Kort antwoord: een AI-automatisering die bij livegang goed werkte, blijft dat niet vanzelf — een nieuw documenttype, een gewijzigd proces of een aangepast systeem valt buiten wat de automatisering oorspronkelijk heeft leren herkennen. Welke wijzigingen concreet om onderhoud vragen, en waarom dat anders werkt dan onderhoud aan een Power BI dashboard.
Waarom dit anders is dan onderhoud aan een dashboard
Een dashboard toont cijfers; als de onderliggende data verandert, verandert het beeld automatisch mee — zie ook 6 signalen dat uw dashboard onderhoud nodig heeft. Een AI-automatisering doet meer dan tonen: hij herkent, beoordeelt en verwerkt. Verandert de situatie waarop hij is getraind, dan herkent hij het nieuwe geval niet vanzelf goed — dat moet actief worden bijgewerkt.
Wat concreet om onderhoud vraagt
- Een nieuw type document of bron. Een leverancier die facturen ineens in een ander format aanlevert, of een nieuw kanaal waarlangs klantvragen binnenkomen, valt buiten wat de automatisering al kent totdat dat patroon is toegevoegd.
- Een gewijzigd proces.Een extra goedkeurstap, een aangepaste regel voor wanneer iets wordt geëscaleerd, of een nieuwe uitzondering die het bedrijf zelf heeft besloten — de automatisering volgt het proces zoals het was ten tijde van de bouw, niet zoals het nu is, tenzij dat wordt bijgewerkt.
- Een systeem aan de andere kant verandert.Een update van het ERP-systeem, een nieuw CRM of een andere koppeling kan de manier waarop de automatisering gegevens ophaalt of wegschrijft raken — vergelijkbaar met wat er gebeurt bij een systeemwissel achter een Power BI-koppeling.
- De uitzonderingen stapelen zich op. Komt hetzelfde soort geval steeds opnieuw als uitzondering terug bij de menselijke controle, dan is dat een signaal dat het de moeite waard is om dat geval als nieuwe regel toe te voegen in plaats van het steeds handmatig te blijven afvangen.
Hoe dat in de praktijk verloopt
Onderhoud aan een AI-automatisering begint meestal bij wat er als uitzondering naar een medewerker gaat — dezelfde plek waar ook de eerste controle plaatsvindt, zoals beschreven in hoe een AI-automatisering wordt getest. Een terugkerend patroon in die uitzonderingen is het signaal om de regels bij te werken en opnieuw te testen op een reeks echte gevallen, voordat de aanpassing live gaat.
Wat er gebeurt als onderhoud uitblijft
Zonder bijstelling groeit het aantal gevallen dat de automatisering niet meer herkent geleidelijk — niet in één keer, maar sluipend. Het team merkt dat vaak als “de automatisering vangt steeds meer dingen niet meer op”, terwijl de oorzaak is dat de praktijk is doorontwikkeld en de automatisering niet is meegegaan.
Wie dit onderhoudt
Data Vista bouwt AI-automatiseringen met het oog op wijzigingen na oplevering — dezelfde specialist die de automatisering heeft gebouwd, past hem ook aan zodra het proces verandert. Als eenmanszaak met een flexibele schil van zzp’ers werkt u rechtstreeks met die specialist, niet met een aparte onderhoudsafdeling. Actief voor MKB-bedrijven vanaf circa twintig medewerkers in Nederland en Vlaanderen.
Merkt u dat uw automatisering steeds vaker uitzonderingen doorstuurt? Bekijk de AI-automatisering pagina bij Data Vista of plan direct een vrijblijvend kennismakingsgesprek van 30 minuten.