Vragenlijst
AI & automatiseringsambitie
Waar laat je AI-agents al beslissen, waar enkel adviseren, en welke menselijke gates blijven? Geen "AI overal", maar een doelgerichte keuze per use case — met menselijke verantwoordelijkheid op de juiste plekken.
Bijgewerkt op 18 mei 2026
Vragenlijst · 4.12
Waarom dit nu — en niet later
De verleiding is groot om AI als “fase 2” te parkeren (“eerst stabiel draaien, dan AI”). Maar configuratiebeslissingen die je nu neemt — classificaties, kennisbankstructuur, ticketvelden — bepalen direct hoe goed AI later kan werken. Bepaal nu welk niveau je nastreeft per use case; dat sturen je in welke datakwaliteit je vandaag al neerlegt.
Wat lever je op?
AI-ambitiematrix
Per use case: niveau (advise / assist / act), met succescriteria en eigenaar.
Menselijke gates
Waar grijpt een mens in: bij iedere actie, bij hoge impact, bij twijfel?
Datakwaliteits-eisen
Welke classificaties, kennisartikelen en historie zijn nodig om de matrix te realiseren?
Governance & transparantie
Welke logs, audits en uitleg geven jullie aan eindgebruikers en toezichthouders?
De drie niveaus
Niveau 1 — Adviseren
AI suggereert (categorie, oplossing, antwoord). Behandelaar beslist en handelt. Veiligste startpunt.
Niveau 2 — Assisteren
AI voert deelacties uit (classificeren, routeren, eerste antwoord opstellen). Mens reviewt en bevestigt.
Niveau 3 — Handelen
AI handelt zelfstandig binnen vooraf afgekaderde grenzen. Mens controleert achteraf via dashboards of audit.
Kernvragen
- 1Welke use cases wil je AI-ondersteund — ticketclassificatie, eerste antwoord, kennisbankzoeken, no-show-detectie, anomalie in bezetting, automatisch routeren?
- 2Per use case: welk niveau (1/2/3) ambieer je in fase 1, en wat is de roadmap naar fase 2/3?
- 3Grenzen — welke beslissingen mag AI nooit autonoom nemen (medische, juridische, financiële boven X €)?
- 4Eindgebruikertransparantie — hoe vertel je dat AI antwoordt? Labels, disclaimers, opt-out?
- 5Datakwaliteits-eis — welke classificatiediepte en kennisbankvolwassenheid hebben we nodig om elk niveau betrouwbaar te halen?
- 6Feedback-lus — hoe verzamel je correcties (behandelaar wijst foute classificatie af)? Voedt dit het model bij?
- 7Compliance & AI Act — welke use cases vallen onder welke risico-categorie? Documentatie, logging, menselijk toezicht?
- 8Privacy & gegevensgebruik — welke data mag AI zien (alle ticketinhoud, alleen meta)? Anonimiseren? Verwerkersovereenkomst?
- 9KPI's voor AI-succes — adoptiepercentage, accuratesse, behandelaar-correcties, gespaarde tijd, gebruikertevredenheid.
- 10Roll-back-procedure — als AI iets verkeerd doet, hoe schakel je per use case snel naar niveau 1?
Template — Ambitiematrix per use case
| Use case | Fase 1 | Fase 2 | Grens (nooit) | Datakwaliteits-eis | Eigenaar |
|---|---|---|---|---|---|
| Ticket classificeren | Adviseren | Assisteren | Major incidents | 3-laagse classificatie + 500+ historische tickets | Service Manager |
| Kennisbank-antwoord | Assisteren | Handelen | HR/legal-vragen | 200+ KB-artikelen met FAQ-tags | Servicedesk-mgr |
| No-show-detectie | Adviseren | Handelen | Boardroom & VIP-ruimtes | Check-in-data ≥ 3 maanden | FM-mgr |
| Bezetting-anomalie | Adviseren | Adviseren | Personeelsplanning | IoT-sensoren actief | Workplace-lead |
| Auto-routing tickets | — | Assisteren | P1-incidents | Werkgroepen + skills-tags ingericht | Service Manager |
| … | … | … | … | … | … |