Van ‘als dit, dan dat’ naar redeneren: waarom AI automatisering fundamenteel verandert

Automatisering bestaat al decennia. Wat er de afgelopen jaren is veranderd, is niet dat het sneller of goedkoper is geworden. Er is iets veranderd in wát een systeem kan afhandelen.

Om te begrijpen waarom dat verschil groot is, helpt het om drie generaties uit elkaar te halen.

Generatie 1: als dit, dan dat

De eerste generatie werkt op regels. Als er een formulier binnenkomt, maak dan een rij aan in de spreadsheet en stuur een mail. Als een deal op “gewonnen” gaat, maak dan een projectmap aan.

Dit werkt uitstekend, en het is nog steeds de ruggengraat van veel goede systemen. Het is voorspelbaar, goedkoop en makkelijk te controleren.

Maar het heeft één harde grens: het systeem begrijpt niets. Het herkent structuur, geen betekenis. Zodra de werkelijkheid afwijkt van het pad dat je hebt uitgetekend, stopt het of gaat het fout.

En de werkelijkheid wijkt voortdurend af. Een klant antwoordt met “prima, maar kan het een week later” in plaats van op de knop te drukken. Een factuur komt binnen als foto in plaats van als PDF. Iemand vult het verkeerde veld in. Elk van die gevallen belandt op een stapel die iemand handmatig moet nalopen — en die stapel is precies het werk waar je vanaf wilde.

De onderliggende beperking: regelgebaseerde systemen kunnen alleen aan wat je vooraf hebt bedacht. Elke uitzondering is een nieuwe regel die iemand moet schrijven.

Generatie 2: taalmodellen als onderdeel van de flow

Toen taalmodellen bruikbaar werden, kwam daar een schakel bij. Ineens kon je middenin een flow een stap zetten die betekenis interpreteert: classificeer deze mail, vat dit gesprek samen, haal de relevante gegevens uit dit document, schrijf een concept-antwoord.

Dat loste een deel van het probleem op. Ongestructureerde input — mails, documenten, gesprekken — werd verwerkbaar. Voor veel bedrijven was dat de grootste sprong.

Maar het pad zelf bleef vast. Het model was een slimme stap in een verder vaste route. Stap 1 gaat naar stap 2 gaat naar stap 3, altijd in die volgorde. Als er halverwege iets ontbrak, kon het systeem niet besluiten om even iets anders te doen — informatie opvragen, een andere bron raadplegen, een stap overslaan. Het model had begrip, maar geen handelingsruimte.

Generatie 3: systemen die redeneren en handelen

Wat er nu bij is gekomen, is dat het model niet alleen een stap uitvoert, maar bepaalt welke stappen nodig zijn. Je geeft een doel, een set gereedschappen en de grenzen waarbinnen het mag opereren. Het systeem beslist zelf over de route.

Het verschil zit in de omgang met het onverwachte.

Neem het verwerken van een inkomende offerte-aanvraag. De klassieke flow leest de aanvraag, vult de template en verstuurt. Ontbreekt er een gegeven, dan valt het uit en gaat het naar de handmatige stapel.

Een agent kijkt naar de aanvraag, constateert dat de gewenste opleverdatum ontbreekt, zoekt in de eerdere correspondentie met dit bedrijf of daar iets over gezegd is, vindt niets, en stuurt een gerichte vraag terug. Komt het antwoord binnen, dan pakt hij de draad op waar hij was. Ziet hij dat de aanvraag qua omvang buiten de standaardcategorie valt, dan zet hij hem klaar voor menselijke beoordeling in plaats van er een verkeerd getal op te plakken.

Dat is geen langere lijst regels. Dat is de mogelijkheid om te beoordelen wat de situatie vraagt.

De praktische consequentie: de uitzonderingen die vroeger je bottleneck waren, worden nu grotendeels binnen het proces afgehandeld. En dat is relevant, want in de meeste bedrijven zit het echte tijdverlies niet in de standaardgevallen. Dat zit in de dertig procent die net anders is.

Waar de grenzen liggen

Dit is precies het punt waarop de meeste verhalen over AI-agents ophouden, en waar het eerlijke deel begint.

**Redeneren betekent variatie.** Een regelgebaseerd systeem doet elke keer exact hetzelfde. Een redenerend systeem kan bij dezelfde input een andere route kiezen. Dat is de kracht en het risico in één. Voor processen waar exacte reproduceerbaarheid vereist is — betalingen, juridische verplichtingen, alles met een auditspoor — bouw je bewust met vaste regels, of je zet harde controlepunten in.

**Autonomie is een schuifregelaar, geen schakelaar.** Een goed ontworpen agent heeft expliciete grenzen: dit mag hij zelfstandig, hier moet een mens akkoord geven, hier stopt hij en meldt hij het. Wij zetten die grens aan het begin bewust streng en verruimen hem naarmate het systeem zich in de praktijk bewijst. Andersom werkt zelden goed.

**Het moet controleerbaar zijn.** Als een agent iets beslist, moet je terug kunnen zien waarom. Zonder logging en zonder inzicht in de gemaakte keuzes heb je geen automatisering maar een zwarte doos, en dat is voor niemand houdbaar.

**Niet alles hoeft dit.** Een kwart van wat wij bouwen is nog steeds gewoon een goede regelgebaseerde flow, omdat dat voor die taak het juiste gereedschap is. Een agent inzetten voor iets dat deterministisch kan, is duurder, trager en minder betrouwbaar. Dat is geen vooruitgang, dat is mode.

Wat dit betekent voor je bedrijf

De praktische verschuiving is deze: de vraag is niet langer alleen “welke handelingen kunnen we wegnemen”, maar “welk werk kunnen we uit handen geven”.

Dat is een ander gesprek. Bij handelingen kijk je naar minuten. Bij werk kijk je naar verantwoordelijkheid: wat is er nodig om dit uit handen te geven zonder dat je het risico loopt dat het stilletjes misgaat? Welke controlepunten wil je? Waar wil je expliciet zelf beslissen?

Bedrijven die dat gesprek voeren, komen op een andere plek uit dan bedrijven die alleen naar tijdwinst kijken. Niet omdat de techniek anders is, maar omdat ze de vraag scherper hebben gesteld.

En dat blijft, ongeacht welke generatie technologie er volgt, het deel waar het verschil wordt gemaakt.