Je kan tegenwoordig bijna geen app meer openen of er staat iets over AI. In mijn feed is het niet veel anders. Berichten over hoe alles verandert, hoe je moet meedoen of achterop raakt, hoe dit het grootste wat-dan-ook is sinds het internet.
Ik snap waar het vandaan komt, maar de toon van het gesprek voelt vaak dringend en paniekerig. Het voelt te veel als een wedstrijd: wie is er het snelst bij, wie heeft de meest geavanceerde stack, wie durft te zeggen dat ze volledig "AI-first" zijn? Alsof adoptie op zich al een prestatie is. Mijn ervaring is een andere.
Te vroeg is ook fout
Ongeveer zeven jaar geleden waren we bij CIB al bezig met AI-modellen. In de incassobranche kun je op veel manieren automatiseren: wanneer benader je iemand, op welk moment, via welk kanaal. We hadden een model ontwikkeld dat precies dat probeerde te voorspellen. Op papier leek dat logisch, maar in de praktijk bleek het toch minder goed te werken dan gedacht. Verschillende servers, losse databases, modellen die we grotendeels zelf moesten bouwen omdat ze nog niet bestonden. Het werkte wel, maar net niet goed genoeg om het echt te adopteren. In andere woorden: we waren te vroeg.
Datzelfde model zou je nu in een fractie van de tijd kunnen bouwen, met betere resultaten en zonder de infrastructuur hoofdpijn. De technologie was er zeven jaar geleden gewoon nog niet klaar voor. Simpelweg een kwestie van verkeerde timing. En timing wordt vaak onderschat als het gaat over technologie.
Klein beginnen is geen lafheid
Bij Billink hebben we het anders aangepakt. Niet met een groot AI-programma of een taskforce of een externe consultant die ons vertelt wat de strategie moet zijn. Maar gewoon: kijk waar iets concreet beter kan, en begin daar.
Onze klantenservice was een voor de hand liggend startpunt. We hadden een ticketsysteem dat werkte op basis van vaste regels. Dat was functioneel, maar kon slimmer. De vragen die binnenkwamen waren gevarieerder dan zo'n systeem aankon, en de antwoorden waren dat ook. We wilden kijken of een AI-agent dat beter kon. Maar voor je dat überhaupt zinvol kunt testen, moet je iets doen wat weinig mensen als eerste stap zien: context bouwen.
Je kunt een model niet inzetten op een vraag als het geen idee heeft wie jullie zijn, wat voor vragen er binnenkomen, hoe je wilt klinken, en welke informatie het nodig heeft om een compleet antwoord te geven. Betalingen, klantdata, bestelprocessen, dat moet allemaal beschikbaar en begrijpelijk zijn voor het model.
We zijn klein begonnen met een handvol vragen, een score per antwoord op nauwkeurigheid, en van daaruit langzaam uitgebreid. Nu, na anderhalve maand, wordt zestig procent van de klantvragen beantwoord door de AI-agent. En de klanttevredenheid op die antwoorden ligt hoger dan wanneer wij het zelf deden. Dat laatste is het getal dat telt.
Wat het doet met een organisatie
Zestig procent automatisering klinkt goed op papier, maar het heeft ook een andere kant.
De makkelijke vragen zijn weg. De mensen in klantenservice doen nu iets anders, complexere vraagstukken, uitzonderingen, situaties waar menselijk oordeel nodig is. Dat is op zichzelf goed: meer ruimte voor werk dat er echt toe doet. Aan de andere kant zorgt het er ook voor dat het werk minder afwisselend is. Waar je voorheen aan het switchen was tussen makkelijke kwesties en moeilijker uitzoekwerk, ben je nu eigenlijk alleen nog maar bezig met de moeilijke vragen.
Die switch beïnvloedt niet alleen het dagelijks werk van de medewerker, het is als manager ook soms lastig te overzien wat er precies verandert voor je mensen. Taken verdwijnen niet altijd duidelijk zichtbaar, processen schuiven op. Je moet dat actief begeleiden, anders merkt iemand op een dag dat zijn werk er fundamenteel anders uitziet zonder dat er ooit een gesprek over is geweest. Het kan zijn dat de medewerker door deze nieuwe manier van werken niet meer tevreden is in zijn/haar functie. Dat is change management in de meest concrete zin, en het is minstens zo belangrijk als de technische implementatie.
AI in het development team
Bij development zijn we ook niet blind de diepte ingesprongen. We zijn begonnen met context in de vorm van documentatie van onze software, gesproken beschrijvingen van hoe projecten eruitzien, ingevoerd als bronmateriaal voor het model. Daarna hebben we gevraagd waar informatie ontbrak en wat nodig was om het beeld compleet te maken. Alles stap voor stap, zonder cruciale informatie over te slaan.
Nu gebruikt het team AI voor code reviews. Iets wat eerst door een andere developer werd gedaan, met wisselende aandacht voor security en code kwaliteit. De AI doet dat nu consistent, bij elke review. Documentatie voor nieuwe functionaliteit wordt automatisch gegenereerd op basis van tickets en context. Tickets zelf worden opgesteld vanuit productdocumentatie. Maar onze developers hebben nog steeds een ondersteunende functie. De volgende stap is dat de AI ook code schrijft en de input van de developers niet meer nodig heeft. Die volgorde is bewust. Als we met dat laatste waren begonnen, was het waarschijnlijk een fiasco geworden.
Wat ik er eigenlijk van denk
Ik geloof niet zo in AI als een wedstrijd. Ik geloof meer in organisaties die goed genoeg kijken om het juiste moment te herkennen. Die snappen waar AI al waarde toevoegt, en waar nog niet. Die weten dat timing, context en procesinrichting minstens zo belangrijk zijn als de technologie zelf.
Frontrunner zijn is overrated. Elke paar weken verschijnen er nieuwe modellen, nieuwe technieken, nieuwe beloftes. Als je als organisatie probeert bij te houden wat er allemaal kan, ben je constant aan het aanpassen in plaats van aan het bouwen. En dat geeft een hoop ruis en onnodige complexiteit.
Wat ik wél zie werken: kies iets kleins waarmee je kunt beginnen, iets concreets en iets meetbaars. Begin met het opbouwen van context en het verzamelen van relevante informatie. Begrijp wat er verandert voor je mensen. Implementeer het en kijk of het werkt. Ga dan een stap verder. Dat gaat langzamer dan de wereld je wil laten geloven, maar het werkt wel.