AI-automatisering voor een COO: wat je eerst automatiseert, en wat niet (raamwerk 2026)

Wat AI-automatisering voor een COO in 2026 werkelijk betekent

AI-automatisering voor een COO is geen technologieaankoop. Het is een beslissing over welke delen van de bedrijfsvoering op menselijk oordeel moeten blijven draaien en welke routinematig genoeg zijn om aan een model of een regel over te laten. De meeste leverancierspitches die een COO hoort, slaan die beslissing volledig over en gaan meteen naar de tool. Die volgorde is omgekeerd, en het is de belangrijkste reden dat automatiseringsprogramma’s na de pilot vastlopen.

De rol van de operationeel leider in een AI-programma verschilt van die van de CTO. Een CTO beoordeelt of een model werkt. Een COO moet beslissen of een proces überhaupt moet veranderen, wie eigenaar is van de uitzonderingen als dat gebeurt, en wat er gebeurt met de mensen die dat werk vroeger met de hand deden. Deze gids is vanuit die positie geschreven: wat je eerst automatiseert, hoe je de businesscase opbouwt, hoe je een partner beoordeelt, en waar deze programma’s in de praktijk misgaan.

Waar operationeel leiders moeten beginnen

Operations loopt al voorop bij de inzet van AI-agents, niet achteraan. De AI Pulse Survey van KPMG over Q1 2026, afgenomen in februari en maart 2026 onder 237 Amerikaanse C-suite-leiders van bedrijven met meer dan $1 miljard omzet, liet zien dat operations (79%) en technologie (78%) voorop lopen bij de inzet van agents, vóór elke andere afdeling. Een COO die vandaag een automatiseringsprogramma start, sluit aan bij een patroon dat al gevestigd is, en hoeft niet vanaf nul te bewijzen dat de categorie werkt. De opgave is het juiste eerste proces kiezen.

Drie categorieën werk leveren consequent een verdedigbaar eerste project op. Elk heeft een natuurlijke volumedrempel waaronder de automatisering de kosten van bouwen en onderhouden niet terugverdient, dus baken af op basis van echte transactieaantallen voordat je je aan een ervan verbindt.

1. Documentstromen met hoog volume

Factuurverwerking, het matchen van inkooporders, het coderen van declaraties en het binnenhalen van claims hebben dezelfde structuur: er komt een document binnen, er moet data uit, en op basis van die data volgt een beslissing. In deze categorie levert OCR plus een taalmodel de snelste en best meetbare winst op, omdat de situatie vooraf (iemand die velden overtypt) en achteraf (straight-through processing) eenvoudig op dezelfde maatstaf te vergelijken zijn.

2. Triage van tickets en verzoeken

Klantenservice, interne IT-verzoeken en HR-vragen lopen allemaal door een vergelijkbare flessenhals: bepalen waar een verzoek over gaat en het naar de juiste plek of het juiste antwoord doorsturen. Een COO hoeft de afhandeling niet te automatiseren om hier waarde te halen. Alleen classificatie en eerste reactie automatiseren neemt vaak al het grootste deel van de handmatige behandeltijd weg, omdat verkeerd gerouteerde of dubbele tickets meestal de grootste verborgen kostenpost zijn, niet de afhandeling zelf.

3. Periodieke rapportage en afstemming

Wekelijkse managementrapportages, maandelijkse afstemmingen en compliancechecklists zijn proceswerk vermomd als analyse. Haalt dezelfde persoon elke week dezelfde data uit dezelfde drie systemen en zet die op dezelfde manier in elkaar, dan is dat een kandidaat, hoe senior die persoon vandaag ook is. De senioriteit van degene die handmatig werk doet, zegt niets over de vraag of het werk zelf te automatiseren is.

De AI-grensmap: bepalen wat je niet moet automatiseren

De moeilijkere en nuttigere vraag is niet wat je automatiseert. Het is wat je met rust laat. Met klanten gebruiken we daarvoor een eenvoudige classificatie per stap, de AI-grensmap: bepaal voor elke stap in een proces of die een oordeel van een model moet worden, gewone deterministische code, of bij een mens moet blijven die de bevoegdheid heeft het systeem te overrulen.

In de orderverwerking van een Europese fabrikant bleek uit deze oefening dat drie van de elf stappen echt een model nodig hadden; de rest was ofwel regelgebaseerde logica die ten onrechte als “AI nodig” was bestempeld, ofwel een oordeel (een kredietuitzondering, een ongebruikelijk leververzoek) dat bij een mens moest blijven. Die verhouding is typisch voor wat we in trajecten zien: het grootste deel van een proces hoort geen AI te zijn, en wie het geheel behandelt als één ongedifferentieerd “automatiseringsproject”, automatiseert als COO stappen die een eenvoudige regel goedkoper en betrouwbaarder had afgehandeld.

Het resultaat van een AI-grensmap is een document dat een COO tegenover een board kan verdedigen: niet “we gaan AI invoeren”, maar een weergave per stap van wat verandert, wat hetzelfde blijft en wie bij elk beslismoment verantwoordelijk is. Het opstellen ervan kost een week kijken naar het echte werk, geen enquête onder de mensen die het aansturen, omdat het gedocumenteerde proces en het proces zoals het werkelijk loopt zelden hetzelfde zijn.

De businesscase opbouwen zonder naar de ROI te gissen

Een COO die budget vraagt voor AI-automatisering, heeft cijfers nodig die de toets van finance doorstaan, niet een casestudy van een leverancier uit een andere sector. Drie inputs maken de businesscase verdedigbaar: het huidige volume en de doorlooptijd van het betreffende proces, een realistisch percentage straight-through processing op basis van vergelijkbare implementaties (niet het best-casecijfer van de leverancier), en de volledige kosten van het handmatige werk vandaag, inclusief de uitzonderingsafhandeling die zelden wordt meegeteld.

Onze gids voor de AI-ROI-calculator loopt regel voor regel door de opbouw van dat model, inclusief de onderdelen die de meeste eerste businesscases missen, zoals de kosten van de uitzonderingswachtrij en de aanloopperiode voordat straight-through processing een stabiel niveau bereikt. Reken met het specifieke proces, niet met de categorie. Een cijfer als “20% efficiëntiewinst in de klantenservice” uit een sectorrapport vertelt een board niets over de vraag of jouw specifieke ticketmix het volume heeft om dat waar te maken.

Bouwen, kopen of een partner inschakelen

Deze beslissing komt neer op één vraag: wie is zes maanden na de livegang eigenaar van de automatisering? Heb je een engineer die al interne tools onderhoudt, dan is een SaaS-automatiseringsplatform (n8n, Make.com of vergelijkbaar) meestal de goedkoopste route en blijft het eigenaarschap intern. Raakt het proces meerdere systemen, verwerkt het gevoelige data of heeft het zoveel complexe uitzonderingen dat een drag-and-dropplatform begint te kraken, dan verdient een dienstverlenende partner zijn geld met het technische oordeel rond integratie en uitzonderingsontwerp, niet met de tooling zelf.

Onze gids voor het beoordelen van aanbieders van AI-procesautomatisering bevat een scoringsraamwerk met vier punten: diepgang van de discovery, uitzonderingsontwerp, kwaliteit van de overdracht en commerciële afstemming. Scoor elke partner op je shortlist daarop voordat je tekent. Een aanbieder die binnen 48 uur na een eerste gesprek met een voorstel komt, voordat hij het proces heeft zien draaien, optimaliseert voor zijn eigen verkoopcyclus en niet voor jouw resultaat.

Voor een beeld van hoe die verhouding eruitziet als het werkt: een HR-automatisering op schaal (beschreven in onze casestudy over productiviteitswinst door HR-automatisering) laat hetzelfde patroon zien als het voorbeeld van de fabrikant hierboven: de winst kwam uit het automatiseren van de koppeling tussen mensen en systemen, terwijl beslissingen over werving en personeel stevig bij mensen bleven.

Hoe een pilot van 90 dagen eruit moet zien

Een pilot die een COO echt iets vertelt, draait vanaf dag één op echte productiedata, niet op een schone demodataset die de leverancier heeft samengesteld. Hij heeft een vastgelegde uitzonderingsroute nodig voordat hij begint, niet een die wordt toegevoegd nadat de eerste fout aan het licht komt. En hij heeft aan jouw kant één eigenaar nodig, iemand die de uitzonderingswachtrij dagelijks bewaakt en de bevoegdheid heeft de uitrol te pauzeren als het foutpercentage stijgt.

Fase	Weken	Wat een COO moet zien
Proces in kaart brengen	1–2	Een schriftelijke proceskaart inclusief uitzonderingsroutes, met volumes per route
Proof of concept	3–5	Draait end-to-end op live productiedata, met gemeten nauwkeurigheid tegen een apart gehouden steekproef
Uitrol in productie	6–10	Monitoring, meldingen en een gedocumenteerd runbook, overgedragen vóór de livegang, niet erna
Hypercare	11–16	De betrokkenheid van de aanbieder neemt af naarmate je team laat zien dat het het systeem zelfstandig kan draaien en bijsturen

Vier faalpatronen die AI-programma’s onder leiding van een COO laten vastlopen

Samenwerken met Supalabs aan operationele automatisering

Supalabs werkt samen met operationeel leiders bij Europese middelgrote en grote bedrijven die één echt proces hebben dat het waard is om goed in kaart te brengen, geen presentatie vol ambities. Elk traject begint met de AI-grensmap die hierboven is beschreven: een gerichte doorlichting van het echte proces, uitgevoerd door het werk te observeren in plaats van de managers te interviewen, met als resultaat een weergave per stap van wat moet veranderen en wat niet.

In dat eerste gesprek zijn we direct over de vraag of het past. Is het juiste antwoord een SaaS-platform dat je eigen team kan beheren, dan zeggen we dat. Heeft het proces de integratiediepgang en het uitzonderingsontwerp nodig die een dienstverleningstraject biedt, dan bakenen we het af aan de hand van mijlpalen en dragen we het leveringsrisico ten opzichte van die mijlpalen.

Plan een kennismakingsgesprek van 30 minuten →

Veelgestelde vragen

Wat moet een COO als eerste automatiseren?

Begin met een documentstroom met hoog volume (factuurverwerking, het binnenhalen van claims) of met tickettriage, omdat de vergelijking tussen voor en na binnen weken op één maatstaf meetbaar is. Begin niet met iets waarvoor een oordeel over een uitzondering nodig is, zoals een kredietbeslissing of een escalatie van een klant. Die horen later in het programma, zodra het team een werkend patroon heeft om op voort te bouwen.

Wat is het verschil tussen een AI-grensmap en een standaard procesaudit?

Een standaard procesaudit legt vast wat er hoort te gebeuren. Een AI-grensmap wordt opgebouwd door te observeren wat er werkelijk gebeurt, en deelt vervolgens elke stap in een van drie categorieën in: modeloordeel, gewone code, of een menselijke beslissing die bij een persoon moet blijven. Het resultaat is een document dat je vertelt welke stappen je automatiseert en, net zo belangrijk, aan welke je niet moet komen.

Wie moet binnen operations eigenaar zijn van een pilot voor AI-automatisering?

Iemand met de bevoegdheid om de uitrol te pauzeren als het foutpercentage stijgt, en met de operationele kennis om te weten hoe een slecht resultaat er in context uitziet. Dat hoeft geen technische rol te zijn. Het moet iemand zijn die dicht genoeg bij het proces staat om te merken dat de uitzonderingswachtrij stilletjes groeit.

Hoe lang duurt het voordat een pilot voor AI-automatisering echte resultaten laat zien?

Een goed afgebakende pilot voor één proces laat doorgaans binnen 4 tot 6 weken nadat hij live is gegaan op productiedata een meetbaar resultaat zien in nauwkeurigheid en doorlooptijd. De volledige uitrol in productie, met monitoring en een gedocumenteerde overdracht, duurt na de pilot meestal 6 tot 10 weken. Programma’s die voor een eerste proces sneller resultaat beloven, slaan meestal de stap over waarin het proces in kaart wordt gebracht.

Betekent AI-automatisering dat er fte’s verdwijnen?

Niet als regel. In de trajecten die we hebben uitgevoerd, is het gangbaardere patroon dat het aantal fte’s langzamer groeit dan het transactievolume, in plaats van dat het daalt. De duidelijkste uitzondering is sterk repetitief invoerwerk zonder uitzonderingsafhandeling, waar het risico op verdringing reëel is. Overal elders zie je de winst eerst terug in doorlooptijd en foutpercentage.