Er is op bijna ieder kantoor iemand die het heeft uitgevonden. Een eigen verzameling prompts, een handige manier om bronnen aan te leveren, precies de goede vervolgvraag. Collega's schuiven aan als ze vastlopen. Zij krijgt het wel uit de AI.
Dat werkt uitstekend. Tot zij op vakantie gaat, van functie verandert of vertrekt. Dan blijkt hoeveel van de nieuwe werkwijze aan één persoon hing. Het bureau heeft abonnementen gekocht, maar de kennis zit nog steeds in hetzelfde hoofd.
Wat je klant werkelijk bij je koopt
Een subsidieadviseur schrijft, natuurlijk. Maar een klant komt niet alleen voor iemand die goede zinnen maakt. Die komt voor je oordeel. Past dit project bij deze regeling? Welk onderdeel moet scherper? Welke toezegging uit het vorige traject mogen we niet vergeten?
Dat oordeel bouw je op met jaren werk. Je weet waarom een eerdere aanvraag is afgewezen. Je herkent een begroting die op papier klopt, maar straks lastig te verantwoorden wordt. En je weet welke vragen je deze klant nog moet stellen voordat je begint.
Een deel daarvan staat in dossiers. Een ander deel zit in mails, gespreksnotities en het geheugen van collega's. Wie AI alleen inzet om sneller tekst te maken, laat die versnippering bestaan.
Een taalmodel is een pen
Een goede pen is prettig. Je kunt hem ook vervangen. Voor een taalmodel geldt iets vergelijkbaars: het helpt je formuleren, ordenen en uitwerken. Volgend jaar is er misschien een model dat dat beter doet.
Het dossier is minder makkelijk te vervangen. Daarin horen het goedgekeurde plan, de gelezen bronnen, de afspraken met de klant en de redenen achter belangrijke keuzes thuis. Juist die samenhang maakt het volgende gesprek beter.
Als iemand zegt dat medewerkers ook zelf een AI-chat kunnen gebruiken, klopt dat. De vervolgvraag is wat er daarna voor het bureau overblijft. Kan een collega de aanvraag overnemen? Is duidelijk welke informatie nog onzeker is? Komt een correctie terecht in de werkwijze voor het volgende dossier?
Een gedeelde map met prompts helpt. Maar daarmee heb je nog geen gedeeld geheugen.
De aanvraag gaat door na het indienen
Tekstproductie heeft een duidelijk eindpunt: er staat een document. Een subsidietraject loopt verder. Er komt een beschikking, het project verandert, een contactpersoon vertrekt. Later moet iemand uitleggen hoe de uitvoering zich verhoudt tot wat er is aangevraagd.
Daar merk je of het eerdere werk goed is vastgelegd. Alleen de laatste versie van een aanvraag bewaren is dan karig. Je wilt ook weten waarom een activiteit zo is beschreven en waarop een aanname was gebaseerd.
Een bruikbaar dossier geeft daarom antwoord op een paar gewone vragen:
- Welke bronnen hebben we gebruikt, en welke versie daarvan?
- Wat hebben we met de klant afgesproken?
- Welke keuze heeft de adviseur gemaakt, en waarom?
- Wat staat nog open voor de volgende stap?
Dat maakt overdragen eenvoudiger. En als er een controle komt, hoef je de onderbouwing niet achteraf bij elkaar te zoeken. Een losse chatgeschiedenis biedt die samenhang niet vanzelf.
Richt AI in rond het werk dat blijft
Begin dus eens bij een afgerond dossier. Laat een collega die er niet aan heeft gewerkt uitleggen hoe de aanvraag tot stand kwam. Waar die collega moet gaan bellen of zoeken, ontbreekt er iets in jullie gezamenlijke geheugen.
Dat is een concreet vertrekpunt voor AI. Laat het systeem helpen om bronnen, afspraken en keuzes bij elkaar te houden. Laat het vragen stellen als er informatie mist. De adviseur beoordeelt de inhoud en blijft verantwoordelijk voor wat naar de klant of verstrekker gaat.
Bij Twin is dat de richting waarin we het platform ontwikkelen: ondersteuning voor het subsidietraject, met de kennis van het bureau als uitgangspunt. AI stelt voor, de expert beslist.
De waarde zit uiteindelijk in wat een collega morgen kan terugvinden en voortzetten. Het traject, niet de tekst.