Eerst het proces: hoe een service blueprint AI-kansen scherp maakt

Bijna elk gesprek over AI begint met een tool. Iemand heeft een demo gezien, een collega gebruikt iets, of de leverancier van het ERP-pakket heeft een nieuwe functie. Dan volgt de vraag waar je het kunt inzetten.

Ik draai die vraag om. Bij Norwin AI beginnen we bij het proces: wat gebeurt er van begin tot eind, wie doet het, waar loopt het vast en welke gegevens zijn er eigenlijk. Pas daarna kijken we of AI helpt, en soms blijkt gewone automatisering of een betere werkafspraak genoeg.

Het hulpmiddel dat we daarvoor gebruiken is een service blueprint. In dit artikel leg ik uit wat dat is, hoe we het stap voor stap doen en hoe het eruitziet in een voorbeeld uit de expeditie.

Waarom beginnen bij het proces

Een tool zonder proces levert vaak een losse oplossing op. Iemand bouwt een slimme samenvatting van e-mails, terwijl het echte probleem is dat dezelfde informatie drie keer wordt overgetypt. Of een team probeert AI uit op een stap die al goed werkt, en laat de stap liggen waar de uren in verdwijnen.

Wie het hele proces ziet, kiest beter. Je ziet welke stappen veel handwerk kosten, waar fouten ontstaan, waar informatie ontbreekt en waar een mens echt nodig is. Ook zie je stappen die helemaal kunnen vervallen. Dat is vaak de beste oplossing, en daar heb je geen AI voor nodig.

Wat een service blueprint is

Een service blueprint is een overzicht van een proces in lagen, van links naar rechts in de volgorde waarin het gebeurt. Het is geen ingewikkeld model. De lagen zijn:

• Fases (storyboard). De hoofdstappen van het proces, bijvoorbeeld aanvraag, uitvoering en afrekening.

• Klantacties. Wat de klant in elke fase doet of nodig heeft.

• Frontstage. Wat jouw medewerkers doen waar de klant het ziet: bellen, mailen, bevestigen.

• Backstage. Wat achter de schermen gebeurt: controleren, invoeren, uitzoeken, doorgeven.

• Systemen en processen. Welke software, bestanden en afspraken erbij horen.

Tussen die lagen lopen twee lijnen. De line of interaction scheidt wat de klant doet van wat jij doet. De line of visibility scheidt wat de klant ziet van wat hij niet ziet. Veel knelpunten zitten backstage, onder die tweede lijn, en komen zelden ter sprake zolang je er niet naar vraagt.

Wij voegen één laag toe: AI-kansen per fase. Daarnaast hoort er een prioriteringstabel bij.

De stappen

1. Het as-is proces in kaart brengen

We beginnen met hoe het nu gaat, niet met hoe het in het handboek staat. Dat doen we samen met de mensen die het werk doen. Zij weten dat er een Excel-lijst naast het systeem loopt en dat bij bepaalde klanten altijd een telefoontje nodig is. Een directeur kent dat zelden helemaal.

Een goed gesprek loopt de stappen langs in volgorde. Wie doet wat, met welk systeem, wat gaat er dan naar de volgende?

2. Knelpunten en dataplekken markeren

Daarna zetten we per stap neer wat wringt: wachttijd, overtypen, fouten, overdrachten per mail of telefoon. We markeren ook wat goed werkt. Een stap die elders in het proces soepel loopt, laat vaak zien dat het knelpunt oplosbaar is.

Minstens zo belangrijk is wat ontbreekt. Welke gegevens heb je wel, van wie zijn ze, hoe betrouwbaar zijn ze, en welke staan alleen in iemands hoofd of in een bijlage? Dat bepaalt later wat haalbaar is. Een AI-toepassing zonder bruikbare gegevens blijft een idee.

3. Het to-be proces ontwerpen

Nu pas ontwerpen we hoe het proces zou moeten lopen. We kijken eerst naar eenvoud: welke stap kan vervallen, welke overdracht kan korter, welke controle is niet meer nodig als de fout eerder wordt voorkomen. Over technologie praten we nog niet.

4. Per stap AI-kansen formuleren

Nu kijken we per stap of AI iets kan bijdragen, en we schrijven dat op als use case. Elke use case beantwoordt vier vragen:

• Wat doet AI precies?

• Wat blijft bij de mens?

• Welke gegevens zijn nodig?

• Is AI hier nodig, of lost een regel of een koppeling het ook op?

Het uitgangspunt is dat de mens beslist en AI voorstelt. We laten ons daarbij inspireren door de Human Agency Scale uit onderzoek van Stanford (Shao e.a., 2025, 'Future of Work with AI Agents'). Die schaal geeft per taak aan hoeveel menselijke betrokkenheid gewenst is. Aan het ene uiterste handelt een AI-agent de taak zelfstandig af. Aan het andere uiterste is een mens essentieel, bijvoorbeeld door relatie, verantwoordelijkheid of oordeel. Daartussen zitten niveaus waarin een mens meekijkt, gelijkwaardig samenwerkt of de leiding houdt. Wat technisch kan, is niet altijd wat je wilt. Een taak die een systeem zelfstandig zou kunnen doen, kan verstandiger bij een mens blijven omdat de gevolgen groot zijn of omdat het team het zo wil.

5. Scoren op impact en haalbaarheid

Elke kans krijgt twee beoordelingen. Impact: hoeveel tijd, fouten of ergernis haalt dit weg, voor medewerkers en klanten? Haalbaarheid: hoe ingewikkeld is het, zijn de gegevens er, en hoe groot is het risico als het misgaat? Vaak is een kans met grote impact lastig omdat de gegevens ontbreken of de gevolgen van een fout groot zijn. Dat hoort erbij en je ziet het hier terug.

6. Plotten op een matrix

Tot slot zetten we de kansen op een matrix met impact en haalbaarheid. Dat levert vier vakken op:

• Snelle winst: veel effect, goed te doen. Hier begin je.

• Groot project: veel effect, meer werk of meer voorbereiding nodig.

• Later: beperkt effect of de gegevens zijn er nog niet. Bewaren.

• Niet nu: lastig en riskant, of het effect is te klein. Bewust laten liggen.

Dat laatste vak is belangrijk. Een goed overzicht zegt ook wat je niet moet doen.

Een voorbeeld uit de expeditie

Om dit concreet te maken een voorbeeld; een expediteur die importzendingen zeevracht afhandelt, van boekingsaanvraag tot factuur. De details en knelpunten zijn ontleend aan wat in de expeditie mogelijk gangbaar is.

1. Boekingsaanvraag en offerte. Knelpunt: aanvragen komen binnen per mail, soms met een bijlage, soms in lopende tekst. Iemand typt de gegevens over in het systeem en zoekt de tarieven erbij. To-be: een gestructureerde aanvraag, met de gegevens al in het dossier.

AI-kans: AI leest de aanvraag uit en maakt een offerteconcept met de gevonden gegevens. De medewerker controleert, vult aan en verstuurt.

2. Ontvangst van documenten. Knelpunt: de bill of lading, de commerciële factuur en de paklijst komen als pdf's of scans, vaak onvolledig of met afwijkende gegevens. Iemand typt over en vergelijkt met de hand. To-be: documenten komen binnen in het dossier, de gegevens staan er direct in en afwijkingen worden gemeld.

AI-kansen: AI herkent het type document en haalt de velden eruit. Daarbovenop vergelijkt AI de documenten onderling, bijvoorbeeld aantal colli en bruto gewicht, en meldt wat niet klopt. De medewerker beslist wat er met een afwijking gebeurt.

3. Douaneaangifte. Knelpunt: de aangifte wordt grotendeels met de hand opgebouwd uit de documenten. Tariefcodes zoeken kost tijd en fouten hebben gevolgen. To-be: een aangifteconcept dat al grotendeels is ingevuld.

AI-kans: AI bereidt de aangifte voor en stelt een tariefcode voor met de reden erbij. Een mens controleert de gegevens en de code en dient in. De aangever blijft verantwoordelijk voor de juistheid en volledigheid van de aangifte, ook als een systeem het concept heeft gemaakt. Daarom is de aangifte zelf in deze opzet nooit een taak voor AI alleen.

4. Transport- en afleverplanning. Knelpunt: afleverafspraken worden per telefoon en mail geregeld met de vervoerder en de ontvanger, en de status staat in een lijst naast het systeem. To-be: afspraken staan in het dossier en de standaardberichten gaan automatisch uit.

AI-kans: die berichten zijn gewone automatisering, daar is geen AI voor nodig. AI kan wel een planningsvoorstel doen op basis van eerdere leveringen. Dat vraagt meer gegevens dan er meestal zijn.

5. Track & trace en klantvragen. Knelpunt: klanten bellen of mailen voor de status. Een medewerker zoekt het op in drie plekken en schrijft het antwoord. To-be: de klant heeft de status direct bij de hand en de medewerker houdt tijd over voor uitzonderingen.

AI-kansen: AI maakt een conceptantwoord op een klantvraag, op basis van de actuele status in het dossier. De medewerker leest mee en verstuurt. Later kan AI vertragingen signaleren voordat de klant ernaar vraagt.

6. Facturatie en kostenafrekening. Knelpunt: kosten van vervoerder, haven en douane komen los binnen en moeten aan het dossier en de offerte worden gekoppeld. Verschillen worden laat gezien. To-be: kosten staan bij het dossier en afwijkingen ten opzichte van de offerte zijn meteen zichtbaar.

AI-kans: AI koppelt binnenkomende nota's aan het dossier, maakt een conceptfactuur en meldt afwijkingen. De medewerker controleert en geeft vrij.

Prioritering

De scores zijn een inschatting bij een fictief bedrijf, geen meting.

Wat valt op? De snelle winsten liggen bij het lezen en samenvatten van documenten en berichten. Dat is werk waar AI vaak geschikt voor is, en waarbij een mens het resultaat snel kan nakijken. De grotere projecten raken de aangifte en de kosten, waar fouten geld kosten en de gegevens eerst op orde moeten. Automatisch indienen zonder controle staat bewust bij niet nu, en dat komt niet alleen doordat het technisch lastig is: de aangever blijft verantwoordelijk, dus een mens controleert en dient in.

Wat je ermee hebt

Na zo'n traject heb je een kaart van je eigen proces met een volgorde erbij. Je weet welke kans je eerst oppakt, welke gegevens je eerst op orde moet brengen en wat je laat liggen. Omdat de mensen die het werk doen hebben meegedacht, is de kans groter dat het plan aansluit op hoe het werk echt gaat.

In mijn ervaring blijkt tijdens het kaartleggen soms dat een knelpunt een andere oorzaak heeft dan gedacht. Ook dat is nuttig om vroeg te weten.