In een goede AI workflow legt de software per processtap vast wat het model mag. Het model leest, ordent en doet een voorstel. Een mens geeft akkoord op alles wat geld, klanten of afspraken raakt, op alles wat buiten een vooraf ingestelde drempel valt en op elke uitzondering. Elk voorstel en elk besluit komt in een logboek en is terug te draaien.
AI zit inmiddels in gewone bedrijfsprocessen. Van de Nederlandse bedrijven met 50 tot 250 werkzame personen gebruikte 45% in 2025 AI, en 32% van de AI gebruikers zet het in voor bedrijfsadministratie of bestuurstaken. In de hele EU steeg het aandeel bedrijven met tien of meer werkzame personen dat AI gebruikt van 13,5% in 2024 naar 20,0% in 2025. Daarmee komt het model terecht in orderverwerking, facturen, tickets en aanvragen, precies waar een fout direct gevolgen heeft.
Bij Isatis gaan we uit van een eenvoudige verdeling: AI werkt het best wanneer mensen er dichtbij blijven. Het model stelt voor, een mens keurt goed. Hieronder lees je hoe je dat per processtap kiest en hoe je drempels, uitzonderingen, logging en terugdraaien in de software zelf bouwt.
Wat een AI workflow is en waar het model in past
Een AI workflow is een bedrijfsproces waarin een of meer stappen door een taalmodel of ander AI model worden uitgevoerd, terwijl de volgorde van het proces vastligt in gewone code. Het model leest bijvoorbeeld een inkomende factuur en vult de velden. De software bepaalt wat er daarna gebeurt.
Anthropic, de maker van het model Claude, maakt in zijn technische handleiding over agents hetzelfde onderscheid tussen een workflow en een agent die zelf zijn route kiest:
"Workflows are systems where LLMs and tools are orchestrated through predefined code paths."
Voor een orderproces of een facturenstroom is die vaste route de verstandige keuze. Je weet welke stap het model doet, welke gegevens het ziet en waar het resultaat naartoe gaat.
Dat onderscheid doet ertoe, want de verwachtingen lopen hard op. Gartner voorspelde in juni 2025 dat in 2028 minstens 15% van de dagelijkse werkbeslissingen autonoom door AI agents wordt genomen. In hetzelfde bericht staat dat meer dan 40% van de projecten met AI agents voor eind 2027 wordt stopgezet, onder meer door onvoldoende beheersing van risico's. Wie de grenzen vooraf in de software legt, voorkomt dat tweede scenario.
Drie niveaus per processtap: voorstellen, akkoord en zelfstandig
Het helpt om elke stap in het proces een niveau te geven. Wij werken met drie niveaus, en elk niveau is een instelling in de software die je per stap kunt wijzigen.
| Niveau | Wat het model doet | Wat de mens doet | Voorbeeld |
|---|---|---|---|
| Voorstellen | Leest en vult een concept | Controleert, past aan en keurt goed | Een factuur boeken op een grootboekrekening |
| Akkoord bij uitzondering | Voert zelf uit binnen de drempel | Beoordeelt alleen wat buiten de drempel valt | Een order van een bekende klant met bekende artikelen |
| Zelfstandig | Voert uit en legt vast | Controleert steekproefsgewijs achteraf | Een ticket labelen en naar het juiste team sturen |
De meeste stappen beginnen op het eerste niveau. Een stap schuift pas op wanneer je met cijfers kunt laten zien dat de voorstellen van het model in die stap vrijwel altijd worden overgenomen. Stappen met grote of blijvende gevolgen blijven op het eerste niveau, hoe goed het model ook scoort.
Zo kies je per processtap wie beslist
De keuze per stap volgt uit een paar vragen die je voor elke stap apart beantwoordt.
- Wat kost een fout? Een verkeerd label op een ticket kost een minuut. Een betaling aan het verkeerde rekeningnummer kost geld dat je misschien niet terugziet.
- Is de stap terug te draaien? Een conceptorder kun je verwijderen. Een verstuurde mail aan een klant of een betaalopdracht aan de bank niet.
- Hoe vaak komt de stap voor? Een handeling die duizend keer per maand voorkomt, levert meer op bij automatisering dan een handeling die tien keer voorkomt.
- Hoe goed zijn de brongegevens? Een gestructureerd bericht uit een klantportaal is betrouwbaarder dan een gescande PDF met handgeschreven aantekeningen.
- Kun je de kwaliteit meten? Zonder een vergelijking met wat een medewerker had gedaan, weet je niet of het model beter wordt of slechter.
Organisaties die veel waarde uit AI halen, hebben dit vaker expliciet geregeld. In de State of AI van McKinsey uit november 2025 zegt 65% van de best presterende organisaties dat ze een vastgelegd proces hebben voor wanneer uitkomsten van een model door een mens gecontroleerd worden. Bij de overige organisaties is dat 23%.
Drempelwaarden en uitzonderingen vastleggen in de software
Een drempel hoort in de configuratie van je applicatie. Zet hem nooit alleen in de instructie aan het model. Het model kan een regel uit een prompt negeren of verkeerd lezen; een controle in de code doet dat niet. Een beheerder moet de drempel kunnen aanpassen zonder nieuwe release, en die wijziging komt zelf ook in het logboek.
Veelgebruikte drempels en uitzonderingen in een AI workflow zijn:
- een bedragsgrens per factuur of order, waarboven altijd een mens akkoord geeft
- een zekerheidsscore van het model die onder een ingestelde waarde valt
- een afwijking van de inkooporder, zoals een ander aantal of een andere prijs
- een nieuwe klant, nieuwe leverancier of gewijzigd rekeningnummer
- een veld dat het model niet kon vullen of dat niet klopt met de stamgegevens
Let op de zekerheidsscore. De score die een model zelf opgeeft, is niet vanzelf betrouwbaar. Meet eerst op een steekproef met bekende uitkomsten bij welke score de voorstellen in de praktijk kloppen, en kies de drempel op basis van die meting. Controles die geen AI nodig hebben, zoals een btwnummer, een IBAN of een artikelnummer tegen het ERP, doe je met gewone regels in de code.
Het akkoordscherm: wat de beoordelaar moet zien
Een goedkeuringsstap werkt alleen als de beoordelaar in een paar seconden kan zien wat het model voorstelt en waarom. Een scherm met alleen een knop "akkoord" nodigt uit tot blind doorklikken. Een goed akkoordscherm toont minimaal:
- het brondocument, zoals de originele factuur, mail of aanvraag
- het voorstel van het model, veld voor veld
- de reden waarom deze stap bij een mens ligt, bijvoorbeeld "bedrag boven drempel" of "nieuw rekeningnummer"
- de verschillen met de stamgegevens of de inkooporder, gemarkeerd
Geef de beoordelaar drie keuzes: goedkeuren, aanpassen of afwijzen. Bij aanpassen en afwijzen vraag je een korte reden. Die aanpassingen zijn later je beste testmateriaal, omdat ze precies laten zien waar het model de plank missloeg.
Het akkoordscherm hoort bij voorkeur in de applicatie waar de medewerker al werkt. Een extra portaal naast het ERP of het ticketsysteem wordt snel overgeslagen. Dat betekent meestal een koppeling met je bestaande systemen, zodat het voorstel en het akkoord op dezelfde plek staan als de rest van het werk.
Logging en terugdraaien inbouwen
Elke beslissing in de AI workflow moet achteraf te reconstrueren zijn. Leg per voorstel minimaal vast:
- de invoer die het model kreeg en de bron ervan
- de versie van het model en de versie van de instructie
- het voorstel en de zekerheidsscore
- wie akkoord gaf, aanpaste of afwees, met tijdstip en reden
- welke actie de software daarna in welk systeem uitvoerde
Terugdraaien begint bij het ontwerp. Laat het model schrijven naar een concept of een tussenlaag, en laat de software pas na akkoord boeken in het ERP of versturen naar de klant. Voor stappen die wel direct doorlopen, bouw je een tegenboeking of herstelactie die met één handeling de oorspronkelijke toestand terugzet. Zet daarnaast per processtap een schakelaar in de configuratie waarmee je de stap direct terugzet naar het niveau "voorstellen". Valt de kwaliteit tegen na een modelupdate, dan zet een beheerder die schakelaar om en loopt het proces gewoon door, met een mens aan het roer.
Test dit alles zoals je elke andere functie test. Een vaste set voorbeelddocumenten met bekende uitkomsten, die je bij elke nieuwe modelversie of instructie opnieuw draait, laat zien of een wijziging iets verbetert. Dat past in dezelfde aanpak voor testen en kwaliteit die je voor de rest van je software gebruikt.
Klein beginnen en de grens verschuiven op basis van metingen
Begin met één processtap die vaak voorkomt en goed te meten is. Laat het model eerst een paar weken meelopen zonder dat zijn voorstel iets doet: de medewerker werkt zoals altijd en de software vergelijkt achteraf. Daarna zet je de stap op "voorstellen" en meet je hoe vaak een voorstel ongewijzigd wordt overgenomen. Pas als dat percentage over een langere periode hoog en stabiel is, schuift de stap op naar "akkoord bij uitzondering".
Dat is dezelfde stapsgewijze route die we beschrijven in ons artikel over bedrijfsprocessen automatiseren: eerst het proces in kaart, dan de stap met het meeste handwerk, en pas daarna uitbreiden.
Isatis bouwt al ruim dertig jaar software voor processen waarin elke wijziging herleidbaar moet zijn, van onderhoudssoftware voor de luchtvaart tot een platform voor subsidieadministratie en productdata met RFID door de supply chain. Met 30+ engineers in Nijmegen en Sarajevo, meer dan 100 projecten en ISO 9001 en ISO 27001 bouwen we maatwerksoftware waarin goedkeuring, logging en terugdraaien vanaf de eerste versie zitten. Lees meer over onze aanpak voor data en AI of plan een gesprek over de processtap waar jij wilt beginnen.
Veelgestelde vragen
Wat is een AI workflow?
Een AI workflow is een bedrijfsproces waarin een AI model een of meer stappen uitvoert, zoals een factuur lezen of een ticket labelen, terwijl de volgorde van het proces vastligt in de software. De software bepaalt welke stappen het model zelf mag afronden en welke een mens eerst goedkeurt.
Welke processtappen laat je altijd door een mens goedkeuren?
Stappen met financiële gevolgen boven een drempel, stappen die niet terug te draaien zijn zoals betalingen en berichten aan klanten, wijzigingen in stamgegevens zoals een rekeningnummer, en elke situatie die buiten de vastgelegde regels valt. Die stappen blijven op het niveau voorstellen, ook als het model er goed in is.
Hoe bepaal je een goede drempelwaarde?
Draai het model op een steekproef met bekende uitkomsten en kijk bij welke zekerheidsscore en welk bedrag de voorstellen in de praktijk kloppen. Leg die drempel vast in de configuratie van de applicatie, zodat een beheerder hem kan aanpassen en elke wijziging in het logboek komt.
Kan een AI model zelfstandig handelen in een bestaand ERP?
Technisch kan dat via een koppeling. We raden aan het model eerst in een concept of tussenlaag te laten schrijven en pas na akkoord te laten boeken. Voor stappen die zelfstandig lopen, bouw je een herstelactie en een schakelaar waarmee je de stap direct terugzet naar menselijke goedkeuring.
