De meeste plannen om repetitieve taken te automatiseren beginnen bij de tool. Ze zouden moeten beginnen bij een lijst met aantallen: wat gebeurt er in dit bedrijf elke week opnieuw met de hand, hoe vaak, en hoe lang duurt het. Dat is minder spannend dan een demo, en het is het enige dat je later kunt narekenen.
Repetitief werk is lastig te zien omdat de mensen die het doen eraan gewend zijn geraakt. Niemand loopt binnen met de mededeling dat hij zes uur per week zit over te typen. Wel hoor je: "dat doe ik even snel zelf", "dat draai ik elke maandag uit" en "dat weet ik uit mijn hoofd". Dat zijn geen klachten, dat zijn vindplaatsen.
In vrijwel elk mkb-bedrijf laat handwerk dezelfde vijf sporen achter. Als je weet waar je moet kijken, heb je binnen een halve dag een eerste lijst.
Iets staat al ergens digitaal en wordt met de hand overgenomen in een tweede systeem.
vraag: uit welk scherm wordt hier gelezen?Het pakket toont net niet wat iemand nodig heeft, dus wordt het antwoord ernaast bijgehouden.
vraag: wat mist er in het rapport?Pdf's, bonnen en bijlagen die iemand opent, hernoemt en in de juiste map zet.
vraag: hoeveel stuks per week?Statusvragen van klanten of collega's die iemand steeds handmatig beantwoordt.
vraag: waar staat het antwoord echt?Iemand loopt periodiek een lijst na op fouten, zonder dat het ergens als taak staat.
vraag: wat gaat er mis als hij ziek is?De verleiding is groot om deze lijst meteen te vertalen naar een keuze. Iedereen heeft immers wel een idee waar de meeste tijd in gaat zitten. Het probleem is dat dat idee meetbaar afwijkt van de werkelijkheid, en niet een klein beetje.
Het scherpste voorbeeld komt uit een onderzoek van METR van juli 2025. Zestien ervaren ontwikkelaars voerden 246 taken uit, de helft met AI-hulp en de helft zonder. Achteraf schatten ze in dat ze met AI ongeveer twintig procent sneller waren geweest. Gemeten deden ze er negentien procent langer over. Dat is geen verhaal over ontwikkelaars of over AI, het is een verhaal over hoe slecht mensen hun eigen tijdsbesteding inschatten, ook als ze er middenin zitten.
Diezelfde blinde vlek verklaart een deel van de teleurstelling die je nu overal terugziet. Gartner verwacht dat meer dan veertig procent van alle agentic-AI-projecten voor het eind van 2027 wordt afgeblazen, en uit MIT-onderzoek kwam eerder het cijfer dat ongeveer 95 procent van de zakelijke pilots met generatieve AI nooit meetbaar rendement oplevert. Dat ligt zelden aan de techniek. Het ligt eraan dat er nooit een nulmeting was, dus dat niemand achteraf kan zeggen of er iets is opgeschoten.
Ook in de markt zelf is die stemming omgeslagen. Waar leveranciers begin 2026 vooral agent-bouwers lanceerden, gaat het deze maanden over orchestratie, harde grenzen en controleerbaarheid: liever een paar goed afgebakende toepassingen met bewijs dan tien die niemand narekent. Dat is precies de goede beweging, en die begint bij tellen.
Je hebt geen tijdregistratiesysteem nodig en ook geen adviesbureau. Je hebt een week nodig waarin iedereen die met de hand werkt kort noteert wat hij doet, en iemand die het daarna optelt.
Een week lang elke handeling die als handwerk voelt: naam, hoe vaak, hoe lang, in welke systemen. Twee regels per keer.
Per taak alle regels bij elkaar, en doorrekenen naar een jaar. Nu heb je aantallen in plaats van indrukken.
De top tien langs vier vragen: frequentie, voorspelbaarheid, beschikbare data, gevolg van een fout.
Een taak, niet drie. De rest gaat op de lijst en wacht op wat je van de eerste leert.
De uitkomst verrast bijna altijd op hetzelfde punt. De taak die het meest irriteert staat zelden bovenaan, want irritatie schaalt met hoe vervelend iets is en niet met hoe vaak het gebeurt. Bovenaan staat meestal iets saais: een handeling van drie minuten die zeventig keer per week voorkomt en die niemand ooit heeft opgeteld.
Uit de lijst kiezen doe je niet op omvang alleen. Een taak is pas een goede eerste kandidaat als hij op alle vier deze punten goed scoort:
Deze vier vragen doen ook iets anders: ze scheiden het echte automatiseringswerk van het datawerk. Loopt een taak vast op de derde vraag, dan is dat geen reden om hem te laten liggen, maar wel een teken dat er eerst iets anders moet gebeuren.
Vaak complex, zelden frequent, en de data zit half in mensenhoofden.
Onopvallend, hoogfrequent, en volledig te reconstrueren uit systemen.
Dat je met de saaie taak begint is geen bescheidenheid maar risicospreiding. De eerste automatisering moet vooral iets opleveren waar je op kunt bouwen: een werkend voorbeeld, een gemeten besparing en een organisatie die heeft gezien dat het klopt. Pas daarna is het verstandig om de ingewikkelde taak aan te pakken waar iedereen vanaf het begin naar wees.
Als je de uitkomsten naast elkaar legt, valt vrijwel altijd hetzelfde op: het handwerk zit op de naden tussen systemen. Overtypen gebeurt omdat twee pakketten niet met elkaar praten. Een spreadsheet ontstaat omdat de gegevens die iemand nodig heeft over drie plekken verdeeld staan. Een statusvraag wordt handmatig beantwoord omdat het antwoord nergens compleet staat.
Je meetweek is daarmee niet alleen een automatiseringslijst, maar ook een kaart van waar je data uit elkaar valt. Dat is precies het patroon dat we beschrijven in vijf signalen dat je bedrijf zijn CRM is ontgroeid, en de reden dat een open datalaag in eigen beheer meer oplevert dan een reeks losse koppelingen. Hoe dat fundament werkt, staat op de pagina over de AI Native Data Layer.
Heb je je taak gekozen en wil je weten hoe je hem daadwerkelijk automatiseert, van vaste regels tot een agent binnen kaders, dan is bedrijfsprocessen automatiseren met AI het vervolg op dit artikel. Zit de data die je nodig hebt nog vast in een pakket dat niet meewerkt, dan gaat daar een verhuizing aan vooraf: het stappenplan datamigratie beschrijft hoe je die gecontroleerd doet.
Aan de sporen die het achterlaat: gegevens die van het ene systeem naar het andere worden overgetypt, spreadsheets die naast een pakket worden bijgehouden, mappen met bestanden die met de hand worden gesorteerd, terugkerende vragen die iedere keer opnieuw worden beantwoord, en controles die iemand er elke week bij doet. Handwerk kondigt zich zelden aan als probleem, want de mensen die het doen zijn eraan gewend geraakt.
Omdat de inschatting van waar de tijd heen gaat structureel afwijkt van de meting. Een onderzoek van METR uit juli 2025 liet ervaren ontwikkelaars taken uitvoeren met en zonder AI-hulp: ze dachten achteraf twintig procent sneller te zijn geweest, terwijl ze in werkelijkheid negentien procent langer deden over hun werk. Zonder nulmeting weet je niet of je automatisering iets oplevert of alleen zo voelt.
De taak die vaak voorkomt, voorspelbaar verloopt, draait op data die al digitaal beschikbaar is, en waarbij een fout herstelbaar is. Niet de taak die het meest irriteert en niet de taak met de hoogste theoretische besparing. Een taak die drie keer per jaar voorkomt en waarbij een fout een klant kost, is een slechte eerste kandidaat, hoe vervelend hij ook is.
Dan is dat de uitkomst van de meting, en een nuttige. Werk dat afhangt van kennis die nergens is vastgelegd, kun je niet automatiseren zonder die kennis eerst ergens vast te leggen. Dat is meestal geen automatiseringsproject maar een datavraag: eerst zorgen dat de gegevens waarop het werk drijft ergens compleet en bruikbaar staan.
Voor de deelnemers een paar minuten per dag, en voor degene die het optelt een dagdeel. Dat is bewust laag gehouden: een meetweek die als project voelt, wordt niet afgemaakt. De opbrengst is een lijst met echte aantallen, die je nog jaren gebruikt als nulmeting om te toetsen of automatisering iets oplevert.
Alles wat hierboven staat komt neer op een omkering. Niet eerst bepalen wat je gaat automatiseren en daarna zoeken naar bewijs, maar eerst een week meten en de uitkomst laten bepalen waar je begint. Dat kost een week doorlooptijd en een dagdeel rekenwerk, en het is het verschil tussen een project dat zichzelf kan verantwoorden en een pilot die over een jaar stilletjes verdwijnt.
En mocht de meetweek uitwijzen dat het grootste handwerk voortkomt uit systemen die niet met elkaar praten, dan heb je geen automatiseringsvraag maar een datavraag. Dat is geen slechte uitkomst. Dat is de goede volgorde.
In een vrijblijvend adviesgesprek lopen we je processen langs, kijken we welk handwerk zich het snelst laat wegnemen en wat daar in jouw systemen voor nodig is. Op locatie of online.
Plan een vrijblijvend adviesgesprek