AI procesoptimalisatie betekent dat je een werkproces sneller en betrouwbaarder maakt door eerst het knelpunt te vinden en daar pas AI in te zetten. De meeste organisaties doen het omgekeerd: ze zetten AI op de taak die het makkelijkst te versnellen is en merken daarna dat het proces als geheel nauwelijks sneller loopt.
Dat verschil tussen optimaliseren en automatiseren bepaalt waar je begint. Het onderzoek naar AI op het werk laat zien waarom tijdwinst per taak zo vaak verdampt in de stap erna, en welke stappen wel en niet aan AI horen.
Daarna volgt een aanpak in vijf stappen, de risico’s die bij AI in een werkproces horen en hoe het knelpunt eruitziet in een notariskantoor, een accountantskantoor en een marketingbureau. De focus ligt op kenniswerk op kantoor. Procesoptimalisatie in productie en logistiek, zoals voorspellend onderhoud aan machines, is een ander vakgebied met eigen technieken.
Wat is AI procesoptimalisatie?
AI procesoptimalisatie is het verbeteren van een werkproces door het knelpunt in de keten te vinden en daar AI een afgebakende stap te laten ondersteunen of overnemen, met een mens die de uitkomst controleert.
Het proces staat centraal, niet de techniek. AI is één van de middelen om een proces te verbeteren, naast een betere werkafspraak, een andere volgorde of een vaste regel in de software. Soms is de beste optimalisatie er een zonder AI.
Wat is het verschil tussen optimaliseren en automatiseren?
Het verschil tussen optimaliseren en automatiseren is dat optimaliseren het proces zelf herontwerpt, terwijl automatiseren een bestaande stap zonder mens laat uitvoeren. Optimaliseren gaat over de volgorde, de verantwoordelijkheid en de kwaliteit van de invoer. Automatiseren gaat over één stap die daarna steeds hetzelfde verloopt.
Optimaliseren komt eerst. Een proces met een onduidelijke invoer of een reviewronde zonder eigenaar wordt door automatisering niet beter, alleen sneller vastgelopen. Binnen de automatisering zelf speelt nog een tweede onderscheid: het verschil tussen AI en automatisering bepaalt of een stap een taalmodel nodig heeft of een vaste regel.
Waarom levert tijdwinst per taak zo weinig op voor het proces?
Tijdwinst per taak levert weinig op voor het proces omdat het werk daarna wacht op de volgende stap: een review, een controle of iemand die moet opvolgen. Een concept dat in tien minuten klaar is in plaats van een uur, ligt vervolgens even lang op een bureau.
Het onderzoek bevestigt dat patroon. In een gecontroleerd experiment met 453 professionals vonden Noy en Zhang (Science, 2023) 40% minder tijd en 18% hogere kwaliteit bij korte, afgebakende schrijftaken van 20 tot 30 minuten. Op het niveau van een organisatie blijft daar weinig van over.
In een enquête onder 25.000 werknemers in elf beroepen in Denemarken rapporteerden de deelnemers zelf een tijdwinst van 2,8% van de werktijd, ongeveer een uur per week (Humlum en Vestergaard, 2025). In de administratieve gegevens over dezelfde groep vonden de onderzoekers geen meetbaar effect op loon of gewerkte uren.
Bestuurders zien hetzelfde. In een enquête in vier landen gaf 89% van de bestuurders aan over de afgelopen drie jaar geen effect van AI op de arbeidsproductiviteit te zien (Yotzov e.a., NBER, 2026). Wie als individu slimmer werken met AI in de praktijk brengt, wint tijd voor zichzelf; voor het kantoor telt pas de stap die het werk ophoudt.
Welke processtappen lenen zich voor AI?
Processtappen lenen zich voor AI wanneer ze binnen de grens liggen van wat een taalmodel betrouwbaar doet. Die grens is in onderzoek zichtbaar gemaakt. In een veldexperiment met 758 consultants van BCG werkten de deelnemers met AI 25,1% sneller, uitsluitend bij de 18 taken die binnen die grens lagen (Dell’Acqua e.a., Organization Science, 2026).
Bij één taak die bewust buiten de grens was gekozen, kwamen dezelfde consultants met AI 19 procentpunten minder vaak tot het juiste antwoord. De vraag per processtap is dus niet of AI het kan, maar of de stap binnen of buiten die grens valt.
In welke stappen wint AI tijd?
AI wint tijd in processtappen waar veel tekst of variatie binnenkomt en de uitkomst snel te controleren is. Vier stappen komen in kantoren steeds terug:
- Uitlezen en ordenen van binnenkomende stukken die elke afzender anders opmaakt.
- Samenvatten van lange documenten in een vaste opbouw voor de vakspecialist.
- Eerste concepten van standaardcorrespondentie die een medewerker daarna redigeert.
- Indelen van binnenkomende vragen of mail op onderwerp en urgentie.
Elk van die stappen vraagt digitale invoer die volledig en consistent is. Ontbrekende velden of dubbele dossiers maken de uitkomst onbruikbaar, en daarom hoort AI data readiness bij de beoordeling van een stap, niet pas na de eerste mislukte proef.
In welke stappen blijft een mens beslissen?
Een mens blijft beslissen in elke processtap met een vakinhoudelijk oordeel, met uitzonderingen die per geval verschillen of met gevolgen voor een cliënt. Daar ligt de taak buiten de grens waarbinnen AI betrouwbaar werkt.
Rekenwerk hoort in de praktijk ook bij de stappen die je niet aan een taalmodel overlaat. Op zzpgeldzaken.nl bevatte de database die ik met AI had opgezet veel fouten, waardoor berekeningen en vergelijkingen op de site niet klopten. Teksten laten zich veel makkelijker automatiseren dan formules.
Soms is de reden om een stap handmatig te houden dat het model de informatie niet heeft. Zoekwoordenonderzoek is de enige stap die ik bewust niet automatiseer: een model weet niet waar mensen daadwerkelijk op zoeken, die kennis zit in zoekvolumedata.
Hoe begin je met AI procesoptimalisatie?
Om AI procesoptimalisatie te beginnen, kies je één proces en zoek je eerst de stap waar het werk blijft liggen. Vijf stappen in deze volgorde:
- Zoek de stap waar werk wacht, bijvoorbeeld een reviewronde of een inbox die volloopt.
- Meet hoe vaak het proces voorkomt, hoe lang het duurt en hoe vaak er iets wordt gecorrigeerd.
- Kies de kleinste ingreep die het knelpunt oplost: een werkafspraak, een vaste regel of AI.
- Test de ingreep op een kleine set echte gevallen voordat het hele proces erop overgaat.
- Vergelijk de uitkomst met de beginmeting en zoek daarna het volgende knelpunt in de keten.
Die volgorde komt bij mij uit eigen werk. Mijn eerste content-pipeline schreef en publiceerde volledig automatisch, en de kwaliteit was slecht. De oplossing was geen beter model maar een andere verdeling van het proces: ik schrijf nu met Claude en lees elke tekst zelf, alleen het plaatsen is nog automatisch.
Stap 4 slaan veel organisaties over. Een test-run op een kleine sample voordat een bulkverwerking start, vangt in mijn ervaring de meeste problemen af, en die kosten op dat moment nog niets.
Welke risico’s horen bij AI in een werkproces?
Bij AI in een werkproces horen drie risico’s: een fout die ongemerkt doorloopt, gegevens die verkeerd worden verwerkt en verantwoordelijkheid die onduidelijk wordt.
Een fout loopt door wanneer een stap buiten de grens van AI valt en niemand de uitkomst controleert. Bij de bank werkte ik onder meer op de fraudeafdeling, waar alles via het vier-ogen-principe liep. Dat principe vertaalt zich naar een proces met AI als een vaste controlestap op afwijkingen en twijfelgevallen.
Persoonsgegevens mogen alleen door een AI-stap met een grondslag en afspraken met de verwerker. Accounts op naam van de organisatie en een zakelijk abonnement bij de modelaanbieder zijn daarvoor de basis.
De verantwoordelijkheid voor de uitkomst blijft bij de professional, niet bij de tool. Artikel 4 van de AI-verordening vraagt organisaties bovendien sinds 2 februari 2025 om de AI-geletterdheid van medewerkers te ondersteunen; sinds 27 juli 2026 is dat een inspanningsverplichting op grond van Verordening (EU) 2026/1744.
Hoe ziet AI procesoptimalisatie eruit per sector?
AI procesoptimalisatie ziet er per sector anders uit, omdat het knelpunt en de grens van het vakinhoudelijke oordeel per beroep verschillen.
Hoe optimaliseert een notariskantoor processen met AI?
Een notariskantoor optimaliseert processen met AI vooral rond binnenkomende stukken en dossiervorming, zoals een koopovereenkomst die per mail van de makelaar komt en met de hand in het dossier belandt. Het beoordelen van de akte blijft bij de notaris, en veel dossiersystemen zijn gesloten, wat bepaalt welke stap zich laat koppelen. Waar AI voor juristen het werk versterkt en waar de grens ligt, geldt grotendeels ook voor het notariaat.
Hoe optimaliseert een accountantskantoor processen met AI?
Een accountantskantoor optimaliseert processen met AI vooral in de aanlevering: stukken van cliënten sorteren, gegevens eruit halen en uitvragen wat ontbreekt. Het oordeel achter een verklaring blijft bij de accountant. Voor AI voor accountants komt daar de NVKM bij, die per 1 januari 2027 ook voor de overige kantoren met assurance- of samenstelopdrachten geldt en aantoonbare beheersingsmaatregelen vraagt.
Hoe optimaliseert een marketingbureau processen met AI?
Een marketingbureau optimaliseert processen met AI vaak voorbij de productie, omdat schrijven al sneller gaat en het knelpunt naar review en rapportage verschuift. Klantrapportages zijn een duidelijk voorbeeld. Voor learnllm.nl, zzpgeldzaken.nl en de klantsites die ik bij Space’M Online beheer heb ik BigQuery ingericht als verzamelpunt, waardoor een analysevraag geen export- en plakwerk meer is.
Wanneer laat je een proces automatiseren?
Een proces laat je automatiseren wanneer AI procesoptimalisatie heeft laten zien dat één stap vast verloopt, de invoer digitaal binnenkomt, het bronsysteem een API of export heeft en de stap geen vakinhoudelijk oordeel vraagt. Voldoet een stap daaraan, dan is de volgende vraag wie hem bouwt en hoe de controle erin komt.
LearnLLM bouwt zulke automatiseringen per afgebakend werkproces: wie processen automatiseren met AI wil laten doen, krijgt één proces met documentatie, nazorg en desgewenst een controlestap met logging. Zo wordt de tijd die AI per taak wint ook tijd die het proces sneller maakt.
