Wat AI infrastructure in de praktijk betekent
AI infrastructure klinkt groot, maar het komt neer op iets simpels: de verbinding tussen je AI-model en de plek waar je werk echt gebeurt. Een taalmodel zoals dat van OpenAI kan tekst samenvatten of classificeren, maar het wordt pas nuttig als het is gekoppeld aan je inbox, je formulieren, je CRM en je documenten. Die koppelingen, de logica eromheen en de plek waar alles draait, dat is samen de infrastructuur.
De vraag is dus niet of je AI kunt gebruiken, want dat kan vrijwel altijd. De vraag is waar AI voor bedrijven meetbaar tijd bespaart en waar het alleen complexiteit toevoegt. Wij bouwen liever het eerste. Hieronder lees je de use cases in detail, en een eerlijk voorbeeld waar je beter geen AI inzet.
E-mail samenvatten en concept-antwoorden voorstellen
De meeste tijd in een inbox gaat niet naar het typen van antwoorden, maar naar het herlezen van lange threads om te begrijpen waar het over ging. Hier is AI sterk. Een AI workflow leest een binnenkomende mail of thread, vat de kern samen in twee zinnen en stelt een concept-antwoord voor dat past bij je toon en je standaard-informatie.
Concreet: een nieuwe aanvraag komt binnen via je contactformulier of e-mail. Een scenario in Make pakt de tekst, stuurt die naar het taalmodel met de instructie om samen te vatten wat de klant wil en een eerste concept te schrijven op basis van je diensten en prijzen, en zet het resultaat klaar als concept in Gmail of als kaart in je CRM. Jij leest, past aan, verstuurt. Het scheelt geen seconden maar minuten per bericht, en bij tientallen mails per dag telt dat flink op.
Het AI-concept gaat nooit automatisch de deur uit, want de mens beslist. AI levert de eerste tachtig procent, jij doet de laatste twintig procent waar oordeel en relatie tellen. Je houdt de snelheid, en geen klant krijgt ooit een raar of fout antwoord.
De goede plek voor AI in e-mail is het concept, niet de verzendknop. De tijdwinst zit in het voorwerk, de controle blijft bij jou.
Aanvragen en documenten classificeren en doorzetten
Veel bedrijven verliezen tijd aan triage: bepalen wat iets is, wie het moet oppakken en waar het heen moet. Een offerteaanvraag, een sollicitatie, een factuur, een supportvraag, een klacht. Dat lijkt op elkaar in je inbox, maar elk geval vraagt om totaal verschillende vervolgstappen.
Hier doet AI classificatie het zware werk. Het model leest de inhoud en bepaalt de categorie, de urgentie en soms de taal of de regio. Op basis daarvan zet een automatisering de aanvraag door: een spoedklacht gaat direct naar de juiste persoon met een melding in Slack of WhatsApp, een sollicitatie belandt in de juiste Notion-database, een factuur gaat naar de boekhoudmap. Een typisch voorbeeld van AI workflows die op de achtergrond draaien:
- Een binnenkomend document of formulier wordt opgepakt door Make of Zapier.
- Het taalmodel leest de inhoud en bepaalt type, prioriteit en de relevante velden.
- De aanvraag wordt verrijkt en doorgezet naar de juiste plek: HubSpot, Notion, een afspraak via Cal.com, of een mens met een duidelijke samenvatting erbij.
Het verschil met een ouderwetse regel die kijkt of het onderwerp het woord factuur bevat, is dat AI ook begrijpt wat er niet letterlijk staat. Een mail zonder enkel trefwoord, maar duidelijk van een geirriteerde klant, wordt alsnog correct als urgent gemarkeerd. Dat is precies waar AI automatisering meerwaarde heeft boven simpele filters.
Een AI-assistent bovenop je eigen data of kennisbank
De derde use case is een assistent die antwoord geeft op basis van jouw eigen informatie, niet op basis van wat het model ergens op internet heeft gelezen. Denk aan een interne assistent waar je team vragen aan stelt over procedures, prijzen, contracten of eerdere projecten, en die het antwoord haalt uit je Notion, je documenten of je handleidingen.
Technisch heet dit retrieval: je documenten worden doorzoekbaar gemaakt, en bij elke vraag pakt het systeem de relevante stukken erbij voordat het model antwoordt. Daardoor verzint de assistent niet, maar verwijst hij naar jouw bron. Een nieuwe medewerker hoeft niet door dertig PDF's, maar vraagt simpelweg hoe het zit met de garantietermijn op een bepaald type werk, en krijgt het antwoord met de vindplaats erbij.
Hetzelfde principe werkt richting klanten: een AI-assistent op je website of in WhatsApp, gevoed met jouw veelgestelde vragen en productinformatie, die echte vragen beantwoordt in plaats van een chatbot die alleen meldt dat hij je niet begrijpt. Tools zoals ManyChat voor het kanaal en een taalmodel voor het antwoord maken dat haalbaar, mits de kennisbank goed is opgebouwd. De kwaliteit van zo'n assistent hangt af van de onderliggende data, meer dan van het model.
Een AI-assistent is zo goed als de kennis die je hem voert. Eerst je informatie op orde, dan pas het model erbovenop.
Wanneer je juist geen AI nodig hebt
Hier zijn we eerlijk, want dit scheelt je geld en gedoe. Lang niet elke automatisering vraagt om AI. Heel veel werk is gewoon: als dit gebeurt, doe dan dat. Daar is een taalmodel overbodig en zelfs een nadeel, omdat het duurder, trager en minder voorspelbaar is dan een vaste regel.
Een voorbeeld. Stel je wilt dat elke nieuwe inschrijving via je formulier automatisch in een Notion-database komt, een bevestigingsmail krijgt en een taak aanmaakt voor je team. Daar heb je geen AI voor nodig. Een simpele Notion-automatisering of een Make-scenario met vaste stappen doet dit perfect, elke keer hetzelfde, voor een fractie van de kosten. Zodra de input gestructureerd is en de uitkomst vast, is AI puur overhead.
De vuistregel die wij aanhouden:
- Vaste input, vaste uitkomst: gebruik een gewone automatisering in Make, Zapier of Notion, geen AI.
- Rommelige of vrije tekst die begrepen of beoordeeld moet worden: dan voegt AI echt iets toe.
- Een beslissing met gevolgen: laat AI voorbereiden, maar houd een mens in de lus.
Goede AI infrastructure is daarom voor de helft een keuze over waar je AI juist niet inzet. Wie overal een model tegenaan gooit, bouwt een traag en duur systeem dat moeilijk te onderhouden is. Wie AI gericht inzet op de plekken met rommelige input en veel handwerk, wint tijd zonder de complexiteit erbij te halen.
Hoe je aan AI infrastructure begint
Begin niet bij het model, maar bij je dag. Waar gaat nu de meeste tijd naartoe aan herhaald, voorspelbaar werk? Inbox-triage, het sorteren van aanvragen, hetzelfde antwoord steeds opnieuw opzoeken? Dat zijn de plekken waar AI automatisering zich het snelst terugverdient, vaak binnen weken.
Vervolgens kijk je per onderdeel of het om een vaste regel gaat of om begrip van tekst. Pas als het antwoord begrip is, komt een taalmodel in beeld. De rest los je op met betrouwbare, saaie automatisering, en dat is een compliment. Wil je sparren over waar AI implementatie bij jouw bedrijf het meeste oplevert, dan kun je vrijblijvend een gesprek plannen. We kijken liever eerst naar je werk dan naar je techniek, en je leest meer over onze aanpak op de dienstenpagina of in andere stukken op het blog.