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 |
| … | … | … | … | … | … |