# AI-kansen identificeren met een procesaudit op de werkvloer [Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[Appsapps.llmnet.nlReviews van AI-apps en open-source repo's, met tips voor wie zelf bouwt.](https://apps.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fconsultancy.llmnet.nl%2Fai-kansen-identificeren-met-een-procesaudit-op-de-werkvloer&text=AI-kansen%20identificeren%20met%20een%20procesaudit%20op%20de%20werkvloer)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fconsultancy.llmnet.nl%2Fai-kansen-identificeren-met-een-procesaudit-op-de-werkvloer)[](https://www.reddit.com/submit?url=https%3A%2F%2Fconsultancy.llmnet.nl%2Fai-kansen-identificeren-met-een-procesaudit-op-de-werkvloer&title=AI-kansen%20identificeren%20met%20een%20procesaudit%20op%20de%20werkvloer)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fconsultancy.llmnet.nl%2Fai-kansen-identificeren-met-een-procesaudit-op-de-werkvloer&text=AI-kansen%20identificeren%20met%20een%20procesaudit%20op%20de%20werkvloer)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fconsultancy.llmnet.nl%2Fai-kansen-identificeren-met-een-procesaudit-op-de-werkvloer)[](https://www.reddit.com/submit?url=https%3A%2F%2Fconsultancy.llmnet.nl%2Fai-kansen-identificeren-met-een-procesaudit-op-de-werkvloer&title=AI-kansen%20identificeren%20met%20een%20procesaudit%20op%20de%20werkvloer)[](#) # AI-kansen identificeren met een procesaudit op de werkvloer Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) Veel initiatieven rondom kunstmatige intelligentie stranden niet op technische tekortkomingen van algoritmes of taalmodellen, maar op een fundamentele mismatch tussen het gekozen probleem en de operationele realiteit. Directies en innovatieteams selecteren usecases regelmatig vanuit een abstracte technologiedrang of theoretische aannames over hoe afdelingen functioneren. Wanneer we echter kijken naar de dagelijkse praktijk, blijken werkprocessen vaak vol te zitten met ongedocumenteerde uitzonderingen, verspreide handmatige correcties en informele werkafspraken. Een theoretisch ontwerp houdt daar zelden rekening mee. Om te voorkomen dat een organisatie investeert in oplossingen voor niet-bestaande knelpunten, is een procesaudit op de werkvloer de aangewezen methode. Zo'n audit kijkt voorbij procesbeschrijvingen in handboeken en brengt systematisch in kaart hoe medewerkers daadwerkelijk taken uitvoeren. Voordat een organisatie start met een audit, is het raadzaam om de algemene gereedheid van de systemen en cultuur te meten via de [AI-volwassenheidsscan voor organisaties](https://consultancy.llmnet.nl/ai-volwassenheidsscan), waarmee de uitgangspositie en randvoorwaarden vooraf scherp worden gesteld. ## De noodzaak van observeren versus interviewen Een procesaudit op de werkvloer verschilt wezenlijk van een reeks traditionele interviews. Wanneer medewerkers in een vergaderruimte worden gevraagd naar hun dagelijkse werk, geven zij vrijwel altijd een gerationaliseerde versie van het proces weer. Mensen beschrijven het proces zoals het ooit bedoeld is of hoe zij denken dat het zou moeten lopen. Subtiele handelingen — zoals het handmatig overtypen van velden tussen systemen, het opzoeken van ontbrekende data in mailboxen of het corrigeren van automatische exports — worden vaak weggelaten omdat men ze beschouwt als vanzelfsprekende routinematige handelingen. Observatie op de werkplek zelf, ook wel 'gemba-walking' of schaduwen genoemd, legt deze verborgen stappen direct bloot. Door naast een operationeel medewerker te zitten en mee te kijken op het scherm, worden fricties en micro-onderbrekingen zichtbaar die nooit in procesdocumentatie terechtkomen. Juist in deze herhalende, tijdrovende en foutgevoelige stappen schuilen vaak de meest rendabele kansen voor automatisering met taalmodellen of machine learning. Daarnaast voorkomt observatie dat men automatiseert wat eigenlijk overbodig is. Een processtap die puur bestaat om een tekortkoming van een verouderd softwarepakket te maskeren, hoeft niet per se met AI te worden opgelost; procesoptimalisatie of een eenvoudige API-koppeling is dan vaak effectiever en goedkoper. Door het proces fysiek te volgen, ontstaat een helder onderscheid tussen procesfouten, klassieke automatiseringsvraagstukken en daadwerkelijke AI-kansen. ## Het procesaudit-kader: taken ontleden in vijf dimensies Om operationele processen objectief te beoordelen op hun geschiktheid voor AI, ontleden we elke taak langs vijf specifieke dimensies. Dit voorkomt dat een usecase uitsluitend op intuïtie of enthousiasme wordt geselecteerd. We categoriseren de taakeigenschappen als volgt: Dimensie | Toetsingsvraag | Ongeschikt voor AI | Kansrijk voor AI | 1. Determinisme | Is er altijd één exact correct antwoord volgens harde regels? | Strikte rekenregels, statische validaties (gebruik reguliere code). | Tekstbegrip, interpretatie van context, samenvatten, classificatie. | 2. Datastructuur | In welke vorm komt de invoer binnen en verlaat deze de taak? | Reeds perfect gestructureerde SQL-tabellen en vaste XML-bestanden. | Ongestructureerde tekst, e-mails, PDF-rapporten, vrije invoervelden. | 3. Fouttolerantie | Wat is de operationele schade van een afwijking van 2%? | Directe juridische of financiële schade zonder menselijke controle. | Conceptvoorstellen, routering van tickets, interne zoekopdrachten. | 4. Frequentie & Volume | Hoe vaak wordt de taak per dag of week uitgevoerd? | Eenmalige ad-hoc taken of zeer zeldzame uitzonderingen. | Dagelijks terugkerend werk met herhaalde patronen en herkenbare context. | 5. Kennisintensiteit | Welke context is nodig om de taak succesvol uit te voeren? | Volledig impliciete intuïtie zonder overdraagbare documentatie. | Kennis vastgelegd in handboeken, richtlijnen, historische tickets en beleid. | Wanneer een taak hoog scoort op ongestructureerde data en kennisintensiteit, maar tegelijk een beheersbare fouttolerantie heeft (bijvoorbeeld door een menselijke validatiestap), ontstaat een sterke kandidaat. Taken die puur deterministisch zijn horen thuis in traditionele softwareontwikkeling of Robotic Process Automation (RPA), niet in een complex en niet-deterministisch AI-traject. ## De auditaanpak in vier opeenvolgende fasen Een grondige procesaudit volgt een vaste volgorde om verspilling van operationele uren te minimaliseren. We doorlopen de volgende vier fasen in de praktijk: ### Fase 1: Selectie en afbakening van de afdeling Begin niet met een organisatiebrede inventarisatie; dat levert te veel ruis op. Kies één specifieke afdeling waar veel tekstuele communicatie, dossieropbouw of klantinteractie plaatsvindt, zoals de binnendienst, debiteurenbeheer of de supportdesk. Breng de formele processtroom in kaart als referentiekader. ### Fase 2: Schaduwen op de werkplek Observeer minimaal drie tot vijf verschillende medewerkers gedurende een halve dag per persoon tijdens hun reguliere werkzaamheden. Noteer welke applicaties openstaan, hoe vaak er gewisseld wordt tussen schermen, waar data vandaan wordt gekopieerd en welke informele hulpmiddelen (zoals eigen notities, Excel-lijstjes of kladblokken) worden gebruikt. ### Fase 3: Knelpunten- en data-inventarisatie Analyseer per processtap waar vertraging ontstaat en wat de brondatabronnen zijn. Beoordeel direct of deze brondata digitaal toegankelijk is, of er sprake is van datavervuiling en of er sprake is van privacygevoelige gegevens. Een grondige verkenning van de juridische kaders is hierbij cruciaal; raadpleeg [AI-modellen en privacy keuzes voor AVG-compliance](https://hub.llmnet.nl/ai-modellen-en-privacy-avg-compliance) om te verifiëren aan welke wetgeving de verwerking van persoonsgegevens binnen taalmodellen moet voldoen. ### Fase 4: Synthese en usecase-formulering Vertaal de geobserveerde knelpunten naar concrete usecases. Beschrijf per usecase exact wat de invoer is, welke bewerking het model moet uitvoeren, wat de gewenste uitvoer is en wie de uitvoer controleert. Vervolgens kunt u methodisch [de eerste AI-usecase voor uw organisatie prioriteren](https://consultancy.llmnet.nl/ai-usecases-prioriteren) op basis van haalbaarheid, strategische waarde en technische complexiteit. ## Het vastleggen van de 'Shadow Processen' Tijdens observaties stuit de auditor vrijwel altijd op zogeheten 'shadow processen'. Dit zijn informele routines die medewerkers zelf hebben ontwikkeld om formele systeembeperkingen te omzeilen. Denk aan een medewerker die standaard inkomende e-mails eerst kopieert naar een eigen kladbestand om daar handmatig samenvattingen van te maken, of een specialist die een lokaal Word-document bijhoudt met standaardantwoorden omdat het centrale CRM-systeem geen zoekfunctie heeft. Deze informele routines zijn goudmijnen voor een AI-audit. Ze tonen exact aan waar het formele systeem tekortschiet en welke cognitieve taken de medewerker als belastend ervaart. Door deze stappen te documenteren, wordt duidelijk welke contextkennis nodig is om de taak te volbrengen. Let hierbij op: - Waar knipt en plakt de medewerker tekst tussen verschillende vensters? - Welke documenten worden herhaaldelijk geopend om een enkele beslissing te nemen? - Op welke momenten vraagt een medewerker mondeling advies aan een directe collega bij gebrek aan documentatie? - Welke uitzonderingen op de standaardprocedure komen dagelijks voor en hoe worden deze geregistreerd? ## Data-audits op de werkplek: theorie versus werkelijkheid Een usecase kan conceptueel uitstekend lijken, maar valt of staat met de kwaliteit en beschikbaarheid van de data. Tijdens de audit moet de feitelijke staat van de data direct aan de bron worden getoetst. In formele documentatie staat wellicht dat klantdossiers compleet zijn, maar bij inspectie op de werkvloer blijkt vaak dat cruciale toelichtingen ontbreken, tekstvelden vol typefouten zitten of informatie is opgeslagen in gescande PDF-bestanden van lage kwaliteit. Zie ook de handleiding over [datakwaliteit voor AI en het voorkomen van gestrande pilots](https://consultancy.llmnet.nl/datakwaliteit-voor-ai) om te begrijpen hoe vervuilde data een pilot vroegtijdig kan laten ontsporen. Het auditteam moet steekproefsgewijs minimaal vijftig historische dossiers of transacties inzien. Controleer daarbij of de invoerdata voldoende consistent is om een model van context te voorzien. Wanneer documenten sterk variëren in structuur, ontstaat er direct een extra uitdaging voor de extractielaag. Ook de beschikbaarheid van metadata (zoals datums, categorieën en auteurs) moet worden gecontroleerd. Zonder betrouwbare metadata wordt het terugvinden en filteren van de juiste documenten binnen een retrieval-systeem aanzienlijk complexer. ## Kritieke taken en menselijk toezicht borgen Niet elk operationeel knelpunt leent zich voor autonome afhandeling. Zeker bij processen met aanzienlijke financiële, medische of juridische risico's is een geautomatiseerde eindbeslissing onverantwoord. Tijdens de audit moet daarom per geïdentificeerde taak worden vastgelegd hoe de menselijke validatieslag wordt ingericht. Lees hoe u [human-in-the-loop processen inricht voor kritieke taken](https://consultancy.llmnet.nl/human-in-the-loop-processen-inrichten-voor-kritieke-taken) om te waarborgen dat medewerkers op het juiste moment concepten reviewen en afwijkingen signaleren. Het inrichten van zo'n controlelaag voorkomt dat foutieve modeluitvoer onopgemerkt doorsijpelt naar klanten of externe systemen. Door medewerkers te positioneren als inhoudelijke reviewers in plaats van handmatige typisten, blijft de vakkennis behouden terwijl de operationele verwerkingssnelheid toeneemt. ## Meting van tijdsbesteding en doorlooptijd Om later een betrouwbare businesscase op te stellen, moet de audit feitelijke tijdsmetingen opleveren. Schattingen van medewerkers over hun tijdsbesteding wijken in de praktijk vaak dertig tot vijftig procent af van de werkelijkheid. Mensen overschatten routinematige taken die ze als vervelend ervaren, en onderschatten taken die verspreid over de dag in kleine brokjes plaatsvinden. Tijdens de procesaudit meet de auditor met een stopwatch of via geanonimiseerde tijdschrijfregistraties de werkelijke 'touch time' (de tijd dat een medewerker actief met het dossier bezig is) versus de 'wachttijd' (de tijd dat een dossier stiligt tussen twee bewerkingen). AI versnelt primair de actieve bewerkingstijd van informatie. Als de totale doorlooptijd van een proces echter wordt gedomineerd door wachttijden op externe goedkeuringen, levert automatisering van de bewerkingstaak per saldo weinig doorlooptijdverkorting op voor de eindklant. Gebruik deze meetgegevens vervolgens om [de ROI van AI te berekenen via een praktisch kader](https://consultancy.llmnet.nl/ai-roi-berekenen) zodat u investeringskosten vooraf afweegt tegen reële tijdwinst. Touch Time vs. Doorlooptijd Meting: ----------------------------------------------------------------- Stap 1: Intake & Classificatie -> Touch: 12 min | Wachttijd: 4 uur Stap 2: Context Verzamelen -> Touch: 25 min | Wachttijd: 1 dag Stap 3: Concept Reactie Maken -> Touch: 18 min | Wachttijd: 2 uur Stap 4: Review & Goedkeuring -> Touch: 5 min | Wachttijd: 3 uur ----------------------------------------------------------------- Totale actieve bewerkingstijd : 60 minuten Totale doorlooptijd dossier : ~28 uur Potentieel bereik AI-ondersteuning: Stap 1, 2 en 3 (55 min bewerking) ## Typische valkuilen tijdens een operationele audit Het uitvoeren van een procesaudit op de werkvloer brengt specifieke risico's met zich mee die de uitkomst kunnen vertekenen. We signaleren de volgende veelvoorkomende valkuilen: - Het Hawthorne-effect: Medewerkers werken nauwkeuriger en strikter volgens het boekje wanneer er iemand meekijkt. Dit kan worden gemitigeerd door audits over meerdere dagen te spreiden en een ontspannen, niet-controlerende sfeer te creëren. - Verwarren van volume met waarde: Een taak die heel vaak voorkomt levert niet automatisch de meeste waarde op. Het genereren van eenvoudige ontvangstbevestigingen kost weinig tijd en lost weinig frictie op, terwijl het samenvatten van complexe juridische geschillen bij lage volumes juist enorme specialistische uren bespaart. - Focussen op 100% automatisering: Het doel van een AI-inzet is zelden om een medewerker volledig overbodig te maken. Usecases die mikken op 'copilot'-functionaliteit (conceptversies genereren die door een mens worden gevalideerd) hebben een veel hogere slagingskans dan 'lights-out' automatisering zonder menselijke controle. - Geen rekening houden met uitzonderingen: In theorie volgt 80% van het werk het hoofdpad. In de praktijk zorgen de 20% uitzonderingen voor 80% van de operationele vertraging. Als een AI-oplossing niet weet wat zij met uitzonderingen moet doen, raakt het proces verstopt. ## Van observatie naar afgebakend project Zodra de audit is afgerond en de knelpunten zijn geanalyseerd, moeten de geselecteerde kansen worden vertaald naar een concrete opdracht. Dit is de stap waarin vage wensen definitief worden omgezet in meetbare doelen, technische kaders en acceptatiecriteria. Zie hiervoor de handleiding over [het scopen van een AI-project van vage vraag naar afgebakende opdracht](https://consultancy.llmnet.nl/ai-project-scoping) om te zorgen dat de technische en functionele scope naadloos aansluit op de bevindingen van de audit. De output van de audit vormt het fundament van het projectdossier. Door vooraf vast te leggen welke brondocumenten worden gebruikt, wat de huidige handmatige bewerkingstijd is en welke foutmarge acceptabel is, beschikt de organisatie over een objectieve nulmeting. Alleen met zo'n nulmeting kan na implementatie worden aangetoond of de technologie daadwerkelijk de beoogde tijdwinst en kwaliteitsverbetering levert. ## Checklist voor de procesauditor Gebruik onderstaande checklist tijdens de voorbereiding en uitvoering van de audit op de werkvloer om te borgen dat alle operationele aspecten zijn afgedekt: - [ ] Is de afdeling vooraf geïnformeerd dat de audit gericht is op procesfrictie en niet op individuele medewerkersbeoordeling? - [ ] Zijn er minimaal drie verschillende medewerkers met hetzelfde takenpakket geobserveerd? - [ ] Is de werkelijke touch time per dossier gemeten met een stopwatch of steekproef? - [ ] Zijn alle informele tools (lokale bestanden, kladblokken, e-mailmappen) in kaart gebracht? - [ ] Is de brondata gecontroleerd op digitale leesbaarheid, consistentie en ontbrekende velden? - [ ] Zijn de uitzonderingen en escalatiepaden expliciet gedocumenteerd? - [ ] Is vastgesteld welke validatiestap nodig is voordat output van een model in productie mag worden gebruikt?