Niet elke automatisering is een AI-automatisering (en waarom dat je geld scheelt)

Wat is het verschil tussen een automatisering en AI?

Een automatisering volgt vaste regels; AI maakt inschattingen. Dat is het hele verschil in één zin.

Een automatisering doet exact wat je hebt afgesproken: als dit gebeurt, doe dan dat. Komt er een bestelling binnen, maak er een factuurregel van. Altijd dezelfde stappen, altijd hetzelfde resultaat. Voorspelbaar en betrouwbaar.

AI wordt pas interessant als de uitkomst niet op voorhand vastligt. Een tekst samenvatten, de toon van een klacht inschatten, een ongestructureerde e-mail in de juiste categorie plaatsen — daar bestaat geen vaste regel voor. AI maakt dan een onderbouwde gok in plaats van een berekening.

De verwarring ontstaat omdat beide "automatisch" voelen voor de gebruiker. Maar onder de motorkap is het verschil enorm: het ene is een rekenmachine, het andere is een inschatter die elke keer een klein beetje anders kan antwoorden.

Waarom plakt iedereen nu "AI" op alles?

Omdat AI verkoopt. We zitten in een fase waarin elk softwareplatform, elk bureau en elke leverancier het woord "AI" in de etalage zet, omdat het modern en toekomstgericht klinkt. Voor bedrijven ontstaat zo een soort FOMO: als de concurrent "AI" doet, willen wij dat ook.

Het gevolg is dat doodgewone automatiseringen — die al jaren prima werken zonder enige vorm van intelligentie — opnieuw verpakt worden als AI-oplossingen. Niet omdat het proces erom vraagt, maar omdat het label nu eenmaal beter verkoopt. En precies daar begint het geld weg te lekken.

Wat de meeste "AI-automatiseringen" echt zijn: integraties met datatransformatie

De meeste zogenaamde AI-projecten die wij tegenkomen, zijn integraties met datatransformatie. Geen intelligentie, maar koppeling en omzetting.

Even in mensentaal:

Een integratie is een koppeling tussen twee systemen die elkaar normaal niet verstaan. Je webshop moet praten met je boekhoudpakket, je CRM met je mailtool. De integratie is de brug die de data van A naar B brengt.

Een datatransformatie is wat er onderweg op die brug gebeurt: het formaat aanpassen zodat het tweede systeem de data begrijpt. Een datum van "25/05/2026" naar "2026-05-25" zetten. Een veld "Voornaam" en "Achternaam" samenvoegen tot "Naam". Een bestand van Excel naar XML omzetten. Velden van het ene systeem mappen op de velden van het andere.

Dat klinkt misschien technisch, maar het komt neer op iets heel voorspelbaars: bekende data, bekend formaat, vaste regels. En vaste regels zijn precies waar een klassieke automatisering in uitblinkt — zonder AI, zonder per-bericht kosten, zonder verrassingen. Wie hier AI op loslaat, gebruikt een dure tolk voor een gesprek waarin allebei de partijen eigenlijk dezelfde taal spreken.

Wanneer heb je écht AI nodig — en wanneer niet?

De vuistregel: heb je te maken met vaste regels en bekende formaten, dan heb je geen AI nodig. Moet er iets begrepen, ingeschat of gegenereerd worden uit rommelige input, dan wél.

Wél AI:

• Ongestructureerde tekst begrijpen (een vrije e-mail, een review, een open antwoord)
• Inhoud genereren (teksten, samenvattingen, antwoorden)
• Classificeren op betekenis (is deze klacht urgent of niet?)
• Input die elke keer anders oogt en geen vast patroon volgt

Geen AI nodig:

• Data van systeem A naar systeem B sturen
• Een bestandsformaat omzetten (Excel → XML, CSV → JSON)
• Velden mappen tussen twee applicaties
• Vaste, voorspelbare als-dit-dan-dat-flows
• Berekeningen met bekende regels

Als je proces in het tweede lijstje past, is AI eerder een dure omweg dan een oplossing.

Wat het kost als je AI inzet waar het niet hoeft

AI op een taak zetten die het niet nodig heeft, kost je op vier manieren geld — en alle vier zijn vermijdbaar.

Ten eerste de directe kosten: AI-modellen rekenen per gebruik (per call of per token). Een klassieke automatisering die een bestand omzet, doet dat voor een verwaarloosbare kost. Laat je elk bericht door een AI-model lopen, dan betaal je per stuk — en bij volume telt dat hard aan.

Ten tweede de snelheid: een AI-call moet naar een externe server, daar verwerkt worden en terugkomen. Een regelgebaseerde transformatie gebeurt vrijwel instant. Bij grote volumes wordt dat verschil voelbaar traag.

Ten derde de betrouwbaarheid: AI maakt inschattingen, en inschattingen kunnen ernaast zitten. Voor een datumconversie wil je geen "meestal juist" — je wilt 100% juist, elke keer. Een vaste regel geeft je die zekerheid; AI niet.

Ten vierde de afhankelijkheid: zet je een AI-provider in het hart van een simpele dataflow, dan ligt je proces stil als die provider uitvalt, zijn prijzen verhoogt of zijn model aanpast. Voor een taak die geen intelligentie vraagt, neem je zo onnodig risico.

Hoe kies je het juiste gereedschap per taak?

Stel jezelf één vraag voordat je AI inzet: kan ik deze taak in vaste regels beschrijven? Kan dat, dan hoort de taak bij een klassieke automatisering. Kan dat niet — omdat de input te rommelig is of er een inschatting nodig is — dan is AI het juiste gereedschap.

Slim automatiseren draait niet om zoveel mogelijk AI, maar om het juiste gereedschap per taak. Vaak is de beste oplossing een combinatie: een klassieke automatisering die het zware, voorspelbare werk doet, met AI alleen op dat ene stukje waar echt begrip nodig is. Zo betaal je voor intelligentie waar ze waarde toevoegt, en niet voor intelligentie die je proces niet vraagt.