Van experiment naar praktische assistent
AI is inmiddels geen onbekend begrip meer in het bedrijfsleven. Ook bij Van Schijndel Metaal gebruiken we ChatGPT al langer voor bijvoorbeeld teksten, analyses en het samenvatten van informatie.
De volgende stap is voor ons het gebruik van agents: digitale assistenten die niet voor één losse vraag worden ingezet, maar worden ingericht voor een specifieke taak of werkwijze.
Zo’n agent krijgt vooraf instructies, spelregels en relevante kennis mee. Daarmee kan hij bijvoorbeeld gegevens analyseren, controles uitvoeren, informatie vergelijken of een vaste werkwijze doorlopen.
We experimenteren inmiddels met verschillende van deze agents. Niet om medewerkers te vervangen, maar om terugkerend werk slimmer voor te bereiden en de kennis en informatie die binnen ons bedrijf aanwezig zijn beter te benutten.
Waar zitten de kansen?
In een productiebedrijf zit veel informatie in ERP-systemen, Excel-bestanden en andere software, maar ook in de hoofden van medewerkers. Tegelijkertijd zijn er veel werkzaamheden waarbij iedere week of maand grotendeels dezelfde stappen worden gezet.
Juist daar zien wij mogelijkheden voor agents.
Niet per se door één groot proces volledig te automatiseren, maar door kleinere, repeterende werkzaamheden slimmer te organiseren. Onze ervaring is inmiddels dat wanneer één agent goed werkt, de ideeën voor volgende toepassingen bijna vanzelf ontstaan.
Praktijkvoorbeeld 1: commerciële ondersteuning en rapportage
Een voorbeeld is onze Rapportage-assistent. Deze agent maakt wekelijks een rapportage van de omzet over de voorgaande week. Daarbij vergelijkt hij de gerealiseerde omzet met onze prognose en met dezelfde periode in voorgaande jaren.
De cijfers worden niet alleen verwerkt, maar ook op een vaste manier gepresenteerd in onze eigen huisstijl. Daardoor ontstaat iedere week snel een herkenbare rapportage waarmee we kunnen zien hoe we ervoor staan.
Dit soort rapportages kun je natuurlijk ook in Business Intelligence-software bouwen. Wat ons opvalt, is dat AI voor bepaalde toepassingen BI snel begint in te halen. Een nieuwe rapportage of aanvullende analyse is met een agent vaak veel sneller ingericht. Je beschrijft welke gegevens moeten worden gebruikt, welke vergelijkingen je wilt maken en hoe het resultaat eruit moet zien. Ook huisstijl en presentatievoorkeuren zijn eenvoudig als instructie mee te geven.
Dat maakt experimenteren veel gemakkelijker. Wil je volgende week behalve omzet ook orderintake of een vergelijking per klantgroep zien, dan hoef je niet eerst een nieuw dashboard te bouwen.
En juist daar ontstaat een interessant effect: zodra zo’n toepassing goed werkt, ga je vanzelf anders naar processen kijken. Welke rapportages maken we nog meer? Welke gegevens verzamelen we telkens opnieuw? En wat zou een volgende agent daarvan kunnen overnemen of voorbereiden?
Praktijkvoorbeeld 2: onze wekelijkse productieplanning
Een tweede toepassing is onze planningsassistent.
Voor onze wekelijkse capaciteitsplanning moeten veel gegevens bij elkaar worden gebracht. Hoeveel productie-uren zijn er per afdeling nodig? Welke medewerkers zijn aanwezig? Wie werkt parttime? Wie kan eventueel op een andere afdeling worden ingezet? En hoeveel capaciteit is er per dag werkelijk beschikbaar?
De planningsassistent krijgt de productiebehoefte van die week en informatie over bijvoorbeeld afwezigheden en afwijkende werktijden. Daarnaast kent hij de relevante planningsregels, zoals vaste werkdagen, hoofd- en neventaken van medewerkers, afdelingsprioriteiten en beschikbare capaciteit.
Vervolgens zet hij benodigde en beschikbare capaciteit tegen elkaar af. Hij plant medewerkers in beginsel op hun hoofdtaak en kijkt bij tekorten of medewerkers met een geschikte neventaak kunnen worden ingezet.
Kan een tekort niet worden opgelost, dan wordt dat juist zichtbaar gemaakt. De assistent geeft aan waar het knelpunt zit en hoeveel capaciteit ontbreekt.
Het resultaat is een conceptplanning. Pas nadat de planner deze heeft beoordeeld en goedgekeurd, wordt de definitieve planning gemaakt.
Dat laatste is essentieel. Een agent kent de informatie en regels die wij hem hebben gegeven. Hij ziet niet dat een machine die ochtend vreemd klinkt, dat een order onverwacht meer werk vraagt of dat het vanuit ervaring verstandiger is bepaalde werkzaamheden anders te verdelen.
Dat is de kennis van onze mensen.
De agent neemt daarom vooral het reken-, controle- en repeterende voorbereidingswerk over. De planner houdt tijd over voor het deel waarvoor productiekennis en ervaring werkelijk nodig zijn.
Nieuwe mogelijkheden vragen ook om governance
Naarmate we meer agents gebruiken, ontstaat ook een nieuwe vraag: waar zit eigenlijk de kennis waarmee zo’n agent is opgebouwd?
We willen voorkomen dat de werkwijze van een agent uitsluitend binnen één AI-platform bestaat. Daarom vinden we het belangrijk om voor iedere agent vast te leggen welke instructies hij krijgt, welke bronnen hij gebruikt, welke bedrijfsregels gelden en hoe de gewenste output eruitziet.
Daarmee maken we een agent zoveel mogelijk ‘verhuisbaar’. Als we in de toekomst bijvoorbeeld van OpenAI/ChatGPT naar Google Gemini, Anthropic Claude of een ander platform zouden willen overstappen, moet de onderliggende werkwijze van onszelf blijven.
Dat zien we als een belangrijk onderdeel van AI-governance: niet alleen nadenken over wat een agent mag en kan, maar ook zorgen dat de bedrijfskennis waarop hij is gebaseerd eigendom en onder controle van het bedrijf blijft.
Begin bij je eigen processen
Onze eerste ervaringen laten vooral zien dat een nuttige AI-toepassing niet groot of spectaculair hoeft te zijn.
Kijk naar werkzaamheden die steeds opnieuw worden uitgevoerd. Welke informatie wordt iedere week verzameld? Welke controles worden steeds opnieuw gedaan? Welke kennis gebruikt een ervaren medewerker daarbij? En welke stappen zijn voorspelbaar genoeg om door een digitale assistent te laten voorbereiden?
Voor ons zijn agents dan ook geen eindpunt, maar een volgende stap in het praktisch toepassen van AI.
Niet door de kennis van onze mensen te vervangen, maar door ervoor te zorgen dat zij die kennis kunnen inzetten op de momenten waarop die echt het verschil maakt.
