Welke processen automatiseer je als eerste?

De meeste automatiseringsprojecten mislukken niet omdat de technologie er niet klaar voor is. Ze mislukken omdat het verkeerde proces als eerste is gekozen. Teams grijpen naar het pijnlijkste, meest ingewikkelde probleem, dat ene waar iedereen over klaagt, en ontdekken dat het juist pijnlijk is omdat het rommelig en lastig af te bakenen is. Het project sleept zich voort, het vertrouwen lekt weg en het hele idee van automatisering krijgt intern een slechte naam.

De betere zet is bijna het tegenovergestelde. Je eerste automatisering draait niet echt om zoveel mogelijk uren besparen; ze moet bewijzen dat de aanpak werkt. Een schone, zichtbare win, iets dat elke dag stilletjes zijn werk doet en mensen verlost van een klus die ze toch al niet leuk vonden, koopt het vertrouwen om daarna grotere dingen aan te pakken. Dit artikel geeft je een simpele manier om die kandidaat te herkennen en de valkuilen te vermijden waar vroege projecten op stuklopen.

Scoor je kandidaten voordat je begint

Begin met een lijst van de repetitieve taken die je team echt doet, niet de grote ambities, maar het dagelijkse werk. Scoor elke taak vervolgens eerlijk op een handvol criteria. Gewogen formules zijn niet nodig; een ruwe hoog, gemiddeld of laag per criterium is genoeg om de sterke kandidaten eruit te laten springen.

• Frequentie en volume. Hoe vaak komt dit voor? Iets dat vijftig keer per dag gebeurt, levert geautomatiseerd veel meer op dan iets dat twee keer per maand voorbijkomt.
• Tijdsbesteding. Hoe lang duurt elk geval, en hoeveel daarvan is saai handwerk waar iemand zich aan ergert?
• Foutgevoeligheid. Is dit een taak waar vermoeide mensen fouten maken, verkeerd overgetypte cijfers, overgeslagen stappen, dingen die tussen wal en schip vallen? Consistentie is precies waar machines in uitblinken.
• Hoe helder de logica is. Kun je de stappen opschrijven, als vaste als-dit-dan-dat regels of als een taak die je met één A4’tje instructie aan een nieuwe collega kunt geven? Strak geregeld werk past bij klassieke automatisering; vagere taaltaken zoals sorteren of concepten schrijven passen tegenwoordig bij AI, zolang de output makkelijk te controleren is.
• Beschikbaarheid van data. Zit de informatie die de taak nodig heeft al in een systeem waar je bij kunt, een formulier, een database, een inbox, in een gestructureerde, betrouwbare vorm? Als die versnipperd is of alleen in iemands hoofd zit, is dat een hobbel.

Weeg die pluspunten daarna af tegen twee tegenkrachten. De eerste is risico: wat gebeurt er als de automatisering het fout doet? Een verkeerd gearchiveerde interne notitie is onschuldig; een foute factuur naar een klant niet. De tweede is variatie: hoeveel verschilt de taak van geval tot geval? Werk dat er elke keer anders uitziet, laat zich slecht in regels vangen en is een slechte eerste keuze.

Waar je een goede eerste kandidaat aan herkent

Leg die criteria naast elkaar en er ontstaat een patroon. De ideale eerste automatisering is repetitief, hoog volume, gestructureerd, rule-based en laag risico, het soort taak waarbij het juiste antwoord voor de hand ligt en een zeldzame fout weinig kost. Dat wijst naar een herkenbaar rijtje klussen.

• Data-invoer en informatie overzetten tussen systemen, waarbij dezelfde velden van de ene plek naar de andere gaan.
• Sorteren, routeren en triage: inkomende e-mails of tickets taggen en naar de juiste persoon sturen.
• Standaardantwoorden opstellen op veelvoorkomende, voorspelbare vragen, klaar voor een mens om even na te kijken en te versturen.
• Rapportages genereren: dezelfde cijfers volgens schema in hetzelfde format gieten in plaats van met de hand.
• Opzoekwerk en controles, zoals een orderstatus ophalen, een gegeven verifiëren of cijfers verzamelen die over verschillende tools verspreid staan.

Wat deze taken gemeen hebben is helderheid. De stappen zijn te beschrijven, de input is netjes en een mens kan de output makkelijk controleren, precies wat je de eerste keer wilt.

Wat je voor later bewaart

Minstens zo veelzeggend is waar je niet mee moet beginnen. Sommig werk is op termijn echt de moeite waard om te automatiseren, maar een beroerde plek om te starten, omdat het de technologie en het geduld van je team tegelijk op de proef stelt.

• Werk dat veel oordeel vraagt en afhangt van nuance, context of onderhandeling, het soort beslissingen waarvoor mensen juist om hun ervaring worden betaald.
• Taken met een hoog risico, waar een fout duur is, lastig terug te draaien, of bij een klant of toezichthouder terechtkomt.
• Rommelige processen vol uitzonderingen, waar bijna elk geval een aparte behandeling lijkt te vragen en de regels steeds meebuigen.

Niets hiervan is voorgoed verboden terrein. Het hoort simpelweg pas aan de beurt als je een bewezen trackrecord hebt en het vertrouwen, bij jou en je team, dat automatisering zijn geld waard is.

Rule-based of AI? Weet welk gereedschap je pakt

In 2026 dekt het woord automatisering twee behoorlijk verschillende dingen, en weten welke van de twee een taak nodig heeft, scheelt je een hoop ellende. Klassieke rule-based automatisering volgt vaste logica: bij dezelfde input doet ze elke keer hetzelfde, en als ze faalt, faalt ze meestal luid en voorspelbaar. Geld overboeken tussen systemen, volgens schema een rapport genereren, een formulier naar de juiste wachtrij sturen: hier blinkt deterministische automatisering nog steeds in uit, en het hoort je standaardkeuze te zijn zodra de stappen vast te leggen zijn.

AI-modellen, de grote taalmodellen achter de meeste slimme features van nu, zijn wezenlijk anders. Ze zijn oprecht goed in het vage taalwerk waar regels nooit goed mee overweg konden: rommelige tekst lezen, classificeren en taggen, samenvatten, velden uit een document halen, een eerste antwoord opstellen. Maar ze zijn probabilistisch, niet deterministisch. Ze kunnen vloeiend en zelfverzekerd klinken en toch fout zitten, en ze falen zelden op een opvallende manier. Die ene eigenschap bepaalt waar ze als eerste thuishoren.

• Zet AI in waar een mens de output in een paar seconden kan nakijken en een fout er zo uitpikt, een concept-e-mail, een voorgestelde categorie, een korte samenvatting, niet waar het antwoord ongecontroleerd de deur uit gaat.
• Laat het model voorstellen, niet beslissen. Laat het het antwoord, de tag of de conceptinvoer voorbereiden, en laat een mens of een harde regel alles goedkeuren dat geld uitgeeft, een klant benadert of een record wijzigt dat lastig terug te draaien is.
• Voer het nette, relevante input. AI kan met veel rommeliger data overweg dan oude automatisering, maar rommel erin betekent nog steeds zelfverzekerde rommel eruit, nu verpakt in vloeiend proza.

De praktische conclusie: AI heeft verbreed wat een verstandig eerste project kan zijn, maar de regels in dit artikel niet afgeschaft. Integendeel, het maakt taken met laag risico die makkelijk na te kijken zijn juist waardevoller, omdat de fouten van deze technologie stiller zijn en lastiger te spotten dan die van een kapot script.

Gebruik impact versus moeite, en begin klein

Een snelle manier om de knoop door te hakken is je kandidaten op twee assen te zetten: hoeveel impact automatiseren zou hebben, en hoeveel moeite het kost om te bouwen. De sweet spot voor een eerste project is hoge impact, weinig moeite, een klus die ertoe doet en tegelijk echt eenvoudig te automatiseren is. De ideeën met hoge impact én veel moeite zijn je tweede of derde project, niet je eerste.

Kies eerst de saaie, voor de hand liggende win. Een stil succes waar je naar kunt wijzen is meer waard dan een ambitieus project dat vastloopt.

Wat je ook kiest, begin klein en meet. Automatiseer één smal stuk, spreek vooraf af hoe succes eruitziet, bespaarde uren, minder fouten, snellere doorlooptijd, en toets dat na een paar weken aan de werkelijkheid. En houd een mens in de loop, zeker in het begin: laat de automatisering het repetitieve werk doen en laat iemand de output nakijken of de enkele uitzondering oppakken die ze signaleert. Zo houd je de controle, en het weerspiegelt de eerlijke waarheid dat de beste resultaten komen van mensen die door AI worden versterkt, niet vervangen.

Automatiseer geen kapot proces

Eén valkuil verdient een eigen waarschuwing, want zelfs zorgvuldige teams trappen erin. Als een proces kapot is of vol workarounds zit, repareert automatiseren het niet, het laat de rommel alleen sneller draaien en maakt hem slechter zichtbaar. Je bakt de fouten erin vast en verliest het menselijke oordeel dat ze stilletjes bleef opvangen.

Kijk dus eerst naar het proces zelf voordat je iets automatiseert. Zijn er stappen die alleen uit gewoonte bestaan? Goedkeuringen die niemand leest? Data die twee keer wordt ingevoerd? Repareer of versimpel het proces eerst, en automatiseer daarna de schone versie. Vaak legt alleen al het uittekenen ervan de verbeteringen bloot die je sowieso had moeten doorvoeren.

Een quick-win-checklist voor maandag

Wil je iets concreets om de week mee te beginnen, loop dan dit korte lijstje door. Het kost een uur of twee en wijst meestal rechtstreeks naar je eerste project.

1. 1Zet de repetitieve taken op een rij die je team dagelijks of wekelijks doet, de routineklussen, niet de grote projecten.
2. 2Noteer per taak snel een hoog, gemiddeld of laag voor frequentie, tijdsbesteding, foutgevoeligheid, hoe helder de logica is en of de data makkelijk bereikbaar is.
3. 3Streep voor nu alles door dat veel risico of oordeel vraagt of vol uitzonderingen zit.
4. 4Vraag je bij wat overblijft af: klopt het onderliggende proces eigenlijk wel, of moet dat eerst gerepareerd?
5. 5Kies de taak die hoog scoort op impact en laag op moeite, de saaie, voor de hand liggende win.
6. 6Bepaal in cijfers hoe succes eruitziet, spreek af hoe een mens de output nakijkt, en begin met die ene taak.

Krijg je die eerste goed, dan wordt de rest makkelijker. Je hebt een werkend voorbeeld om naar te wijzen, een scherper beeld van wat je systemen aankunnen, en een team dat automatisering heeft zien helpen in plaats van hinderen. Dat is het fundament waar elk groter project op staat.