Je AI-automatisering bouwen is niet het moeilijke deel: onderhouden wel

De automatisering die stilletjes verkeerd ging

Stel: een half jaar geleden bouwde je een handige AI-flow. Inkomende e-mails worden geclassificeerd, offertes voorbereid, een samenvatting in je teamkanaal geplakt. Het werkte. Je hebt er sindsdien niet meer naar omgekeken. Want waarom zou je, het draait toch?

Precies dáár zit het addertje. Een AI-automatisering faalt zelden met een knal. Hij blijft gewoon doorwerken, ook als de aannames eronder niet meer kloppen. Het model krijgt een update, je productnamen veranderen, een leverancier past zijn factuurformaat aan, en je flow draait vrolijk door op verouderde waarheid. Niemand krijgt een foutmelding. Soms valt zo'n flow zelfs helemaal stil, bijvoorbeeld omdat het aparte AI-budget eronder ongemerkt op is. Je merkt het pas als een klant de verkeerde offerte krijgt of je cijfers niet meer kloppen.

In juni 2026 werd dat punt scherp gemaakt door techbedrijf Vercel, dat zijn eigen AI-agent niet beter maakte door er functies bij te bouwen, maar door er 80% van de tools uit te slopen. Minder, beter onderhouden, betrouwbaarder. Het is een inzicht dat haaks staat op hoe de meeste bedrijven naar AI kijken. En het is goud waard voor het MKB.

"Meer tools" is niet hetzelfde als "beter"

De reflex bij automatisering is: zoveel mogelijk koppelingen, zoveel mogelijk acties die de AI kan uitvoeren. Logisch, want het voelt als waar voor je geld. Maar elke tool die je een agent geeft, is een extra ding dat kan verouderen, breken of de AI in verwarring brengen.

Vercel ontdekte dat hun agent juist scherper en voorspelbaarder werd toen ze het overgrote deel van die mogelijkheden weghaalden. Met minder keuzes maakt het model minder fouten en is het makkelijker te overzien wát hij nou eigenlijk doet. Voor jou als ondernemer betekent dat: een kleine, goed onderhouden automatisering die één ding betrouwbaar doet, is meer waard dan een Zwitsers zakmes dat af en toe in je vingers snijdt.

Dit is dezelfde gedachte als bij het bouwen van AI-agents voor het MKB: begin klein, los één concrete pijn op, en bouw pas uit als dat zich bewijst. (Lees ook: AI-agents voor het MKB.)

Het model verandert onder je workflow

Hier wordt het ongemakkelijk. De grote AI-aanbieders brengen elke zes tot acht weken een nieuw model uit. Dat is fantastisch nieuws voor de kwaliteit, maar het betekent ook dat het "brein" onder jouw automatisering blijft verschuiven, of je nu meekijkt of niet.

Een model dat slimmer wordt, kan een prompt nét anders interpreteren dan een half jaar geleden. Een formulering die toen perfect werkte, levert nu subtiel andere uitkomsten. En soms verdwijnt een model zelfs helemaal: in juni 2026 haalde Anthropic op last van de Amerikaanse overheid in één klap zijn twee krachtigste modellen offline. Wie daar blind van afhankelijk was, stond stil. Zulke ingrepen zijn zeldzaam, maar aangekondigde afvoerdata van oudere modellen zijn dat allerminst: die staan gewoon in de release notes van elke aanbieder en komen een paar keer per jaar langs.

De les is niet "vermijd AI". De les is dat je AI-automatisering een levend systeem is dat onderhoud vraagt, geen apparaat dat je één keer installeert en vergeet. We schreven eerder al over waarom je het beste model-onafhankelijk bouwt, zodat het wegvallen van één aanbieder je niet platlegt: wat als je AI-model morgen offline gaat.

Wat "onderhoud" in de praktijk betekent

Onderhoud klinkt vaag, dus maken we het concreet. Voor een doorsnee MKB-automatisering komt het neer op een handvol terugkerende checks:

• Steekproeven op de uitkomst. Pak elke maand een paar verwerkte gevallen en controleer met de hand of de AI nog steeds doet wat je verwacht. Niet de techniek, maar de uitkomst.
• Meelopen met modelwijzigingen. Als je aanbieder een nieuw model uitrolt, draai je je belangrijkste flows er kort tegenaan voordat je overstapt. Wat verandert er in de output?
• Snoeien in plaats van stapelen. Vraag jezelf bij elke koppeling: gebruik ik dit nog? Net als Vercel: weg met wat niet nodig is.
• Vangnet voor het model. Zorg dat er een terugvaloptie is als je primaire AI-model uitvalt, zodat de boel blijft draaien.
• Een logboek van aannames. Schrijf op waar je flow van uitgaat: welke formaten, welke namen, welke regels. Verandert er iets in je bedrijf, dan weet je meteen welke automatisering je moet bijwerken.

Niets daarvan is hogere wiskunde. Het is precies het soort werk dat verschuift van een eenmalig project naar een doorlopende routine.

Wat er sinds de zomer van 2026 is bijgekomen

Het lijstje hierboven ging over de inhoud: klopt de uitkomst nog. Sinds de zomer van 2026 is er een tweede soort onderhoud bijgekomen die daar los van staat, en die veel MKB-bedrijven nog nergens hebben belegd: het technische onderhoud van de machinerie eronder.

De aanleiding is simpel. Automatiseringen praten inmiddels rechtstreeks met je mail, je boekhouding en je CRM, meestal via koppelsoftware die op een server draait. Daarmee is die koppellaag een aantrekkelijk doelwit geworden, en dat is geen theorie meer. In augustus 2026 zette de Amerikaanse cyberdienst CISA een lek in de Linux-kernel op zijn lijst van actief misbruikte kwetsbaarheden, en begin september 2026 volgde er een in LiteLLM, een veelgebruikte tussenlaag tussen automatiseringen en AI-modellen: daar kon iemand zonder geldig wachtwoord een sessie opzetten en bij alles wat aan die koppeling hing. In beide gevallen was de oplossing een update installeren.

Dat maakt het onderscheid tussen cloud en eigen server ineens praktisch. Draai je alles in een gehoste dienst, dan doet je leverancier dit werk. Draai je bijvoorbeeld n8n op een eigen server, dan doe jij het, ook als niemand dat ooit heeft afgesproken. Wie daar verder in wil, kan onze post lezen over wie de server van je automatisering bijwerkt.

Er is nog een derde verschuiving, en die is prettiger nieuws. Steeds meer automatisering zit inmiddels ingebouwd in pakketten waar je toch al voor betaalt, zoals de kantoorsuites van Google en Microsoft. Dat verplaatst het onderhoud naar je leverancier, wat prima is, zolang je maar weet welke van je automatiseringen bij wie horen.

Wie heeft dit op zijn naam staan?

De meeste automatiseringen die stilletjes verkeerd gaan, gaan niet stuk door slechte techniek. Ze gaan stuk omdat niemand ze meer op zijn naam heeft staan. De bouwer is weg, de collega die er iets van wist heeft een andere rol, en de flow draait door.

Dat los je op met een lijst die op één A4 past. Zet per automatisering drie dingen op:

1. Wat doet hij en wat gaat er mis als hij een week stilstaat? Dat bepaalt hoe streng je erop let.
2. Waar draait hij en wie werkt hem bij? Een naam, geen afdeling. "De leverancier" is ook een geldig antwoord, mits je weet welke.
3. Wanneer is er voor het laatst gecontroleerd of de uitkomst nog klopte? Staat daar een datum van meer dan een half jaar geleden, dan heb je je eerstvolgende klus gevonden.

Twintig minuten werk, en het is meteen duidelijk welke automatiseringen niemand meer bewaakt.

De vaardigheid verschuift van "maken" naar "bijhouden"

Wat hier eigenlijk gebeurt, is dat de schaarse vaardigheid verschuift. Een jaar geleden was het knap als je überhaupt een werkende AI-automatisering in elkaar kon zetten. Inmiddels bouwen no-code-tools dat half voor je: beschrijf wat je wil en het staat er. Het maken is goedkoop geworden.

Wat overblijft als de echte waarde is het bijhouden: het systeem eromheen (de zogenoemde "harness") gezond houden terwijl de wereld eronder beweegt. Dat is waarom tools als Claude Code en Codex hun voorsprong vooral danken aan dat omringende werk, en veel minder aan het rauwe model zelf. De winnaars in 2026 zijn niet de bedrijven met de meeste automatiseringen, maar die met de best onderhouden automatiseringen. En dat bijhouden vraagt om mensen die nog snappen wat er onder de motorkap gebeurt, want wie AI het werk blind laat doen, verliest juist het oog voor fouten.

Hoe we dit bij NOVAITEC aanpakken

Voor ons betekent dit dat een automatisering niet "af" is op het moment van opleveren. We bouwen bewust klein en overzichtelijk, met een terugvaloptie als een model wegvalt, en met een vast onderhoudsritme erbij. Geen Zwitsers zakmes dat indrukwekkend oogt in de demo, maar een strak systeem dat over zes maanden nog steeds klopt.

Dat ritme van maandelijkse steekproeven, meelopen met modelupdates en snoeien wat overbodig is, is geen bijzaak. Het is het verschil tussen een automatisering die jaren waarde levert en een die ongemerkt verkeerde dingen doet. Wil je het hele plaatje zien van hoe automatisering voor ondernemers werkt, dan vind je dat in onze complete gids over automatisering voor ondernemers.

Heb je AI-automatiseringen draaien waar je eerlijk gezegd al een tijd niet meer naar hebt omgekeken? Benieuwd wat dit voor jouw bedrijf betekent? We kijken het graag samen met je door.