De bruikbare AI use cases in je organisatie vind je in één dagdeel met de mensen die het werk doen. Loop vijf tot acht processen langs, zoek naar veel herhaling, veel tekst of documenten, veel overtypen en een duidelijke uitkomst, en scoor elke kandidaat op waarde, haalbaarheid en beschikbare data. Aan het eind ligt er een korte lijst met twee of drie kandidaten.
Veel organisaties staan precies op dat punt. Volgens het CBS gebruikte in 2025 27% van de bedrijven met 10 tot 50 werkzame personen AI, tegen 45% van de bedrijven met 50 tot 250 werkzame personen. Van de bedrijven die AI hebben overwogen en het toch niet gebruiken, noemt 73% gebrek aan ervaring als belangrijkste reden.
Ervaring begint bij concreet maken waar AI in jouw werk iets oplevert, en daar is geen adviestraject van maanden voor nodig. Hieronder staat een werkvorm die je zelf kunt draaien: wie erbij hoort, welke processen je bespreekt, waar je op let en wat je aan het eind in handen hebt.
Waarom een dagdeel genoeg is om AI use cases te vinden
Een inventarisatie van AI use cases gaat over het werk zelf. De kennis daarover zit bij de mensen die elke dag orders invoeren, mails beantwoorden en rapportages samenstellen. Zij weten welke stap veel tijd kost, waar fouten ontstaan en welke uitzonderingen vaak terugkomen. Die kennis haal je in vier uur op, mits je de juiste mensen aan tafel hebt en een vaste structuur volgt.
Een korte sessie beschermt je ook tegen een bekende valkuil. Onderzoek van Harvard Business School en Boston Consulting Group onder 758 consultants liet zien dat AI bij taken die het goed aankan veel oplevert: 12,2% meer taken en 25,1% sneller klaar. Bij een taak die buiten dat bereik lag, kwamen consultants met AI juist 19 procentpunt minder vaak tot een juiste oplossing. De onderzoekers noemen die grens grillig: taken die even moeilijk lijken, vallen er soms aan verschillende kanten van. Daarom begin je bij concrete processtappen. Een algemene vraag als "wat kan AI voor ons doen" levert die precisie niet op.
Wie je uitnodigt en wat je voorbereidt
Houd de groep klein, zes tot acht mensen is genoeg. Nodig uit:
- Twee of drie mensen uit de uitvoering. Zij kennen de handelingen, de uitzonderingen en de omwegen.
- Een proceseigenaar of operationeel manager. Die weet wat een stap kost en wat verbetering waard is.
- Iemand van IT of applicatiebeheer. Die weet waar de data staat en welke systemen erbij horen.
- Een beslisser. Die kan aan het eind zeggen welke kandidaat verder mag.
Vraag vooraf per proces om drie dingen: een ruwe schatting van het aantal keer per week, twee of drie echte voorbeelden (een mail, een formulier, een rapport) en de systemen die erbij horen. Met echte voorbeelden op tafel blijft het gesprek concreet.
| Tijd | Onderdeel |
|---|---|
| 30 minuten | Doel, spelregels en de vier signalen uitleggen |
| 90 minuten | Processen langslopen, stappen en voorbeelden bespreken |
| 60 minuten | Kandidaten scoren op waarde, haalbaarheid en data |
| 30 minuten | Top drie kiezen en de eerste stap afspreken |
| 30 minuten | Reserve voor uitloop en open vragen |
Welke processen je langsloopt
Kies processen met volume, want daar zit de terugverdientijd. Goede startpunten zijn:
- Inkomende mails en berichten sorteren en doorzetten
- Orders, offerteaanvragen of facturen invoeren vanuit PDF's
- Klantvragen beantwoorden met informatie uit handleidingen of dossiers
- Rapportages en verslagen samenstellen uit meerdere bronnen
- Documenten controleren op volledigheid voordat ze verder gaan
Vraag per proces wie het doet, hoe vaak, hoe lang één keer duurt en wat er gebeurt als het misgaat. Laat de uitvoerders de stappen hardop doorlopen met een echt voorbeeld erbij. Noteer elke stap waar iemand leest, overtypt, samenvat of een keuze maakt uit een vaste set mogelijkheden. Dat zijn de kandidaten.
Het CBS ziet dat 32% van de bedrijven die AI gebruiken het inzet voor administratie of bedrijfsvoering, zoals planning en vertalingen. Dat zijn precies de processen die in bijna elke organisatie terugkomen.
Signalen die wijzen op een goede AI use case
Vier signalen komen steeds terug bij kandidaten die iets opleveren:
- Veel herhaling. Dezelfde handeling tientallen of honderden keren per week. Een kleine tijdwinst per keer telt dan snel op.
- Veel tekst of documenten. Mails, contracten, werkbonnen, klachten, verslagen. Taalmodellen zijn sterk in lezen, samenvatten en ordenen van tekst.
- Veel overtypen. Gegevens die iemand van het ene document of systeem naar het andere overzet.
- Een duidelijke uitkomst. Je kunt achteraf vaststellen of het resultaat klopt: het juiste veld, de juiste categorie, een volledig antwoord.
Het onderzoek naar tekstwerk ondersteunt dit. In een experiment in Science deden professionals met ChatGPT schrijftaken in 40% minder tijd, terwijl de kwaliteit met 18% steeg. Bij een klantenservice met 5.179 medewerkers loste een AI assistent 14% meer vragen per uur op, en voor nieuwe en minder ervaren medewerkers was dat 34%. In beide gevallen bleef een mens het werk doen en beoordelen. AI werkt het best wanneer mensen er dichtbij blijven.
Signalen dat AI hier weinig oplevert
Een inventarisatie wordt pas bruikbaar als je ook durft te schrappen. Zet een kandidaat opzij bij deze signalen:
- Het gebeurt zelden. Een handeling die vier keer per maand voorkomt, levert te weinig op om een oplossing te bouwen en te beheren.
- De regels liggen vast. Als elke stap met een vaste regel te beschrijven is, werkt gewone procesautomatisering sneller, goedkoper in beheer en voorspelbaarder.
- Niemand kan de uitkomst controleren. Een fout die pas maanden later zichtbaar wordt, is een slecht vertrekpunt.
- De data bestaat niet of is onbereikbaar. Informatie die alleen in hoofden of op papier zit, moet eerst vastgelegd worden.
- Het vraagt vooral oordeel en onderhandeling. Een taak waarbij ervaren mensen onderling van mening verschillen over het goede antwoord, valt vaak buiten het bereik van AI.
Kandidaten scoren op waarde, haalbaarheid en data
Geef elke kandidaat een score van 1 tot 3 op drie punten. Doe het samen en snel, discussie over een half punt levert niets op.
| Criterium | 1 | 2 | 3 |
|---|---|---|---|
| Waarde | Weinig uren of weinig impact op fouten en doorlooptijd | Merkbare winst voor één team | Grote winst in uren, fouten of doorlooptijd |
| Haalbaarheid | Veel systemen, veel uitzonderingen, uitkomst moeilijk te toetsen | Enkele uitzonderingen, uitkomst deels te toetsen | Afgebakende stap, uitkomst direct te toetsen |
| Data | Nauwelijks voorbeelden of alleen op papier | Voorbeelden aanwezig, verspreid over systemen | Honderden digitale voorbeelden op één plek |
Tel de scores op. Een kandidaat met 8 of 9 punten is een serieuze eerste stap. Een 1 op data betekent meestal dat eerst iets anders moet gebeuren, zoals gegevens digitaal vastleggen of een systeem ontsluiten.
Leg bij elke kandidaat ook vast waar de mens blijft. Wie controleert de uitkomst, wie beslist bij twijfel en wat gebeurt er met afwijkingen. Die afspraak hoort bij de use case zelf en bepaalt hoeveel vertrouwen het team straks in de oplossing heeft.
Wat je aan het eind op tafel hebt
Na vier uur heb je vijf concrete uitkomsten:
- Een lijst van alle besproken processtappen met hun volume
- Een gescoorde lijst kandidaten met waarde, haalbaarheid en data
- Een top drie met per kandidaat de rol van de mens in het proces
- Een lijst met afgevallen ideeën en de reden waarom
- Een afgesproken eerste stap met een eigenaar en een datum
Die eerste stap is bijna altijd een kleine proef op echte data. Neem honderd echte voorbeelden, laat een model de taak uitvoeren en laat de uitvoerders de uitkomsten beoordelen. Dan weet je binnen enkele weken of de winst overeind blijft. Meet vooraf hoe lang de stap nu duurt en hoe vaak er iets fout gaat. Zonder die nulmeting kun je achteraf niet laten zien wat de proef heeft opgeleverd, en wordt de keuze om door te gaan een kwestie van gevoel.
Blijft de kandidaat overeind, dan begint het bouwwerk: de AI stap koppelen aan de systemen waar de data vandaan komt en waar de uitkomst naartoe moet. Daar zit in de praktijk het meeste werk. Isatis bouwt al ruim dertig jaar software die dit soort koppelingen draagt, van onderhoudssoftware voor de luchtvaart tot een platform voor subsidieadministratie en RFID in de supply chain. Met 30+ engineers in Nijmegen en Sarajevo en meer dan 100 projecten helpen we bij praktische data en AI, de koppeling met je bestaande systemen en onafhankelijk advies over architectuur. Zakelijke waarde staat daarbij voorop, experimenten om het experiment laten we liggen. Neem contact op als je je top drie wilt laten toetsen.
Veelgestelde vragen
Wat is een AI use case?
Een AI use case is een concrete stap in een bedrijfsproces waarin AI een taak uitvoert of ondersteunt, met een meetbare uitkomst. Voorbeelden zijn inkomende mails op onderwerp sorteren, gegevens uit PDF's overnemen of een eerste versie van een antwoord opstellen. Een goede use case benoemt ook wie de uitkomst controleert.
Hoeveel tijd kost een inventarisatie van AI use cases?
Met goede voorbereiding is één dagdeel van ongeveer vier uur genoeg. Vooraf verzamel je per proces een schatting van het volume, enkele echte voorbeelden en de betrokken systemen. De uitwerking van de beste kandidaat in een kleine proef volgt daarna.
Wie moet er bij de inventarisatie zijn?
Zes tot acht mensen: twee of drie medewerkers die het werk doen, een proceseigenaar, iemand van IT en een beslisser. De uitvoerders zijn het belangrijkst, omdat zij de stappen, uitzonderingen en omwegen kennen.
Wanneer is gewone automatisering beter dan AI?
Als elke stap met vaste regels te beschrijven is en de invoer altijd dezelfde vorm heeft, is regelgebaseerde automatisering meestal de betere keuze. Die is voorspelbaar en eenvoudig te testen. AI past beter bij taken met veel vrije tekst, wisselende documenten en een uitkomst die een mens snel kan controleren.
