Wat kost het om bedrijfskennis met AI doorzoekbaar te maken, en wat levert het op?

Er ligt kennis in mailwisselingen, handleidingen, offertes en de hoofden van een paar mensen die er al jaren zitten. Nieuw personeel vraagt hetzelfde drie keer, en de persoon die het antwoord kent zit toevallig niet achter zijn scherm. Herkenbaar? Dan is de volgende vraag logisch: kan AI dit oplossen, en wat kost dat eigenlijk?

Wat betekent 'bedrijfskennis doorzoekbaar maken met AI' concreet?

In de kern komt het neer op dit: alle losse documenten, mails, handleidingen en notities worden op een manier opgeslagen die een AI-systeem kan doorzoeken op betekenis, niet alleen op exacte woorden. Iemand stelt een vraag in gewone taal, en het systeem zoekt in de onderliggende bronnen naar het relevante antwoord in plaats van naar een toevallig woord dat toevallig matcht.

Dat is iets anders dan een zoekbalk die alleen bestandsnamen doorzoekt. Het systeem begrijpt de vraag en verbindt die met stukken tekst uit verschillende bronnen tegelijk, ook als die in verschillende systemen staan.

Welke factoren bepalen of dit een kleine of grote investering wordt?

Vier zaken bepalen grotendeels de omvang van het project.

• ◆Hoeveelheid en type data: een paar honderd documenten vraagt minder werk dan jaren aan mailwisselingen, spreadsheets en scans door elkaar.
• ◆Aantal bronsystemen: kennis in één systeem koppelen is overzichtelijker dan kennis uit vijf systemen die niet met elkaar praten.
• ◆Mate van versnippering: goed gestructureerde mappen schelen tijd, chaos van jaren kost meer opruim- en koppelwerk vooraf.
• ◆Gewenste toegang: alleen intern voor medewerkers is eenvoudiger dan een systeem dat ook klanten of externe partijen mag raadplegen, want dat vraagt om extra aandacht voor wat wel en niet getoond mag worden.

Deze factoren bepalen samen of je project klein en overzichtelijk blijft, of uitgroeit tot iets dat meerdere systemen en maanden werk raakt. Zonder ze te kennen is elk bedrag dat je hoort giswerk.

Wat merken medewerkers of klanten concreet als het werkt?

Bij een goed werkend systeem verandert er iets in het dagelijkse werk, niet alleen op papier. Medewerkers besteden minder tijd aan zoeken en vragen doorsturen, omdat ze zelf een antwoord vinden zonder een collega te storen. Klanten krijgen sneller een eenduidig antwoord, ook als ze niet altijd dezelfde medewerker aan de lijn krijgen, omdat het systeem dezelfde bron raadpleegt. En kennis die nu vooral in het hoofd van één ervaren medewerker zit, hoeft niet meer volledig te verdwijnen zodra die persoon vertrekt: veel van wat diegene documenteert of vastlegt blijft doorzoekbaar voor de rest van het team.

Dat laatste is een aannemelijk voordeel, geen garantie. Het werkt alleen als kennis daadwerkelijk wordt vastgelegd en niet uitsluitend in iemands geheugen blijft zitten.

Wat is het verschil tussen doorzoekbaar maken en AI die kennis automatisch gebruikt?

Doorzoekbaar maken betekent dat iemand een vraag stelt en een antwoord krijgt. Een stap verder is een systeem dat die kennis zelf gebruikt zonder dat iemand er expliciet naar vraagt: bijvoorbeeld een digitale medewerker die een offerte voorbereidt op basis van eerdere afspraken, of een klantvraag automatisch beantwoordt met de juiste procedure erbij. Dat laatste vraagt meer dan alleen doorzoekbaarheid: het systeem moet ook weten wanneer het moet handelen en wat de juiste actie is. Het is een logische vervolgstap, maar niet de eerste die je hoeft te zetten.

Kan dit klein beginnen, of moet je meteen alles aanpakken?

Het is verstandig om klein te beginnen. Kies één afdeling, één type vraag of één bron waar het meeste tijdverlies zit, bijvoorbeeld de vragen die de klantenservice dagelijks terugkrijgen. Zo zie je binnen een overzichtelijke periode of het systeem echt iets oplevert, voordat je tijd en geld steekt in het koppelen van alle systemen tegelijk. Werkt het goed op die eerste plek, dan is uitbreiden naar andere bronnen of afdelingen een kwestie van herhalen wat al werkt, niet van opnieuw beginnen.

Waar zit het risico dat de investering niets oplevert?

Het grootste risico zit niet in de techniek, maar in de kennis zelf. Is de onderliggende informatie verouderd, tegenstrijdig of simpelweg te mager om herbruikbaar te zijn, dan haalt AI daar geen goede antwoorden uit, hoe goed het systeem ook is gebouwd. Bij bedrijven met weinig gestructureerde kennis, of kennis die vooral mondeling en situatiegebonden is, levert een dergelijk project vaak minder op dan gehoopt. Het loont dan eerst om te kijken waar de kennis vandaan moet komen en hoe versnipperd die is, voordat je in techniek investeert.

Wil je eerst weten waar je concreet moet beginnen als die kennis nu verspreid zit over mensen, mappen en systemen, kijk dan bij AI-consulting wat zo'n verkenning inhoudt.

Herken je de situatie dat er kennis en data genoeg is, maar er te weinig uit wordt gehaald? Dat is precies het soort vraag waarmee een traject bij Fores3 vaak begint. Weet je nog niet goed wat er precies moet veranderen, dan biedt de Fores3 Business Review een concreet startpunt: een onafhankelijke blik op je bedrijf die eindigt in duidelijke keuzes, vanaf €2.500 ex. btw en doorgaans binnen 1 tot 2 weken. Dat is een verkennend traject, geen vaste prijs voor het bouwen van een AI-zoeksysteem zelf. Plan een gesprek om te zien waar jouw situatie op uitkomt.