Door Jonathan van de Lustgraaf, BC Technical Consultant bij DDS

Veel bedrijven gebruiken AI momenteel als een geavanceerde zoekmachine. Ze lopen tegen een probleem aan, stellen een vraag aan een AI-chatbot, krijgen een antwoord en gaan verder. Soms laten ze zelfs code of documenten genereren. Op het eerste gezicht lijkt dat efficiënt. Maar er schuilt een serieus risico in deze aanpak: de AI weet niets van jouw bedrijf, jouw processen of jouw klanten. En als jij zelf de diepgaande kennis ook mist, ga je al snel verder op verkeerde aannames. Het resultaat? Oplossingen die niet kloppen, kennis die niet overdraagbaar is, en uiteindelijk méér tijd kwijt dan je had gewonnen. Dit probleem houdt mij mij al jaren bezig en het is de reden waarom ik geloof dat bedrijven AI op een fundamenteel andere manier moeten benaderen.

 

Wie ben ik en wat doe ik bij DDS?

Mijn naam is Jonathan van de Lustgraaf en ik werk als BC Technical Consultant bij DDS. In die rol help ik klanten met vraagstukken rondom Business Central: van het analyseren van knelpunten tot het bedenken en bouwen van oplossingen die écht passen bij hun situatie. Wat ik het mooiste vind aan dit werk, is de variatie. Elke klant is anders, elke casus vraagt om een andere aanpak. Soms werk ik ook samen met collega’s van 4PS om hun klanten te ondersteunen, dat brengt weer andere perspectieven en nieuwe inzichten mee.

Maar er is één rode draad in alles wat ik doe: ik kijk altijd naar waar het slimmer kan. Waar gaat tijd verloren aan iets wat ook geautomatiseerd of beter georganiseerd kan worden? En hoe kunnen we de kwaliteit van ons werk structureel verhogen, in plaats van steeds hetzelfde wiel opnieuw uit te vinden?

 

Van chatbot naar collega

Terug naar het probleem dat ik eerder noemde. De meeste mensen en bedrijven gebruiken AI als een tool, iets wat je instrueert, iets wat een antwoord geeft, en daarna wegklikt. Dat heeft waarde, maar het mist de kern van wat AI écht kan betekenen.

Ik maak liever een ander onderscheid: AI als collega.

Een collega is iemand op wie je vertrouwt. Iemand die jouw werkwijze kent, jouw klanten begrijpt, en taken zelfstandig kan uitvoeren op een manier die past bij de context van jouw organisatie. Om AI zo te laten werken, moet je investeren in iets wat ik een geheugenlaag noem. In de techniek noemen we dit RAG, ofwel Retrieval-Augmented Generation. Het klinkt ingewikkeld, maar het principe is eenvoudig: je geeft de AI toegang tot jouw eigen kennis. Jouw documentatie, jouw opgeloste tickets, jouw klantconfiguaties. Zo begrijpt de AI niet alleen de vraag, maar ook de context eromheen.

Ik heb hier jarenlang mee geëxperimenteerd in mijn eigen projecten. Ik wilde begrijpen hoe je een AI-systeem kunt bouwen dat de visie achter jouw organisatie begrijpt, en dus antwoorden geeft die daar ook bij passen. Om al die experimenten gestructureerd bij te houden, bouwde ik een eigen projectmanagementtool waar AI-projectbeheer centraal staat.

Normaal houd je zelf bij wat de status van een project is: je dient tickets in, schrijft uren, werkt je roadmap bij. Bij twintig parallelle projecten lukt dat niet meer, terwijl je wel een gericht antwoord moet kunnen geven zodra iemand er één uitlicht. De oplossing was dus niet dat ík alles paraat heb, maar dat AI de details voor mij vasthoudt en op het juiste moment teruggeeft.

Daarvoor had ik een omgeving nodig waar AI snel statussen en informatie kan wegschrijven en weer ophalen. Bestaande tools zoals Jira kunnen veel, maar zijn niet gebouwd voor een AI-model dat in milliseconden door je projecten heen wil navigeren. Daarom bouwde ik eerst de achterkant: een API en datamodel waar AI direct in kan werken. Daar bovenop bouwde ik een eigen UX, die ik door dagelijks gebruik steeds verder heb aangescherpt. Nu kan ik op twee manieren bij dezelfde projectinformatie: ik vraag het aan AI en die haalt het op, of ik open mijn tool op mijn eigen website en kijk zelf.

 

Vertrouwen verdien je stap voor stap

Het mooiste inzicht uit al die experimenten? Vertrouwen kun je niet overslaan.

Stel je voor: je neemt een nieuwe collega aan. Een junior. Je gooit hem niet meteen in het diepe en verwacht dat hij zelfstandig complexe opdrachten uitvoert. Je begint klein. Je geeft taken, je checkt het werk, je geeft feedback. Langzaam bouw je vertrouwen op. En naarmate dat vertrouwen groeit, geef je meer ruimte, meer autonomie. Uiteindelijk groeit die junior uit tot een senior op wie je blind kunt vertrouwen.

Zo werkt het ook met AI.

De fout die veel bedrijven maken, is dat ze direct naar “senior” willen springen. Ze implementeren een AI-systeem, verwachten meteen resultaten, en zijn teleurgesteld als het niet klopt. Of erger: ze vertrouwen blindelings op uitkomsten die ze niet kunnen controleren.

Bij DDS gaan we daar anders mee om. We bouwen aan AI-oplossingen die transparant zijn. Je moet kunnen zien waarom een AI-agent tot een bepaalde conclusie komt.

 

Wat we bouwen bij DDS

Vanuit die overtuiging heb ik een vijflagenmodel ontwikkeld voor het inzetten van AI binnen een organisatie. Een model dat beschrijft hoe je stap voor stap een stevige AI-basis bouwt: van kennisinfrastructuur tot gespecialiseerde agents die taken voor je uitvoeren. Na jaren van experimenteren en verfijnen heb ik dat model geïntroduceerd bij DDS, gepresenteerd aan het volledige team én de directie. De reactie was enthousiast. De directeur vroeg zelf om actief mee te doen aan de eerste praktijktoepassing.

Die toepassing is zijn we nu aan het ontwikkelen: een ticket-agent die TopDesk-tickets analyseert en ondersteunt bij functioneel beheer. Het doel is simpel: de kwaliteit en snelheid van onze ticketverwerking structureel verhogen. Ik ben technisch lead op dit project. Onze functionele consultants werken mee aan de scenario’s, zodat de agent ook écht begrijpt wat er in de praktijk speelt.

Dit is het vijflagenmodel in de praktijk: een gedeelde kennislaag waarop gespecialiseerde agents draaien. De eerste agent is de grootste investering, omdat de basis dan gebouwd wordt. Elke volgende agent bouwt daarop voort, sneller, goedkoper, met meer impact.

 

Je bedrijf klaarstomen voor AI

Er is één ding dat ik in al mijn experimenten keer op keer heb geleerd: AI werkt niet goed in een omgeving zonder structuur. Goede processen, heldere documentatie en een stevige kennisinfrastructuur zijn geen gevolg van AI, ze zijn de voorwaarde.

Dat is ook waarom we bij DDS parallel werken aan het aanscherpen van onze eigen processen. Concreet betekent dat: documentatie stroomlijnen zodat AI én collega’s snel het juiste stuk informatie terugvinden, en waar nodig API’s bouwen zodat AI rechtstreeks bij de bron kan in plaats van via een omweg. Hetzelfde principe als bij mijn eigen projectmanagementtool: hoe gestructureerder de informatie ontsloten is, hoe meer een AI-collega ermee kan. Niet omdat het moet van een consultant, maar omdat we weten dat AI pas écht waarde levert als de basis klopt. Als consultants minder tijd kwijt zijn aan routinewerk, hebben ze meer ruimte om dieper na te denken over klantproblemen. En dat is uiteindelijk waar de echte waarde zit.

Op termijn zien we ook kansen om wat we intern bouwen te vertalen naar onze klanten. Tools die hun processen beter laten lopen, op dezelfde manier waarop we onze eigen processen verbeteren.

 

De weg die voor ons ligt

We staan nog aan het begin. Maar de eerste stappen zijn gezet, en de richting is helder. Bij DDS geloven we niet in AI als hype of als quick fix. We geloven in AI als collega, iemand die je begrijpt, op wie je kunt vertrouwen, en die jouw organisatie van binnenuit sterker maakt.

Dat vraagt geduld, structuur en de bereidheid om vertrouwen stap voor stap op te bouwen. Maar als dat lukt, verandert er iets fundamenteels in hoe je werkt. En dat is precies waar we naartoe werken.