AI in bedrijfsprocessen: wanneer kies je voor no-code, low-code of maatwerk?

De opkomst van no-code en low-code

De aantrekkingskracht is onmiskenbaar. Met platforms als n8n, Zapier en Make kun je binnen een paar minuten modellen integreren met bestaande systemen. Zo kan een verzekeringsmaatschappij claimvoorspellingen genereren op basis van historische data, een e-commercebedrijf kan het platform inzetten voor vraagprognoses. En dat allemaal via intuïtieve drag-and-drop interfaces.

Low-code platforms zoals Microsoft Copilot Studio bieden een middenweg. Ze combineren gebruiksvriendelijke interfaces met de flexibiliteit om (waar nodig) maatwerk toe te voegen. Voor veel organisaties, vooral kleinere bedrijven en startups, zijn deze platforms niet een tijdelijke oplossing; ze bieden veel waarde op de langere termijn.

De beslisboom: waar begin je?

Voordat je ook maar één platform vergelijkt of één regel code schrijft, moet je jezelf een fundamentele vraag stellen: is dit een bedrijfskritisch proces? Oftewel: gaat het om kernactiviteiten die te maken hebben met klantvertrouwen en naleving van wet- en regelgeving? “Als het antwoord daarop ‘ja’ is, sla dan no-code over”, stelt Joop Snijder, CTO Aigency & Head of Research Center AI bij Info Support.

Deze vraag vormt de basis van de beslisboom die Info Support heeft ontwikkeld voor het bouwen van AI-agents. En het is geen academische vraag; de gevolgen van de verkeerde keuze zijn aanzienlijk. “Als je bij no-code begint terwijl je eigenlijk maatwerk nodig hebt, dan heb je te maken met hele hoge investeringen”, legt Snijder uit. “Begin je bij maatwerk terwijl no-code voldoende was, dan heb je initieel een te grote investering gedaan.”

Wanneer eenvoud te kort schiet

De eenvoud van no-code platforms kent ook een aantal beperkingen, die vaak pas zichtbaar worden bij groei. Een veelvoorkomend scenario: je implementeert een no-code AI-oplossing voor eenvoudige klantenservice-automatisering. Zes maanden later groeit je bedrijf, worden datastromen complexer en plotseling moet je integreren met legacy systemen of voldoen aan strenge compliance-eisen rond klantgegevens of financiële data. Je eenvoudige no-code oplossing voelt dan als het besturen van een cruiseschip met een kano-peddel.

Een no-code-oplossing is vooral interessant als je bijvoorbeeld klanten online sneller wil helpen door een agent (in dit geval een chatbot) in te zetten voor het beantwoorden van eenvoudige vragen. No-code kun je snel laten ontwikkelen, tegen lage kosten en zonder programmeerkennis. Daar staat tegenover dat no-code alleen vaste patronen begrijpt en geen complexe klantcases kan afhandelen.

Hier openbaart zich de werkelijke kostprijs van no-code platforms; hoewel ze in eerste aanleg kosteneffectief lijken, kunnen abonnementsmodellen duur worden naarmate het gebruik toeneemt. Nog kritischer is dat organisaties vaak vast komen te zitten tussen de beperkingen van het platform en hun groeiende behoeften. Ze komen dan, zoals we in de praktijk vaak zien, van een koude kermis thuis.

Low-code: de middenweg

Heb je specifieke eisen en flexibiliteit nodig? En gaat het niet om een bedrijfskritisch proces? Dan biedt low-code uitkomst, omdat het flexibel en snel is. Je hebt er wel meer kennis voor nodig omdat je gaat coderen. Omdat je het systeem kunt aanpassen, heeft het daarnaast onderhoud nodig.

Low-code is dus uitgebreider dan no-code en kan een verzekeraar inzetten om bijvoorbeeld klanten te informeren over de afhandeling van hun claim en welke documenten er nodig zijn. Via standaardbouwblokken koppel je de agent aan interne databases waarna je met behulp van stukjes code de agent dynamische antwoorden kan laten geven.

De kracht van maatwerk

Voor bedrijfskritische toepassingen blijft maatwerk vaak de meest toekomstbestendige keuze. Neem bijvoorbeeld een zorginstelling die patiëntgegevens wil analyseren voor betere diagnoses. Waar no-code tools prima werken voor standaard analyses, loop je al snel tegen grenzen aan als het gaat om het verwerken van privacygevoelige medische data of het integreren met bestaande zorgsystemen. Een maatwerkoplossing kan zorgvuldig worden ontworpen om te voldoen aan alle medische compliance-eisen, terwijl deze naadloos aansluit op de complexe IT-infrastructuur van het ziekenhuis.

Gaat het om complexere bedrijfskritische processen, dan wil je een agent in eigen beheer ontwikkelen, ofwel optie 3: maatwerk. Denk bij een maatwerkoptie aan een agent die je wil inzetten als volwaardige digitale assistent. En die dus in staat is verzekeringsadvies te geven, rekening houdend met actuele wetgeving, interne regels en het klantprofiel.

Het is volgens Joop meteen de meest kostbare optie: “Het is een strategische keuze, waarbij je goed moet nadenken waar te beginnen. Maar pas op voor overengineering – soms zijn we zo enthousiast over wat er allemaal mogelijk is met AI, dat we vergeten te vragen wat de eenvoudigste manier is om een probleem op te lossen. Het gebruik van een uitgebreide maatwerkoplossing voor een eenvoudig probleem is als het inzetten van een sleepboot om een kano voort te trekken.”

Maatwerk is vooral geschikt als je te maken hebt met het verwerken van gevoelige data met strikte compliance-eisen, complexe integraties met oudere, niet-API gedreven systemen, schaalbaarheid, kostenbeheersing op lange termijn en unieke bedrijfsprocessen die niet in standaardsjablonen passen.

Begin klein, bouw vertrouwen op

Een AI-agent die bedrijfsprocessen overneemt, doelen stelt en actie onderneemt om die doelen te behalen – Agentic AI – maakt mensen huiverig. Die angst is logisch; je geeft immers een proces uit handen aan AI. Maar angst is in dit geval een slechte raadgever, volgens Snijder. “Begin klein en geef zo min mogelijk autonomie. Leer vervolgens wat de agent doet, wat deze wel en niet kan en beoordeel de uitkomsten. En als dat goed gaat, dan geef je de agent steeds een beetje meer autonomie in de taken die de agent uitvoert, tot het punt dat je het risico niet meer acceptabel vindt.”

Snijder vergelijkt het met een junior in de organisatie. “Die laat je ook niet meteen al het seniorwerk doen. Mensen moeten leren werken met een agent en er vertrouwen in krijgen. Dat helpt ook bij de adoptie ervan.”

Je wilt voorkomen dat de AI-agent onwenselijke besluiten neemt, bijvoorbeeld door schadeclaims te ruimhartig toe te kennen, of taken gaat uitvoeren die niet tot het takenpakket behoren. Snijder benadrukt dat je dat kunt voorkomen door klein te beginnen en goed te kijken waar je de mens toevoegt in het proces. “De zogeheten ‘human in the loop’ bij kritieke overdrachtsmomenten tussen mens, bedrijf en klant: waar mag de agent wel en niet autonoom handelen? Bovendien schrijft de AI Act dat ook voor. Mensen hebben altijd recht op uitleg. Je moet kunnen uitleggen hoe een beslissing tot stand is gekomen.”

De juiste keuze maken

Het is dus essentieel om vroeg een weloverwogen keuze te maken. Joop: “Stel jezelf deze vragen: Is de toepassing bedrijfskritisch? Werkt het met gevoelige data? Moet het geïntegreerd worden met complexe legacy systemen? Is schaalbaarheid nodig? Als je op de meeste vragen ‘ja’ antwoordt, dan is maatwerk waarschijnlijk de beste keuze, ondanks de hogere initiële investering. Voor standaard use cases waar snelle implementatie belangrijk is, bieden no-code of low-code oplossingen uitkomst.”

Kortom: no-code en low-code platforms democratiseren AI-technologie en zijn uitstekend voor specifieke toepassingen. Maar voor bedrijfskritische systemen blijft maatwerk vaak de aangewezen weg. Het maken van een AI-agent is, zoals Snijder het noemt, “een hele goede oefening in het maken van keuzes.” Die keuze begint niet bij de techniek, maar bij de strategische vraag waarvoor je de agent wilt inzetten.