De simpelste stap in je automatisering is vaak de duurste

Eén vraag, en toch het zwaarste onderdeel

Stel je hebt een automatisering die je inbox uitzoekt. Elke binnenkomende mail krijgt één vraag: is dit een offerteaanvraag, een klacht, een factuur of iets anders. Daarna gaat hij naar de juiste map, de juiste persoon of het juiste vervolgproces.

Die ene vraag is inhoudelijk het domste onderdeel van de hele keten. Een medewerker beantwoordt hem in een halve seconde zonder erbij na te denken. En toch is het vaak het traagste en het duurste stuk, want er hangt een volwaardig taalmodel achter dat eigenlijk is gebouwd om teksten te schrijven. Je vraagt een schrijver om een vinkje te zetten, en je betaalt de schrijver.

Wat een beslismodel anders doet

Er komt nu een ander soort model op: een model dat helemaal geen tekst maakt. Het doet maar drie dingen. Het kiest een optie uit een lijst die jij van tevoren opgeeft. Het geeft ja of nee. Of het geeft een score op een schaal die jij hebt beschreven.

Meer kan het niet, en dat is precies het punt. Omdat het geen zinnen hoeft op te bouwen, valt het dure deel van het werk weg. Het eerste model dat zo is opgezet heet Jev, van het Amerikaanse TypeSafe AI, en kwam medio september 2026 uit. De makers melden prijzen en snelheden die ordes van grootte gunstiger liggen dan bij een klein taalmodel dat hetzelfde klusje doet. Grote hostingpartijen bouwden het binnen een paar dagen in hun platform in, wat iets zegt over hoe breed dit soort stappen voorkomt.

Er zit nog een tweede voordeel aan. Een taalmodel dat je vraagt om "alleen het woord klacht of offerte terug te geven" doet dat meestal, maar niet altijd. Soms krijg je er een beleefde zin omheen, soms een woord dat niet in je lijst stond, en dan valt je automatisering om. Een model dat alleen uit jouw lijst kan kiezen, kan die fout niet maken.

Waar die keuzes in je eigen proces zitten

Zodra je erop let, zie je ze overal. Een paar die we in de praktijk tegenkomen:

• Binnenkomende mail of WhatsApp sorteren op soort vraag
• Bepalen of een aanvraag dringend is of tot morgen kan wachten
• Beoordelen of een factuur klopt met de bestelling of naar een mens moet
• Inschatten of een lead past bij wat je doet
• Kijken of een klantreactie positief of negatief is
• Bepalen of een document compleet is aangeleverd

Wat deze stappen gemeen hebben: het antwoord is altijd kort, de mogelijke antwoorden liggen van tevoren vast, en er komt geen creativiteit aan te pas. Dat is het werk waar een beslismodel voor bedoeld is. Hoe je die eerste stap praktisch inricht, staat uitgewerkt in je inkomende mail laten sorteren.

Het schrijfwerk blijft gewoon bij je taalmodel. Het concept-antwoord aan die klant, de samenvatting van het gesprek, de offertetekst: dat kan een beslismodel niet en gaat het ook nooit doen. Je haalt alleen de sorteerstappen eruit.

Wat dit scheelt in een n8n automatisering

In n8n zie je het verschil het duidelijkst. Een typische workflow ziet eruit als: trigger, classificatie, switch, actie. Die classificatie zit nu meestal in een AI-node met een taalmodel erachter, en dat is bij volume het onderdeel dat je rekening laat oplopen. Bij tien mails per dag merk je daar niets van. Bij duizend berichten per dag is het het enige onderdeel dat er echt toe doet.

Draait die beslissing op een model dat er speciaal voor is gemaakt, dan verandert er aan je workflow verder niets. Dezelfde trigger, dezelfde switch, dezelfde vervolgstappen. Alleen de node die de keuze maakt is een andere. Weet je nog niet precies hoe zo'n workflow is opgebouwd, dan legt onze uitleg over n8n de onderdelen rustig uit.

Er is ook een snelheidskant die vaak wordt vergeten. Een classificatie die een seconde of twee duurt, valt niet op in een automatisering die één keer per uur draait. Maar zit hij in een chat waar iemand op antwoord wacht, of in een keten waar hij tien keer achter elkaar wordt aangeroepen, dan is dat het verschil tussen "reageert direct" en "hapert".

Waarom je niet blind vaart op de cijfers van de maker

Alle getallen die nu rondgaan over snelheid en prijs komen van de leverancier zelf. Dat maakt ze niet onwaar, maar het betekent wel dat ze zijn gemeten op taken die de leverancier heeft uitgekozen. Jouw mail is geen benchmark.

Wat je wel zelf kunt vaststellen is of het op jouw werk goed genoeg beslist. Daar heb je geen onderzoek voor nodig, alleen een stapel echte voorbeelden waarvan jij het juiste antwoord al weet. Pak honderd berichten uit de afgelopen maanden, noteer per bericht wat de goede categorie was, en laat beide modellen erop los. Dan zie je in één tabel of het nieuwe model het net zo goed doet, en wat je eraan overhoudt.

Let daarbij vooral op de randgevallen. Niet op de mail die overduidelijk een factuur is, maar op de mail waarin een klant klaagt én meteen een nieuwe offerte vraagt. Dat is waar automatiseringen in de praktijk stuklopen.

Zo test je het in een middag

Een concrete volgorde die werkt:

1. Kies één classificatiestap die je al draait, niet een nieuwe.
2. Verzamel honderd echte voorbeelden waarvan je het juiste antwoord kent.
3. Schrijf je categorieën uit alsof je ze aan een nieuwe medewerker uitlegt. "Klacht: de klant is ontevreden over iets wat al geleverd is." Vage categorieën leveren vage antwoorden op, bij elk model.
4. Laat je huidige opzet en het beslismodel dezelfde honderd voorbeelden doen.
5. Vergelijk de fouten, niet alleen het percentage. Eén fout die een klacht laat liggen weegt zwaarder dan tien fouten in een categorie die toch naar dezelfde persoon gaat.
6. Reken uit wat het per maand scheelt bij jouw volume. Is dat een paar euro, dan is het onderhoud het niet waard.

Die laatste stap wordt het vaakst overgeslagen. Goedkoper per aanroep is alleen interessant als je genoeg aanroepen hebt, en wat automatisering in het MKB werkelijk kost hangt meer af van bouwen en onderhouden dan van modelkosten. Daar schreven we eerder over in wat AI-automatisering kost.

Wat dit betekent voor de komende maanden

De bredere beweging is interessanter dan dit ene model. Tot nu toe was het antwoord op elke AI-vraag hetzelfde taalmodel, en dat is een beetje alsof je voor elke klus dezelfde dure allrounder inhuurt. Dat begint te splitsen: schrijfwerk naar een schrijfmodel, keuzes naar een beslismodel, spraak naar een spraakmodel.

Voor jou als ondernemer verandert er op korte termijn weinig, want dit is werk voor wie de automatisering bouwt. Maar het is wel het moment om, als iemand je een automatisering aanbiedt, te vragen welk model onder welke stap hangt. Zit er één groot model onder alles, dan betaal je ergens te veel. Die vraag blijft ook daarna terugkomen, want de tarieven van de aanbieders bewegen terwijl jouw workflow op dezelfde modelnaam blijft staan.

Benieuwd wat dit voor jouw bedrijf betekent? We kijken het graag samen met je door.