Automatiseren met AI in een gewoon bedrijf: mijn 5 keuzes om te beginnen

"88% van de bedrijven gebruikt AI. Slechts 6% doet er meer mee dan chatten" - McKinsey State of AI Report 2025

Die twee cijfers vertellen het hele verhaal van AI in het bedrijfsleven op dit moment. Bijna iedereen is bezig. Bijna niemand haalt er serieuze waarde uit.

Als je leest op LinkedIn lijkt het alsof je compleet achterloopt. Posts van mensen die beweren dat hun twintig agents hun CEO, COO en marketingmanager zijn. Screenshots van iemand die vijf bedrijven runt vanaf een strand. Ik begrijp waarom het aanspreekt, maar als je een echt bedrijf runt waar processen moeten werken, is dit niet het verhaal dat je helpt.

Ik bouw voor mijn werk AI-automatiseringen voor bedrijven die in die 88% zitten en naar die 6% willen. Dit is geen artikel over agents die je bedrijf runnen. Het is een eerlijke kijk van een AI-engineer op waar je als gewoon bedrijf (logistiek, productie, dienstverlening, MKB) vandaag praktisch mee kunt beginnen. Vijf keuzes die bij ons, bij Two Rocks, het verschil maken tussen een demo die iedereen leuk vindt en een systeem dat maanden later nog steeds draait.

Vooraf één ding: dit artikel gaat niet echt over AI. Het gaat over automatisering. AI is alleen het stuk gereedschap dat automatisering eindelijk mogelijk maakt voor taken waar het vroeger niet kon — ongestructureerde tekst begrijpen, context combineren, taal interpreteren, documenten lezen. Dat onderscheid is belangrijk, en je gaat het in elke les terugzien.

1. Kies flexibele infrastructuur, geen vendor lock-in

De modellen en tools in AI-land veranderen elke paar maanden. Wat vandaag de beste keuze is, is over een half jaar de tweede keus. Wie nu vastzit aan één platform, loopt binnenkort achter op de bedrijven die nog kunnen schakelen.

Dat betekent niet dat Copilot of Power Automate slechte tools zijn. Het betekent dat ze geweldig zijn voor kleine demo's, maar in de weg gaan zitten zodra je iets wilt bouwen dat echt productiewaardig is. Je bouwt daar je business logica in, en op het moment dat je wilt schakelen, is alles vast gelopen aan de tool en niet aan je bedrijf.

Bij Two Rocks kiezen we voor full-code als het om serieuze automatisering gaat:

• Infrastructuur waar agents herhaalbaar en durable draaien (crash-bestendig, retryable, replayable)
• Poorten & adapters zodat elke component swappable is — vandaag Bedrock, morgen iets anders
• Toegang tot je interne kennisbronnen en tools via een aparte, beheerde laag die je kunt monitoren
• Observabiliteit en cost tracking van dag één

Dit klinkt als overkill voor één proces. Dat is het ook — voor één proces. Maar de eerste automatisering is altijd de duurste. Alles wat je daarna bouwt leunt op hetzelfde fundament en kost een fractie.

En een belangrijke nuance: niet elk probleem is een LLM-probleem. Een voorspelling op gestructureerde data (voorraadprognose, churn, fraude) draait prima op traditionele machine learning voor ongeveer één duizendste van de kosten van een LLM-call. Kies het juiste gereedschap voor het probleem, niet het gereedschap waar je het meest over hebt gehoord.

2. Begin bij het saaie proces van 15 minuten

De juiste eerste vraag is niet "wat kan AI?", maar "waar verliest mijn team elke dag stiekem tijd?"

Elke medewerker verliest elke dag tijd aan repeterende, handmatige taken die niemand telt maar iedereen doet:

• Ongestructureerde e-mails omzetten naar CRM-entries
• Inkomende support-tickets classificeren en toewijzen
• Offertes voorverwerken uit aanvragen
• Factuurdata extraheren uit PDF's
• Orders uit e-mailverkeer in het ERP zetten

Reken het eens uit voor je eigen bedrijf. Stel dat dat voor jouw team 15 minuten per dag per medewerker is. Met twintig medewerkers × tweehonderd werkdagen kom je op ruim duizend uur per jaar in verborgen tijd. Dat is een halve FTE die niet op je loonlijst staat maar wel elke maand verdwijnt.

Dát is waar je begint. Niet bij het grootste proces, niet bij het meest sexy proces — bij het frustrerendste proces. De taak die iedereen saai vindt en die iedereen graag weg wil hebben.

Een concreet voorbeeld uit de praktijk: bij een van onze klanten zijn we begonnen met het automatiseren van hun support ticket-afhandeling. Één proces. Elk binnenkomend ticket wordt geclassificeerd, verrijkt met kennis uit eerdere cases, en voorzien van een concept-antwoord — allemaal voordat een engineer het ticket opent.

Dit is geen "gewoon een LLM-call". De LLM is misschien 10% van het systeem. De andere 90% is architectuur: workflow-orchestratie, retrieval, kwaliteitscontrole, menselijke check, feedback loop.

Click to zoom

Maar hier komt de clou van deze les: we hebben voor dat ene proces de hele infrastructuur neergezet. Workflow-engine, kennisbank, scorers, evals, toegang tot hun tooling. Dat is relatief veel werk voor die eerste automatisering. Maar nu dat fundament er staat, is de volgende automatisering bij dezelfde klant vele malen sneller en goedkoper. Nieuwe business logica, zelfde infrastructuur, copy-paste van de patronen die werken.

Dat is waarom "klein beginnen" niet hetzelfde is als "klein blijven". Je eerste proces is een investering in een platform waar al je volgende processen op gaan landen.

Nog één ding over dit soort automatiseringen: voor 90% van de MKB-use-cases heb je geen autonome agents nodig. Je hebt workflows nodig met duidelijke routing en chaining. Een human-in-the-loop die in het begin alles goedkeurt. Simpeler is betrouwbaarder. De "twintig agents die je bedrijf runnen" posts op LinkedIn zijn grotendeels theater — in de praktijk draait het overgrote deel van werkend AI-werk op vaste patronen met menselijke supervisie. En dat is goed nieuws, want het is veel makkelijker en goedkoper dan wat je op LinkedIn ziet.

3. Meet alles vanaf dag één

LLM's zijn niet-deterministisch. Dezelfde vraag kan tien keer een iets ander antwoord geven. Dat is geen bug, dat is hoe het werkt. Maar het betekent wel dat zonder meten je pas in productie erachter komt dat iets stuk is — en dan is het te laat, want je klanten (of je eigen team) hebben het al gezien.

Een AI-systeem dat productie overleeft heeft drie dingen nodig:

• Observabiliteit — wat gebeurt er in elke call? Wat gaat erin, wat komt eruit, hoeveel tokens, welke kosten, welke route heeft het systeem gekozen? Elke interactie wordt getraced.
• Evaluatie — klopt de output eigenlijk wel? Bouw een golden dataset van bekende goede input-output paren, laat scorers automatisch draaien op elke call, en signaleer wanneer de kwaliteit afdrijft.
• Optimalisatie — als je meet kun je verbeteren. Welke prompts werken, welke retrieval-strategieën halen de juiste kennis op, waar kun je tokens (en dus geld) besparen zonder in te leveren op kwaliteit.

Deze drie vormen samen een continue loop. Bij Two Rocks draait dat op Langfuse voor tracing en evals (EU-hosted, GDPR-proof) in combinatie met een intern patroon waar we elke LLM-call inpakken als een pure functie met ingebouwde scorers. Elke call is testbaar, cachebaar en reproduceerbaar. Je weet bij elke afwijking precies waar het misging.

De harde waarheid: 95% van AI-projecten faalt op dit onderdeel. Niet op het model, niet op de prompt, niet op de infrastructuur — maar op de evaluatie. Wie niet meet, kan niet verbeteren. Wie niet kan verbeteren, blijft hangen in een prototype dat iedereen cool vindt maar niemand vertrouwt om er geld aan op te hangen.

En dit is ook waar cost management zit. LLM-rekeningen kunnen snel uit de hand lopen, en zonder observability is het niet te voorspellen wat één automatisering je per maand gaat kosten. Dat moet vanaf dag één in beeld.

4. Bouw cultuur, niet alleen een systeem

Een werkende automatisering die niemand gebruikt of vertrouwt, is geen winst. Dit is waar de meeste bedrijven onderschatten hoeveel werk er zit tussen "het werkt technisch" en "het is ingebed in de organisatie".

Maar er gebeurt iets interessants zodra je eerste automatisering écht werkt en een medewerker elke dag merkt dat hij vijftien minuten sneller klaar is. Die medewerker begint zelf te denken. "Zou dit ook kunnen voor onze inkomende offertes? En voor onze facturatiecontrole? En voor het voorbereiden van onze maandrapportages?"

Dát is het moment waarop AI-adoptie verschuift van IT-project naar cultuur. En dat gebeurt alleen als je eerste case een zichtbare, tastbare frustratie wegneemt. Niet het grootste proces kiezen. Niet het meest sexy proces. Het frustrerendste proces.

Twee dingen die je moet meenemen in deze les:

• Garbage in is nog steeds garbage out. LLM's kunnen redeneren en actie ondernemen, maar ze zijn niet magisch. Slechte documentatie, versnipperde kennis, inconsistente data — allemaal zorgen ze voor slechte output. Onderdeel van AI-klaar worden is je documentatie op orde krijgen. Als niemand in je bedrijf weet waar de definitieve versie van een document staat, gaat een RAG-systeem je dat ook niet vertellen.
• Het zijn nog steeds mensen die het moeten goedkeuren. Human-in-the-loop is geen zwakte van AI, het is het ontwerp. Je team keurt in het begin alles goed. Elke correctie is een signaal waar het systeem van leert. Dat heet een feedback loop en het is hoe je van een prototype naar een systeem komt dat écht beter wordt.

De echte winst van AI in je bedrijf is niet dat je banen wegsnijdt. Het is dat je mensen weer laat doen waar ze goed in zijn, door ze te bevrijden van de taken die niemand leuk vindt. Dat is ook de overtuiging waarmee wij bij Two Rocks werken: AI is het gereedschap dat mensen ruimte geeft, niet vervangt.

5. Zorg voor eigenaarschap: intern of met een partner

Iemand in je organisatie moet AI-systemen kunnen begrijpen, aansturen en evalueren. Of die rol zit intern, of je hebt een partner die 'm draagt — maar er moet eigenaarschap zijn. Zonder eigenaar is elk AI-project een wees.

AI engineering is een nieuw vakgebied. Het is niet meer alleen software bouwen. Het gaat over prompt engineering, retrieval, context management, agent-patronen, evals, en het managen van niet-deterministisch gedrag. Dat is een andere discipline dan klassieke full-stack development.

Je hebt grofweg twee paden:

• Bouw intern eigenaarschap. Laat een bestaande developer omscholen, of neem iemand aan die deze stack wil leren. Geef die persoon ruimte om RAG, evals, agent-patronen en observability echt te doorgronden. Dit is geen cursus van een week — het is een leerreis van maanden. Maar het resultaat is dat jouw bedrijf zelf controle krijgt over zijn AI.
• Kies een partner die transparant werkt. Niet elk MKB heeft de bandbreedte om een interne AI-engineer op te leiden. Dan is een externe partner logischer. Maar stel wel de juiste eisen. Vraag niet alleen "kunnen jullie dit bouwen?" — vraag door: "Hoe ziet jullie observabiliteit eruit en kan ik als klant daarin meekijken? Hoe meten jullie kwaliteit? Welke kosten hebben we per request? En wat gebeurt er met deze automatisering als onze relatie over een jaar eindigt?" Een goede partner geeft op al deze vragen direct antwoord.

Wat je ook kiest: scoping is kritiek. De meeste productie-agents falen niet op technologie, ze falen op scope creep — het gaandeweg uitbreiden van een automatisering met extra wensen en edge cases, waardoor het project nooit afgerond raakt en nooit in productie komt. Begin met één proces. Één duidelijke taak. Één meetbaar resultaat. Breid pas uit als dat werkt, en pas wanneer de infrastructuur uit les 1 echt staat.

Tot slot

Dit zijn de vijf lessen waarmee ik zou beginnen als ik vandaag een gewoon bedrijf zou runnen en AI in mijn processen wilde krijgen:

1. Kies flexibele infrastructuur, geen vendor lock-in
2. Begin bij het saaie proces van 15 minuten
3. Meet alles vanaf dag één
4. Bouw cultuur, niet alleen een systeem
5. Zorg voor eigenaarschap, intern of met een partner

Geen ervan gaat echt over AI. Ze gaan over infrastructuur, proceskeuze, meten, cultuur en eigenaarschap. AI is alleen het gereedschap dat dat allemaal eindelijk mogelijk maakt voor werk waar we tot voor kort handmatig in bleven hangen.

De 6% die er al wél waarde uit haalt, heeft niet de beste modellen of de grootste budgetten. Die bedrijven hebben deze lessen simpelweg eerder geleerd dan de rest. Als dit artikel iets duidelijk maakt, dan dit: je hoeft niet ambitieus te beginnen, je hoeft niet groot te beginnen, je moet alleen beginnen bij het juiste. En het juiste is meestal het saaie proces van vijftien minuten dat niemand in je bedrijf wil doen.

En wanneer deze vijf lessen landen komt het volgende vraagstuk vanzelf: hoe geef je je team veilig toegang tot al deze automatiseringen zonder dat iedereen op eigen houtje een losse ChatGPT- of Claude-licentie heeft? Dat gaat over MCP-servers, tenant isolation en gecontroleerde toegang — en daar schrijf ik binnenkort een vervolgartikel over.