Sommige processen lijken eenvoudiger dan ze zijn. Iemand neemt een template, past een paar gegevens aan, kiest een taal, geeft het document een volgnummer en slaat het op. Komt die handeling regelmatig terug, dan ligt automatisering voor de hand.

Tot je begint te vragen. Waarom wordt dat volgnummer precies zo opgebouwd? Welke combinaties mogen wel en welke niet? Wat gebeurt er wanneer één overeenkomst meerdere personen omvat? Welke bestaande documenten bepalen mee welk nummer daarna komt, en wie mag beslissen dat een uitzondering toch wordt toegestaan? Dan blijkt dat je geen Word-document aan het automatiseren bent. Je bent een proces aan het formaliseren dat jarenlang deels in bestanden en deels in het hoofd van mensen heeft gezeten.

Software is behoorlijk goed in regels uitvoeren. De moeilijkheid zit in bepalen welke regels er werkelijk bestaan. Wie een routine handmatig uitvoert, merkt zelden hoeveel impliciete beslissingen hij onderweg neemt: dat een bestaand nummer nooit opnieuw gebruikt wordt, dat één klant altijd nét anders behandeld wordt, dat een bepaalde combinatie "niet voorkomt" — tot iemand ze op een dag toch invoert. Zolang een mens het proces uitvoert, vult ervaring die gaten op. Software doet dat niet. En dat is juist bruikbaar: een goede automatisering dwingt je om "normaal gezien doen we dat zo" te vervangen door afspraken die eenduidig genoeg zijn om uit te voeren en te testen. Dan moet vastliggen wat verplicht is, wat geblokkeerd wordt, wat uniek moet blijven, welke gegevens de bron zijn en wat er gebeurt wanneer een stap mislukt.

Pas daarna wordt technologie interessant. Ik heb weinig aan een tool die in een demo twintig seconden bespaart als ik niet zeker weet of twee gebruikers hetzelfde volgnummer kunnen krijgen, of bestaande gegevens bij een overzetting overschreven worden. Daarom kijk ik bij interne tools eerst naar de dingen die absoluut niet mogen gebeuren. Een knop die werkt heeft weinig waarde als de uitzonderingen ernaast onbetrouwbaar zijn.

Dat bepaalt ook hoe ik AI in zo'n traject gebruik. Een model kan helpen code schrijven, testgevallen voorstellen, een ontwerp in vraag stellen of scenario's blootleggen waar niemand aan gedacht had. Nuttig. Maar “de AI heeft de code gemaakt” zegt niets over de kwaliteit van het resultaat. Waar een bedrijfsregel vast moet liggen, mag een model niet stilzwijgend gaan schatten welk type, nummer of taal van toepassing is. Wat telt, is of dezelfde input telkens de bedoelde uitkomst geeft, of fouten geblokkeerd worden vóór ze gegevens beschadigen, en of er tests bestaan voor gedrag dat behouden moet blijven.

Niet elk menselijk oordeel hoeft daarbij te verdwijnen. Sommige beslissingen hou je bewust bij een gebruiker. Als een tool tien handelingen overneemt en één belangrijke beslissing bij een mens laat, is dat vaak beter dan elf handelingen automatiseren en hopen dat de elfde altijd goed gaat. Automatiseren is voor mij niet zoveel mogelijk stappen verwijderen, maar routine betrouwbaar wegnemen zonder tegelijk de controle weg te automatiseren.

Hetzelfde geldt voor wat er al bestaat. Een nieuwe tool krijgt zelden een leeg speelveld: er zijn documenten, nummers, dossiers en gewoontes van vóór de tool, en die horen bij het probleem. Een werkende automatisering moet niet alleen weten wat er morgen moet gebeuren. Ze moet ook respecteren wat gisteren al gebeurd is.

Daarom begin ik liever met een vervelende vraag: wat mag deze tool absoluut nooit verkeerd doen? Zolang daar geen helder antwoord op bestaat, zijn we nog niet klaar om te automatiseren.