Onze klant wilde een chatbot. We bouwden in plaats daarvan zijn offertedesk.

Een distributeur waarmee we hebben gewerkt, krijgt elke dag een paar honderd offerteaanvragen. Ze komen binnen als e-mail, als pdf, als spreadsheet zonder vast formaat en af en toe als foto van een handgeschreven lijstje, genomen op de magazijnvloer. Iemand leest ze allemaal, bedenkt welke artikelnummers de klant echt bedoelt, controleert de voorraad, past de juiste contractprijsklasse toe en stuurt een offerte terug. De doorlooptijd is een dag, soms twee. Een flink deel van de aanvragen wordt nooit beantwoord, omdat de wachtrij langer is dan de dag.

Toen we de operationeel directeur vroegen wat hij wilde automatiseren, kwam het antwoord snel: een chatbot voor de website.

Niet omdat de chatbot ertoe deed. Omdat de chatbot het ding was dat eruitzag als AI. De offertedesk zag er niet uit als AI. Die zag eruit als twee mensen die het al negen jaar deden en er heel goed in waren.

We bouwden in plaats daarvan het offertesysteem. De doorlooptijd ging van dagen naar minuten, en de aanvragen die vroeger achteraan de wachtrij afvielen, krijgen nu een offerte. We mogen de cijfers van de klant niet publiceren, en richtinggevende claims zijn minder waard dan getallen, dus beschouw dit als context voor de engineering en niet als bewijs. Wat volgt is hoe het systeem werkt, en dat deel kunt u zelf beoordelen.

Werk dat eruitziet als mensen bestaat meestal uit regels

In maart 2026 publiceerde Julien Bek, investeerder bij de durfkapitaalfirma Sequoia Capital, een essay met de titel Services: The New Software. Zijn stelling, die ver buiten investeerderskringen reisde, is dat de echte winst van AI niet zit in het verkopen van softwaretools maar in het werk zelf doen. Het geeft het chatbotpatroon van hierboven ook een vocabulaire dat wij nu voortdurend gebruiken.

Bek splitst professioneel werk in tweeën. Intelligentie is het deel met regels, hoe complex ook: een specificatie omzetten in code, een klinische notitie koppelen aan een declaratiecode, een rommelige aanvraag lezen tegen een catalogus. Oordeel is het deel dat gebouwd is op smaak en jaren van patroonherkenning: wat als volgende te bouwen, of je op prijs meebeweegt om een klant te behouden. Zijn claim is dat modellen het meeste intelligentiewerk inmiddels zelf aankunnen. Onze productie-ervaring is het daarmee eens, met één voorwaarde die alles bepaalt: het geldt alleen waar je de uitkomst kunt controleren.

Leg die splitsing over de offertedesk en het beeld verandert. Een verhaspelde aanvraag interpreteren tegen een bekende catalogus is patroonherkenning volgens regels. Prijzen is een opzoekactie met voorwaarden. Het echte oordeel, of je op prijs meebeweegt voor een strategische klant, is een dun plakje helemaal aan het eind van het proces, en precies daar kan een mens het eigenaarschap houden. Negen jaar vakmanschap was echt. Het meeste ervan was ook automatiseerbaar, en niemand in het bedrijf kon dat zien, omdat het werk een gezicht had.

Het is de moeite waard om het gewoon te zeggen: die twee mensen werken er nog. Ze zijn verhuisd naar de controlewachtrij en de uitzonderingen, het deel van het werk dat altijd het moeilijkst was en door het volume naar de marge was geduwd. Dat was de beslissing van de klant, geen gevolg van de onze, en we zouden dit anders hebben gebouwd als het plan was geweest de desk te schrappen. Een systeem dat leert van correcties heeft de mensen nodig die weten hoe correct eruitziet.

Wat we daadwerkelijk hebben gebouwd

Niets aan het systeem is exotisch, en dat is precies het punt.

De intake normaliseert e-mail-, pdf- en spreadsheetinvoer naar één aanvraagschema. Een model doet de extractie, en een validatielaag wijst alles af wat misvormd is voordat het verder reist. Catalogusmatching is zoeken tegen het artikelbestand, afgestemd op de afkortingen die klanten daadwerkelijk typen, want geen klant op aarde schrijft artikelnummers zoals het ERP ze opslaat. Prijsbepaling is deterministische code. Het model verzint nooit een getal, nooit.

Elke uitkomst draagt een betrouwbaarheidsscore. Alles onder de drempel gaat naar een menselijke controlewachtrij in plaats van de deur uit, en de correcties in die wachtrij worden de evaluatieset die ons vertelt of het systeem echt beter wordt of alleen maar beweegt.

Een engineer die deze lijst leest, merkt dat er geen nieuwe techniek in zit. Zoeken, extractie, validatie, drempels. Dat is de eerlijke staat van de meeste AI in productie, en de moeilijkheid zat nooit in de onderdelen. Die zat in het leren welke van de vijftig prijsuitzonderingen van de klant echte regels waren en welke de gewoonte van één persoon, en in het feit dat het artikelbestand en het voorraadsysteem vaak genoeg van elkaar afweken om ertoe te doen.

Het moeilijke engineeringwerk was controleerbaarheid: goedkoop kunnen vaststellen of een gegenereerde offerte klopt voordat een klant hem ziet. Als u dat voor een workflow niet kunt, heeft u nog geen automatiseringsprobleem. U heeft een meetprobleem, en dat moet u eerst oplossen. Dit is de vraag die bepaalt of een project het contact met productie overleeft, en het is de vraag die bijna iedereen overslaat.

Waarom er geen leverancier kwam

Beks essay eindigt met een kaart van dienstenmarkten die rijp zijn voor AI-startups: verzekeringsbemiddeling, schadeafhandeling, belastingen, IT-beheer. Wat die markten gemeen hebben, is dat ze groot, gefragmenteerd en gestandaardiseerd genoeg zijn om een met durfkapitaal gefinancierd bedrijf te dragen. Dat is precies het juiste filter als u een fonds beheert. Het is het verkeerde filter als u een operationeel team leidt, en twee dingen vallen er meteen af.

Het eerste is werk dat bedrijven in huis hebben gehouden. Een uitbestede taak heeft een budgetregel om te vervangen en een koper die al betaalt voor een uitkomst, wat het makkelijk maakt om tegen te verkopen. Maar dat zegt iets over het gemak van verkopen, niet over waar de waarde zit. Een operator is al eigenaar van de winst- en verliesrekening en heeft geen budgetregel nodig om te verdringen.

Het tweede zijn hele sectoren. Productie, distributie, vracht, buitendienst en groothandel ontbreken op de kaart, niet omdat de waarde klein is maar omdat de workflows tussen bedrijven niet gestandaardiseerd zijn. Er is geen versie van "stel een geheimhoudingsovereenkomst op" die bij tienduizend bedrijven hetzelfde betekent. Het offerteproces van elke distributeur is een functie van zijn eigen catalogus, zijn eigen ERP, zijn eigen contractvoorwaarden en drie uitzonderingen die in het hoofd van één persoon leven.

Die heterogeniteit is waarom geen startup de offertedesk tot product zal maken. Het is ook waarom het systeem, eenmaal gebouwd, van u blijft. Elke correctie, elk randgeval, elke klanteigenaardigheid die het opneemt, maakt het specifieker voor uw operatie en moeilijker voor anderen om na te bouwen.

Uw eigen offertedesk vinden

Drie vragen deden het rangschikwerk voor deze klant, en ze doen het voor de meeste.

Hoeveel van de taak bestaat uit regels toegepast op invoer, en hoeveel heeft context nodig die een model niet kan hebben? Wees hier eerlijk: mensen overschatten het oordeel in hun eigen werk en onderschatten het in dat van alle anderen.

Kunt u de uitkomst goedkoop controleren? Om de redenen hierboven is dit de vraag die bepaalt of er überhaupt iets gebouwd wordt.

En hoe vaak komt de taak voor? Vierhonderd keer per dag stapelt op. Twee keer per maand is een afleiding, hoe luid iemand er ook een hekel aan heeft.

Zo gerangschikt is het juiste eerste systeem meestal vanzelfsprekend, en meestal niet het systeem uit de presentatie. Waar een categorie gestandaardiseerd genoeg is dat iemand er een product van heeft gemaakt, koop het. Overal elders, en voor de meeste operationele bedrijven zit daar het grootste deel van de waarde, moet het systeem gebouwd worden op uw data, uw ERP, uw regels, door engineers die lang genoeg in de operatie zitten om te leren hoe het werk echt gebeurt.

Het moeilijke deel waren nooit de modellen. Het is weten op welke workflow je ze richt, en dat is van een afstand niet te weten.