AI-gestuurde inzichten. Realtime dashboards. Slimme voorspellingen. Het staat in elke softwarebrochure, en vrijwel nergens staat erbij wat je er maandagochtend mee doet.
Onder die termen zitten wel degelijk toepassingen die werken in een bedrijf van 15 tot 150 medewerkers. Alleen niet allemaal en niet tegelijk. Hieronder staan er vier, met per stuk wat het oplevert, welke gegevens ervoor nodig zijn en wanneer het nog te vroeg is.
Wat doen AI-analyses in een CRM of ERP concreet?
AI-analyses in je CRM of ERP komen in de praktijk neer op vier dingen: documenten automatisch uitlezen en boeken, calculaties ondersteunen met cijfers uit eerdere projecten, signalen over klanten afleiden uit mail en systeemgedrag, en vraag en doorlooptijd inschatten op basis van historie. De rest is presentatie.
Wat die vier gemeen hebben: ze rekenen op jouw gegevens. Wie facturen wil laten herkennen heeft een schoon leveranciersbestand nodig, wie een richtprijs wil heeft afgeronde projecten nodig. Ontbreekt dat, dan krijg je geen fout maar een leeg antwoord.
Elke AI-toepassing in een CRM of ERP is een functie van je eigen gegevens. Zonder consistente artikelnummers, leveranciersgegevens en afgeronde projecten heeft het model niets om op te rekenen. De staat van je stamgegevens bepaalt het resultaat, niet de keuze van het pakket.
Empiriq, vuistregel uit implementatietrajecten, 2026
Kan AI mijn inkoopfacturen en pakbonnen automatisch verwerken?
Ja, en dit is de volwassenste van de vier. Software leest een binnengekomen factuur, bon of pakbon uit, haalt daar leverancier, datum, bedrag en regels uit, en maakt er een boekingsvoorstel van. Iemand kijkt het na en keurt goed. Het scheelt typewerk, geen beoordelingswerk.
Zoho beschrijft bij Autoscan dat een geüploade bon wordt uitgelezen op datum, bedrag, valuta en leverancier, tot op regelniveau, in meer dan veertien talen. Exact beschrijft bij Scan & Herken een tweetrapsproces: eerst tekstherkenning, daarna een boekingsvoorstel op basis van eerdere boekingen en je eigen instellingen, met toewijzing aan leverancier, btw-code en grootboekrekening. Dat tweede deel is het echte werk, geleerd uit jouw boekingen.
Wat je ervoor nodig hebt: een leveranciersbestand zonder dubbelingen, een grootboekschema dat iemand kan uitleggen, één vaste route waarlangs facturen binnenkomen, en boekingshistorie om uit te leren.
Kan AI een richtprijs geven voor mijn offerte?
Dat kan, maar alleen als je nacalculeert. Het systeem vergelijkt een nieuwe aanvraag met eerdere projecten die erop lijken, geeft een richtprijs en waarschuwt als de aanvraag kenmerken heeft van opdrachten die eerder uit de hand liepen. Het vervangt je calculator niet, het geeft hem een ijkpunt.
Hier wordt de gegevenseis pijnlijk concreet. Zoho schrijft bij veldvoorspelling dat het algoritme pas werkt vanaf tweehonderd records die aan je criteria voldoen, en dat een keuzelijstwaarde minstens vijfenzeventig records nodig heeft. Doe je vijftig projecten per jaar, dan heb je meerdere jaren aan vergelijkbare, nagerekende projecten nodig.
Wat je ervoor nodig hebt: offerte, werkelijke uren en inkoop op hetzelfde projectnummer, vaste projecttypen, en de discipline om na oplevering de echte cijfers terug te zetten. Werkt niemand de nacalculatie bij, dan is dit nog te vroeg.
Hoe weet ik welke klant aandacht nodig heeft?
Door het systeem te laten letten op wat verandert: een klant die minder bestelt dan zijn eigen patroon, een gespreksverslag met een andere toon dan gebruikelijk, een offerte die ongewoon lang openstaat. Je verkoper voelt dat bij tien klanten prima aan. Bij tweehonderd klanten voelt niemand dat meer aan.
De functiebeschrijving van Zia in Zoho CRM laat zien wat dit type functie doet: afwijkingen van verwachte trends signaleren en de juiste collega waarschuwen, uit gespreksopnamen sentiment en intentie halen, en suggereren wanneer je een klant het beste benadert. Let op wat daar impliciet staat: afwijkingen signaleren kan alleen als er een patroon is vastgelegd.
Wat je ervoor nodig hebt: klantcontact dat centraal wordt vastgelegd, statussen die iedereen gelijk gebruikt, en genoeg historie per klant om een normaal patroon te herkennen. Blijft contact in eigen postvakken, dan ziet het systeem niets.
Kan ik vraag en doorlooptijd voorspellen met mijn eigen historie?
Ja, voor artikelen met een redelijk stabiel verloop. Het systeem kijkt naar je verkoophistorie per artikel, schat de vraag in de komende perioden en waarschuwt voor dreigende tekorten, zodat je eerder inkoopt in plaats van achteraf. Voor incidentele of projectmatige artikelen werkt het slecht.
Microsoft is open over de grens. In de documentatie van de voorspelfunctie in Business Central staat dat de voorspelling wordt gemaakt op basis van voorraadmutaties, met boekingsdatum, artikelnummer en aantal, en dat de dienst geen voorspelling doet wanneer er te weinig gegevens zijn of wanneer de gegevens veel variëren.
Wat je ervoor nodig hebt: voorraadmutaties die kloppen met de werkelijkheid, artikelnummers die niet halverwege het jaar van betekenis zijn veranderd, en zicht op je uitschieters. Die ene order waarmee je een magazijn leegtrok, moet eruit kunnen.
Welke toepassing past bij mijn situatie?
Dat hangt af van welke gegevens je nu al betrouwbaar vastlegt. Documentverwerking vraagt het minst en levert het snelst iets op. Calculatieondersteuning en klantsignalen vragen jaren historie. Voorspellende planning vraagt een voorraadadministratie die klopt. De tabel hieronder zet het naast elkaar.
| Toepassing | Wat het oplevert | Wat je ervoor nodig hebt | Wanneer het nog te vroeg is |
|---|---|---|---|
| Documentverwerking | Facturen komen binnen als boekingsvoorstel, niet als typewerk | Schoon leveranciersbestand, helder grootboekschema, vaste inbox | Als facturen via persoonlijke postvakken binnenkomen. |
| Calculatie en offertes | Richtprijs uit vergelijkbare projecten en een risicosignaal | Honderden nagerekende projecten, vaste projecttypen, uren op projectnummer | Als je niet nacalculeert of elk project uniek opzet. |
| Klantsignalen | Korte lijst klanten die van hun patroon afwijken | Centraal klantcontact, eenduidige statussen, historie per klant | Als contact in mailboxen blijft of het CRM net draait. |
| Planning en voorraad | Verwachte vraag per artikel, waarschuwing voor tekorten | Kloppende voorraadmutaties, stabiele artikelnummers, zicht op uitschieters | Bij sterk wisselende vraag of voorraad die alleen op papier klopt. |
Moet ik dan beginnen met een realtime dashboard?
Nee, en dat is de meest gemaakte misstap. Een dashboard voelt als de logische eerste stap, want inzicht is het doel. Maar een dashboard bovenop onbetrouwbare gegevens geeft je vooral sneller ongelijk. De cijfers worden dan zelf het onderwerp van gesprek, en dat kost je maanden.
Het patroon is bekend: er komt een scherm met marges per klant, de commercieel manager herkent zijn omzet niet, en de vergadering gaat over de cijfers.
Een dashboard op onbetrouwbare gegevens maakt je niet sneller slim, het maakt je sneller oneens. De directie praat dan over de cijfers in plaats van over het bedrijf. De volgorde is: eerst de gegevens op orde, dan het proces, dan pas de analyse.
Empiriq, uitgangspunt bij dashboardtrajecten, 2026
Dat is dezelfde lijn die wij overal aanhouden: mens, proces, technologie. Mensen moeten willen vastleggen, het proces bepaalt wat waar terechtkomt, en pas dan heeft de technologie iets om mee te rekenen.
Waarom is een vraag naar AI zelden een vraag naar AI?
Omdat de term het werkelijke probleem onzichtbaar maakt. In vrijwel alle dossiers waarin een klant ons om AI vroeg, bleek de onderliggende behoefte iets anders te zijn: calculeren zonder gokken, de factuurstroom uit de handen van één persoon halen, of eerder weten dat een klant afhaakt. Concrete problemen met een naam.
Als de markt hetzelfde woord gebruikt voor tien dingen, neem je dat woord over. Het gesprek wordt pas bruikbaar bij de vraag: wat gebeurt er nu, wie doet dat, en hoe vaak gaat het mis? Jimi Moreno Ruiz volgde bij MIT Sloan de programma's Organizational Design for Digital Transformation en AI Strategy, en dat is precies het perspectief: eerst het ontwerp van het werk, dan het gereedschap.
Begin daarom bij het proces dat het meeste handwerk kost en waarvan de gegevens het schoonst zijn. Dat is wat wij in een procesrisico-analyse doen: een tekening van je proces en een eerlijk oordeel over wat nu al kan.
Veelgestelde vragen.
Heb ik een apart AI-pakket nodig naast mijn CRM of ERP?
Meestal niet. Brede CRM- en ERP-suites hebben documentherkenning, voorspellingen en signalering vaak al ingebouwd, al zitten ze soms in een hoger abonnementsniveau of in een losse module. Controleer eerst wat je huidige pakket kan, voordat je iets aparts koopt en er een koppeling bij moet onderhouden.
Hoeveel gegevens heb ik nodig voordat voorspellingen werken?
Meer dan je denkt. Zoho noemt bij veldvoorspelling een ondergrens van tweehonderd passende records en minstens vijfenzeventig records per keuzelijstwaarde. Microsoft schrijft bij zijn voorspelfunctie dat er geen voorspelling komt als er te weinig gegevens zijn of als ze veel variëren. Reken dus op jaren consistente historie.
Werkt automatische factuurherkenning ook met Nederlandse facturen?
Dat verschilt per functie en moet je per leverancier navragen. Zoho geeft voor Autoscan aan dat bonnen in meer dan veertien talen worden gelezen, en Exact levert Scan & Herken voor de Nederlandse markt. Vraag bij nieuwe functies expliciet voor welke talen de leverancier ondersteuning garandeert.
Wat kost het om hiermee te beginnen?
De licentie is zelden de grootste post, zeker als de functie al in je abonnement zit. De echte kosten zitten in het opschonen van stamgegevens, het vastleggen van afspraken en de eerste maanden waarin iemand elk voorstel nakijkt. Reken dus op uren van je eigen mensen.
Wie moet dit binnen mijn bedrijf oppakken?
Niet je IT-contactpersoon, maar de persoon die het werk nu doet. Bij documentverwerking is dat de administratie, bij calculatie de calculator, bij klantsignalen de commercieel verantwoordelijke. Die persoon ziet als enige of een voorstel klopt, en zonder dat oordeel blijft elk model een gok.
Wat als mijn gegevens nu een rommel zijn?
Dan is dat je eerste project, en dat is goed nieuws: opschonen levert ook zonder AI iets op. Schone leveranciers- en artikelgegevens maken je administratie, rapportages en facturatie meteen betrouwbaarder. Begin met één bestand, maak iemand eigenaar, en maak bijhouden onderdeel van het dagelijkse werk.
Bronnen.
De cijfers en productgegevens in dit artikel zijn gecontroleerd bij de leverancier zelf. Klopt er iets niet meer, laat het weten, dan passen we het aan.
- De gegevensdrempels voor veldvoorspelling in Zoho CRM: minimaal tweehonderd passende records en vijfenzeventig records per keuzelijstwaarde, een eerste voorspelling na vierentwintig uur en opnieuw trainen elke twee weken. help.zoho.com, Zia veldvoorspelling, gecontroleerd op 25 september 2026.
- Documentverwerking bij Zoho: het uitlezen van datum, bedrag, valuta en leverancier tot op regelniveau, in meer dan veertien talen. zoho.com/us/expense, autoscan, gecontroleerd op 25 september 2026.
- Documentverwerking bij Exact: tekstherkenning op inkomende facturen en daarna een boekingsvoorstel met leverancier, btw-code en grootboekrekening op basis van eerdere boekingen. exact.com/nl/producten/boekhouden/scan-herken, gecontroleerd op 25 september 2026.
- De klantsignalen van Zia: afwijkingsdetectie, verloopvoorspelling, sentiment en intentie uit gespreksopnamen, en een suggestie voor het beste moment en kanaal van contact. zoho.com/crm/zia, gecontroleerd op 25 september 2026.
- Voorspellende planning in Business Central: de voorspelling op basis van voorraadmutaties met boekingsdatum, artikelnummer en aantal, en het uitblijven van een voorspelling bij te weinig of sterk variërende gegevens. learn.microsoft.com, Business Central, gecontroleerd op 25 september 2026.
