In bijna elke organisatie heb ik de afgelopen jaren hetzelfde gesprek gevoerd. Het begint enthousiast: "We willen iets met AI." Even later valt de zin die een ander probleem verraadt: "RPA of domme automatisering, dat hebben we gehad."

De vraag die ik dan stel is: “Welke processen zijn er precies geautomatiseerd, en wat gebeurt er nu nog handmatig?” Vaak blijkt dat er ooit een aantal robots zijn gebouwd, dat er een proof of concept is geweest die technisch prima werkte en dat het daarna is stilgevallen. Niet omdat de technologie faalde, maar omdat er geen automatiseringsstrategie was uitgedacht. En nu wordt AI ingezet om datzelfde gat te dichten, met dezelfde aanpak die de vorige keer ook niet werkte. Want een technische oplossing alleen is niet voldoende, medewerkers moeten ook meegenomen worden en iemand moet eigenaar van de oplossing zijn.

Waarom het proces ertoe doet

Dat er helaas soms sceptisch wordt gedacht over RPA komt niet uit de lucht vallen. Te veel bots zijn in het verleden gebouwd op processen die eigenlijk eerst opgeschoond hadden moeten worden, er was geen goede businesscase, te weinig aandacht voor onderhoud, en een beheerlast die pas zichtbaar werd toen de eerste applicatie-update de helft van de flows omver gooide. Wie dat heeft meegemaakt, associeert RPA met niet robuust genoeg zijn. AI aan de andere kant voelt nieuw, aantrekkelijker en makkelijker te verkopen in een managementpresentatie dan "we gaan schermen uitlezen".

Toch blijft er één ding hetzelfde: elk intelligent systeem moet uiteindelijk ergens iets doen. Een model dat een factuur perfect classificeert, heeft geen enkele waarde zolang die factuur niet in het bronsysteem terechtkomt. En in de meeste organisaties die ik spreek, zit precies daar de bottleneck. Legacy-applicaties zonder bruikbare API, een ERP waar de leverancier geen integratie op wil garanderen, een portaal van een ketenpartner dat alleen via de browser toegankelijk is. RPA is in die context geen verouderde technologie, maar de laag die zorgt dat een beslissing ook daadwerkelijk wordt uitgevoerd.

Wat daarbij helpt: RPA is voorspelbaar. Deterministisch gedrag is in een auditcontext een goede eigenschap, geen beperking. Als een accountant vraagt waarom een boeking is gemaakt, wil je geen model uitleggen, je wilt een regel laten zien.

Dat betekent niet dat je overal robots op moet zetten. Is er een fatsoenlijke API, gebruik dan de API. Is het proces zo instabiel dat het elke twee maanden verandert, los dat dan eerst op.

Waar behoort AI in de organisatie?

AI verdient zijn plek op een ander deel in de organisatie. Namelijk daar waar variatie zit en waar regels historisch gezien altijd stuk zijn gelopen: ongestructureerde documenten, e-mailverkeer, vrije tekstvelden, uitzonderingen die niemand vooraf compleet kan beschrijven. In de praktijk zien we dat de winst zelden zit in het volledig automatiseren van een proces, maar in het terugbrengen van het aandeel dat een mens nog moet aanraken. Van 100 procent handmatig naar 20 procent uitzonderingenbehandeling is een groter resultaat dan de meeste businesscases durven beloven.

De keerzijde is dat AI niet deterministisch maar probabilistisch is. Er komt een percentage uit, geen zekerheid. Dat vraagt om keuzes die vaak te laat worden gemaakt: bij welke confidence laat je het systeem zelfstandig doorgaan, waar zet je een mens ertussen, en hoe meet je of het model in productie nog steeds doet wat het in de test deed. Organisaties die dat niet vooraf bedenken, komen er na drie maanden achter dat niemand eigenaar is van de uitkomsten.

Agentic AI komt daar bovenop, niet in de plaats van. Een agent is in de kern een coördinator: hij bepaalt welke stappen nodig zijn, in welke volgorde, en roept daarvoor onderliggende functies aan. Dat werkt alleen als die functies er zijn en vooral betrouwbaar zijn. Een agent zonder goede tooling is een uitstekende klusser zonder gereedschap. Juist de RPA-flows, de API's en de integraties die je de afgelopen jaren hebt gebouwd, worden nu de instrumenten waarmee zo'n agent iets kan uitrichten. Wie die laag heeft overgeslagen, merkt dat snel genoeg.

Kort samengevat: RPA voert uit, AI interpreteert en beoordeelt, Agentic AI regisseert. Drie rollen, één landschap.

Schaalbaarheid begint bij de juiste technologie voor het vraagstuk

Hier zit meteen het onderdeel dat in offertes zelden wordt benoemd en in projecten het meest bepalend blijkt: uitleggen. Voor ons als consultants en implementatiedeskundigen is het verschil tussen deze drie rollen vanzelfsprekend. Voor een proceseigenaar, een controller of een teamleider is dat het niet. Die hoort drie termen die in de markt door elkaar worden gebruikt en trekt daar een logische conclusie uit: het nieuwste zal wel het beste zijn.

Een goede implementatiepartner bouwt niet alleen, maar zorgt dat de organisatie zelf kan beoordelen wanneer welke technologie past. Dat is geen kickoff-presentatie en geen eenmalige workshop. Het is wel: hetzelfde verhaal, in dezelfde bewoordingen, herhaald in stuurgroepen, intakes en demo's tot iedereen dezelfde gedachtegang heeft. Het is het verschil tussen een opdrachtgever die een keuze kan verdedigen en een opdrachtgever die elk kwartaal opnieuw moet uitleggen waarom er nog geen AI in productie staat.

De conclusie is wat mij betreft eenvoudig, al is de uitvoering dat niet. Stop met de vraag : doen we RPA of AI? Dat is de verkeerde vraag. Vraag per proces: welk deel is regelgebaseerd, welk deel vraagt interpretatie, en welk deel vraagt regie over meerdere stappen? Dan bouw je geen verzameling losse oplossingen, maar een architectuur met lagen waarin elke technologie doet waar zij goed in is, en waarin de volgende ontwikkeling er gewoon in past in plaats van dat je opnieuw moet beginnen.

Dat is uiteindelijk wat schaalbaarheid betekent. Niet meer robots of meer modellen, maar minder herbouwen.

Voor vragen over dit artikel kun je met Jeroen contact opnemen via: info@mvrdw.nl