenvatten en mails sneller opstellen zijn de bekendste vormen van slimmer werken met AI, juist omdat ze op alle drie de vragen goed scoren.
Wat gaat er mis bij AI toepassingen?
Bij elke AI toepassing gaat hetzelfde mis als bij het onderliggende model: de output kan een feit bevatten dat nergens op gebaseerd is. Zo’n AI hallucinatie valt het minst op in output die er verzorgd uitziet, zoals een net opgemaakt verslag of een vlotte vertaling.
Per toepassing ziet die fout er anders uit. Bij notulen is het een verzonnen eigenaar van een actiepunt, bij een samenvatting een weggevallen voorbehoud, bij een vertaling een vakterm die net iets anders betekent. Wie het foutpatroon van een toepassing kent, weet ook waar de controle moet zitten.
Uit mijn jaren bij grootbanken neem ik het four-eyes principe mee naar AI-werk: niets de deur uit zonder tweede controle. Voor een interne notitie kan die controle licht zijn; voor een verslag dat afspraken vastlegt of een tekst die naar een klant gaat, niet.
Wanneer wordt een toepassing een automatisering?
Een toepassing wordt een automatisering zodra de taak niet meer begint bij een vraag die je zelf typt, maar vanzelf start, bijvoorbeeld bij elke binnenkomende mail of elk nieuw document. Het verschil tussen AI en automatisering zit erin dat automatisering vaste regels uitvoert, terwijl AI ook met wisselende invoer overweg kan.
De stap van losse toepassing naar workflow vraagt andere afspraken over controle, omdat er niemand meer naast de output zit op het moment dat die ontstaat. Bij AI agents en automatisering verschuift de controle daarom naar het moment vlak vóór een handeling, zoals versturen of definitief vastleggen.
Wie toepassingen niet per taak wil uitproberen maar een vaste werkwijze wil opbouwen, vindt bij de AI cursus van LearnLLM een aanpak per tool, met controlepunten die bij elke toepassing terugkomen.
