Repetitieve werkzaamheden automatiseren met AI

De meeste banen bevatten een deel werk dat dezelfde stappen steeds opnieuw herhaalt: gegevens tussen spreadsheets kopiëren, statusupdate-e-mails schrijven, supporttickets sorteren, rapporten herformatteren. AI-ondersteunde automatisering betekent het gebruik van taalmodellen, scripting en bestaande tools samen zodat een computer dat deel afhandelt in plaats van een persoon.

Wat dit eigenlijk betekent

Hier zijn twee lagen die mensen vaak door elkaar halen. De ene is klassieke automatisering: scripts, cron jobs, Zapier/Make workflows, Excel-macro's. De andere is AI: een model dat ongestructureerde tekst kan lezen, samenvatten, classificeren of een ontwerp genereren. Het combineren ervan is waar de waarde zich voordoet. Een script kan 200 supporte-mails uit een inbox halen, een LLM kan elk ervan op urgentie en onderwerp classificeren, en een ander script kan ze naar de juiste wachtrij routeren. Geen van die drie stappen alleen is nieuw — de combinatie is wat uren scheelt.

Patronen die het waard zijn om te kennen

Teksttriage. Voer binnenkomende tekst (e-mails, tickets, formulierinzendingen) in een model met een prompt zoals "classificeer dit in facturering, technisch of verkoop, en geef urgentie 1-5." Output als JSON, parse het in Python, route dienovereenkomstig.

Samenvattingspijplijnen. Lange vergadertranscripten, lange pdf's, lange Slack-threads — een model condenseert ze tot drie punten. Tools zoals OpenAI's API, Anthropic's Claude, of lokale modellen via Ollama kunnen dit allemaal doen; de keuze hangt af van gegevensvertrouwelijkheid en kosten.

Gegevensextractie. Gestructureerde velden (factuurnummer, datum, bedrag) uit ongestructureerde documenten halen. Dit vereiste voorheen regex en OCR-afstemming; nu kan een model met visiemogelijkheden een gescande factuur lezen en clean JSON-velden direct retourneren.

Ontwerpen, niet beslissen. Automatisch een eerste versie van een e-mailantwoord, code-opmerking of rapportsectie genereren die een persoon bewerkt voordat deze wordt verzonden. Dit is het veiligste automatiseringspatroon omdat iemand de output nog steeds controleert.

Een minimaal werkend voorbeeld

Veel automatisering heeft geen fancy framework nodig. Python plus een API-aanroep plus een scheduler dekt de meeste gevallen af:

import openai, csv

with open("tickets.csv") as f:
    rows = csv.DictReader(f)
    for row in rows:
        resp = openai.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": f"Classify urgency 1-5 for: {row['text']}"}]
        )
        print(row["id"], resp.choices[0].message.content)

Voer dit uit met cron elk uur, of verpak het in een klein Flask-endpoint dat wordt geactiveerd door een webhook wanneer een nieuw ticket binnenkomt. Geen agent framework nodig om aan de slag te gaan.

Waar agent frameworks van pas komen

Zodra een taak meerdere stappen met beslissingen ertussenin nodig heeft — "controleer de agenda, schrijf vervolgens de e-mail, verzend deze vervolgens als het vertrouwen hoog is, anders markeer voor beoordeling" — tools zoals LangChain, CrewAI of n8n worden nuttig omdat zij die status en de tool-calling-logica beheren. Begin zonder ze. Voeg een framework alleen toe zodra een gewoon script moeilijk te volgen wordt, omdat frameworks debuggingoverhead toevoegen die niet de moeite waard zijn voor een taak van twee stappen.

Wat moet je eerst automatiseren

Kies taken die: minstens wekelijks worden herhaald, weinig risico lopen als ze af en toe fout gaan, en gemakkelijk te verifiëren zijn. Het opmaken van een wekelijks rapport is een goed eerste doel. Terugbetalingen automatisch goedkeuren is niet — de kosten van een fout zijn te hoog voor een eerste poging. Log elke geautomatiseerde beslissing ergens waar deze kan worden beoordeeld (een spreadsheet, een databasetabel, een Slack-kanaal) zodat fouten vroeg worden opgemerkt in plaats van drie maanden later. Implementeer één automatisering, voer deze twee weken parallel uit met het handmatige proces, vergelijk de output, en ga dan over.

Let op deze foutmodi

Modellen hallucineren vol vertrouwen, dus alles wat geld, juridische tekst of klantgericht commitments aanraakt heeft voordat het eruit gaat mensencontrole nodig. De kosten lopen snel op als een script een API aanroept voor elke rij van een spreadsheet met 50.000 rijen zonder batchverwerking of caching. En stille fouten zijn het ergste soort — een script dat op dinsdag stopt met werken en niemand merkt het op voor drie weken omdat er geen monitoring op plaats was.

Repetitieve werkzaamheden automatiseren gaat niet over het vervangen van oordeel, het gaat erover uren vrijmaken die oordeel eigenlijk niet vereist. Begin klein, log alles, en laat de saaie 80% zichzelf beheren.

Voor meer informatie over het bouwen van deze pijplijnen, bekijk de segmenten van Korra Studio over Python-scripting en AI-toolintegratief.