bepalen of een taak AI nodig heeft of een gewone workflow
een goede prompt opbouwen
het verschil uitleggen tussen RAG en een agent, en hun beperkingen
Niet alles heeft AI nodig
Automatisering en AI zijn niet hetzelfde. Liggen de stappen en beslisregels vast? Dan is een gewone workflow (bijvoorbeeld in n8n: trigger → nodes → IF/Switch) goedkoper, sneller en voorspelbaarder. AI voegt waarde toe waar tekst begrepen, ingedeeld of samengevat moet worden.
Drie aanpakken naast elkaar
Workflow
Vaste stappen en regels. Voorspelbaar, goedkoop en goed te testen. Voorbeeld: een factuur doorsturen op basis van het leveranciersnummer.
RAG
Een taalmodel dat antwoordt op basis van opgehaalde bronnen. Geschikt voor vragen over eigen documenten, zoals werkinstructies.
Agent
Een model dat zelf tools kiest en acties uitvoert. Krachtig maar riskant: alleen met guardrails en een mens die belangrijke stappen goedkeurt.
Kies de eenvoudigste aanpak die het probleem oplost. Vaak is dat een workflow, eventueel met één AI-stap erin.
Een prompt die werkt
Geef altijd mee: rol, taak, context, beperkingen en uitvoerformaat. Verander per keer één onderdeel en meet opnieuw. Vraag om controleerbare conclusies en bronnen; een verzoek om "uitgebreid na te denken" garandeert geen juistheid.
RAG: eerst ophalen, dan antwoorden
Bij Retrieval-Augmented Generation worden documenten in stukken (chunks) opgeslagen als embeddings. Bij een vraag worden de meest relevante stukken opgehaald en aan het model meegegeven.
Belangrijk: RAG is geen waarheidsmachine. De bron kan fout of verouderd zijn, retrieval kan de verkeerde passage vinden, en het model kan de passage verkeerd uitleggen.
Agents
Een agent kiest zelf welke tools hij gebruikt en voert acties uit. Dat is krachtig maar riskant. Gebruik guardrails (grenzen aan wat hij mag) en human-in-the-loop (een mens keurt belangrijke stappen goed).
Lokaal, cloud of hybride
Een lokaal model (bijvoorbeeld via Ollama) houdt data dichterbij, maar is niet automatisch privacyveilig: logs, back-ups, koppelingen en toegangsrechten tellen ook. En lokaal kost ook geld: hardware, stroom en beheer.
Voorbeeld: factuurverwerking
Factuur binnen → tekst uitlezen (OCR) → velden structureren → sommen controleren → vergelijken met de administratie → concept klaarzetten → mens keurt goed. Ontbreekt informatie? Dan naar een aparte wachtrij. De AI vult nooit een rekeningnummer in op basis van een gok.
Voorbeeld uit de praktijk Een groothandel in Breda kreeg dagelijks 150 mails met vragen over levertijden. Het idee was een AI-agent die zelf zou antwoorden. De uiteindelijke oplossing: een workflow die het ordernummer uit de mail haalt en de levertijd opzoekt in het ERP-systeem, met één AI-stap die de mail indeelt in vier categorieën. Antwoorden gaan als concept naar een medewerker. Goedkoper, beter te testen en zonder risico op verzonnen levertijden.
Praktijkopdracht
Duur: 30 minuten. Kies de aanpak voor jouw proces uit les 1.
Welke stappen liggen vast en welke vragen begrip van tekst?
Kies voor elke stap: workflow, RAG of agent. Motiveer in één zin.
Schrijf voor de AI-stap een prompt met rol, taak, context, beperkingen en uitvoerformaat.
Beschrijf waar een mens meekijkt en wat er gebeurt als informatie ontbreekt.
Samenvatting
Liggen stappen en regels vast, dan is een gewone workflow meestal beter dan AI.
Een goede prompt bevat rol, taak, context, beperkingen en uitvoerformaat.
RAG en agents zijn krachtig maar niet foutloos: gebruik bronnen, guardrails en menselijke controle.
