Dezelfde klant, vier namen
In de planning heet hij „Fam. de Vries”, twee regels lager „de vries”, in de mail „H.J. de Vries” en in de chat alleen een straatnaam.
Orde creëren in chaotische processen
Vier bronnen die elkaar tegenspreken, één factureerbaar dossier.
Van Dijk Installatietechniek heeft zes monteurs en ongeveer tien klussen per week. De planning staat in Excel, de afspraken in de mailbox, de uren in een WhatsApp-groep en het materiaal op foto's van kassabonnen. Op vrijdag moet daar een factuur uit komen, en dat is elke week weer een halve dag puzzelen.
Van Dijk is een simulatieopdracht: een bedrijf dat wij zelf hebben opgezet om deze workflow op te bouwen en te testen.
- bronnen die het niet met elkaar eens zijn
- 4
- stappen in de workflow
- 23
- daarvan roepen AI aan
- 3
vier-bronnen-naar-een-procesVier plekken, en geen afspraak welke gelijk heeft.
De informatie die je nodig hebt om te factureren staat bij Van Dijk op vier plekken. Elk daarvan is op zichzelf logisch: de planner werkt in Excel, klanten mailen, de monteurs appen elkaar de hele dag, en bonnen worden gefotografeerd omdat dat het snelste gaat.
Er lekt marge weg zonder dat iemand het ziet: meerwerk dat wel gedaan is maar nergens vastligt, uren die niemand meer kan reconstrueren, bonnen die bij de verkeerde klus belanden.
Het echte probleem is niet dat er vier bronnen zijn. Het is dat ze elkaar tegenspreken, en dat het per geval verschilt wie er gelijk heeft.
- De planning
een Excel-bestand - De klanten
de mailbox - De monteurs
een WhatsApp-groep - Het materiaal
foto's van kassabonnen
Wat er in één week misging.
Geen rampen, gewoon een normale week. Maar elk van deze dingen kost de planner op vrijdag tijd, en drie ervan kosten geld.
Dezelfde klus, twee keer
De export bevat „Bouwbedrijf Kroon BV” en „Bouwbedrijf Kroon B.V.” als aparte regels. Voor een computer zijn dat twee klussen.
Een afspraak die alleen in de mail verzet is
De klant mailt ’s avonds dat het een dag later moet. De planning wordt nooit bijgewerkt, dus de bon van die dag past nergens bij.
Uren van „gister”, om 22:41 doorgegeven
Een monteur meldt uren na, maar zegt er iets bij dat op vandaag slaat. Welke dag hij bedoelt, is uit de chat niet met zekerheid te halen.
Een bon die niet optelt
Subtotaal plus btw is niet het totaal dat er staat. Geen fraude, gewoon een cijfer dat de scan verkeerd heeft gelezen.
Meerwerk dat nergens op een bon staat
In de chat goedgekeurd, materiaal uit eigen voorraad gepakt. Zonder de chat erbij verdwijnt dit zonder dat iemand het merkt.
Eén week erdoorheen: 47 seconden en zesentwintig cent.
Negen klussen na dedupe, twaalf AI-aanroepen. Vijf klussen konden meteen naar de facturatie, drie bleven open omdat er nergens uren van te vinden waren, en één ging naar de nakijklijst.
Het meerwerk dat niet geboekt werd
„Was wel wat meer werk want de leiding zat achter de kast.” Adres en werk passen bij de klus, maar de dag klopt niet met de planning en „2,5 uur denk ik” is een schatting. Er wordt niets geboekt, en het meerwerk apart genoteerd omdat niemand er akkoord op geeft.
De tegenstrijdigheid van 22:41
„Gister ben ik na de slagerij nog bij bakker langs geweest. 40 minuten.” Gister is donderdag, maar de slagerij was vrijdag. De duur is duidelijk, de dag niet — en dan wordt er geen dag gekozen.
De bon die niet optelt
€ 128,35 plus € 26,95 btw is € 155,30, maar er staat € 166,30. Niet gevonden door het model maar door de natelstap erachter. Het model leest over, code rekent na.
En wat er niet goed genoeg was
Geen enkele bon is aan een klus gekoppeld. Alle vijf bruikbare bonnen kwamen op de lijst met twee tot vier mogelijke klussen, dus het materiaalbedrag bleef op elke klus € 0,00. De workflow weigert bewust te gokken, maar daarmee kwam er deze week geen materiaal op een factuur — en dat was de helft van de belofte. De oplossing zit niet in de workflow maar in de bron: een klusnummer op de bon.
Waar het hier om draait.
Het is verleidelijk om zo'n proces op te lossen door alles aan een AI-model te geven en te hopen dat het klopt. Dat werkt bij tien klussen en breekt bij tweehonderd. Vier keuzes maken hier het verschil.
De AI kiest nooit vrij
Een chatbericht bevat geen klusnummer. In plaats van het model de hele lijst te geven, filtert gewone code eerst op monteur en datum. Het model krijgt een handvol kandidaten en mag daar niet buiten kiezen. Doet het dat toch, dan wordt het antwoord weggegooid.
Labelen doet AI, rekenen doet code
Het model typt de bedragen van een bon over, meer niet. Daarna telt de workflow zelf na of de regels optellen tot het subtotaal en of de btw klopt. Zo komt die verkeerd gelezen bon vanzelf boven water.
Drie modellen, op wat een fout kost
Uren afleiden gaat naar het sterkste model, want een fout daar is een verkeerde factuur. Een bon uitlezen en mail sorteren zijn eenvoudiger werk en gaan naar lichtere modellen. Niet overal het duurste, en ook niet overal het goedkoopste.
Het mag „ik weet het niet” zeggen
Twijfelt de workflow, dan gokt hij niet. Dan komt het op een aparte lijst met de vraag erbij die een mens moet beantwoorden. Die lijst is een volwaardige uitkomst, geen foutmelding.
Zo staat hij erbij.
De workflow draait in n8n op onze eigen server. Links de vier bronnen, in het midden de stap die alles normaliseert en dubbelingen eruit haalt, daarna de splitsing naar de drie AI-stappen, en rechts de vier uitkomsten: weekoverzicht, factureerbaar, nog open, en nakijken door een mens.
Elke AI-stap heeft twee uitgangen.
Success en Error. Gaat een AI-stap onderuit, dan neemt hij de onderste uitgang en komt die vraag zichtbaar op de lijst, terwijl de rest van de week gewoon doorloopt.
Direct achter elke AI-stap staat een controlestap in code. Die telt het antwoord na voordat het meetelt.
Niets gaat hier stilletjes door.
Een half verwerkte week is gevaarlijker dan een week die niet verwerkt is, want het verschil zie je niet terug op de factuur. Daarom heeft elke stap een uitgang voor als het misgaat.
Gaat een AI-stap onderuit door een storing, dan volgen drie pogingen. Lukt het daarna nog niet, dan komt die ene deelvraag zichtbaar op de lijst en wordt de rest van de week gewoon afgemaakt.
Geeft het model een klusnummer terug dat niet in de kandidatenlijst stond, dan gaat de toewijzing eruit.
Is er geen letterlijke chatregel als onderbouwing, dan worden de uren niet geboekt.
Telt een bon niet op, dan wordt hij niet gecorrigeerd en niet weggelaten, maar doorgestuurd naar een mens.
Is een bonfoto onleesbaar, dan is de uitkomst een verzoek om een nieuwe foto — geen geraden bedrag.
Tijdens het testen viel de verbinding met het AI-model weg en faalden alle twaalf stappen tegelijk. De workflow crashte niet: hij rondde netjes af, met alle twaalf vragen zichtbaar op de lijst en de reden erbij.
Dat is precies het gedrag dat je op een vrijdagmiddag wilt. Niet omdat het zo bedacht was, maar omdat het zo gebouwd is.