Gebruik van AI en automatisering in digitale bedrijfsconsultancy

Vorige week nodigde de community Digital Marketing Malaga mij uit om onze case te presenteren. Met andere woorden: het proces dat we hebben gevolgd in onze projecten voor digitale bedrijfsconsultancy bij Disruptivos om ons aan te passen aan de komst van AI, die net als in alle sectoren voor een grote (r)evolutie heeft gezorgd.

De presentatie ging behoorlijk goed, maar eerlijk gezegd had ik dat verwacht, omdat ik erg tevreden ben met het proces dat we hebben gevolgd en de resultaten die we hebben behaald. Vooral omdat we de nodige fundamenten hebben gelegd om daarop verder te kunnen groeien zonder opnieuw vanaf nul te beginnen.

Als je welke vorm van consultancy dan ook doet — digitaal of niet — zul je zien dat 80% van wat ik vertel op jouw bedrijf van toepassing is, daarom wil ik hier de belangrijkste punten van de presentatie samenvatten.

Redenen om AI te gebruiken en processen te automatiseren

Er zijn voor de hand liggende redenen, zoals je zo zult zien, maar toen we echt gingen analyseren wat we met AI wilden bereiken, beseften we dat tijd besparen slechts een deel van de voordelen was.

Sterker nog, sommige voordelen die ik tegenwoordig het belangrijkst vind, hebben minder te maken met consultancy sneller uitvoeren dan met die beter uitvoeren en vooral consistenter.

De vraag die alles in gang zet: geeft AI ons echt de resultaten die we willen?

ChatGPT geeft ons verrassende resultaten. Je maakte een goede prompt, voegde wat context toe en binnen enkele seconden had je een analyse, voorstel of document dat vroeger veel meer tijd zou hebben gekost.

Het probleem ontstond wanneer je dat resultaat probeerde te gebruiken in een echt project. 

Vaak was de kwaliteit niet goed genoeg, ontbrak diepgang, waren sommige antwoorden beter dan andere en hing het resultaat te veel af van hoe je de prompt had geformuleerd of welke informatie je had toegevoegd.

Daarom veranderden we uiteindelijk de vraag. In plaats van ons simpelweg af te vragen hoe we meer AI konden gebruiken, begonnen we ons af te vragen wat we in onze processen moesten veranderen zodat AI ons de resultaten zou geven die we echt nodig hadden.

Die verandering lijkt klein, maar voor mij is ze de basis van alles wat we daarna hebben gedaan. 

AI gebruiken is heel eenvoudig. Ervoor zorgen dat het deel uitmaakt van een professioneel, herhaalbaar proces met duidelijke kwaliteitsnormen is veel ingewikkelder.

Tijd besparen is alleen de meest voor de hand liggende reden

Het eerste voordeel van automatisering is duidelijk: tijd besparen. Consultancy bestaat voor een belangrijk deel uit informatie zoeken, gegevens verzamelen, voorlopige analyses, documenten maken en administratieve taken die nodig zijn, maar die niet van begin tot eind handmatig door een persoon hoeven te worden uitgevoerd.

Sterker nog: dat zouden ze niet moeten.

Want als we een taak die vroeger vier uur kostte in één uur kunnen uitvoeren, hebben we drie extra uren voor andere dingen. Vermenigvuldigd over alle fasen van een project heeft dat een grote impact.

Maar er is één belangrijk punt: de tijdsbesparing mocht niet ten koste gaan van de kwaliteit. Als een taak de helft van de tijd kost maar het resultaat slechter is, is er voor ons geen echte verbetering.

Daarom gaat het erom tijd te besparen met behoud van hetzelfde kwaliteitsniveau.

De kwaliteit van alle consultancyprojecten standaardiseren

Dit is waarschijnlijk de reden die het zwaarst voor mij is gaan wegen.

Wanneer meerdere mensen consultancy uitvoeren, zijn verschillen onvermijdelijk. De ene consultant kan bijzonder goed zijn in technische SEO, terwijl een andere veel dieper ingaat op linkbuilding. De een kan uiterst gedetailleerde documenten maken en de ander veel directer zijn.

Dat is per seniet slecht, want idealiter benut je de ervaring van ieder persoon, maar het kan een probleem worden wanneer de diepgang en kwaliteit van de dienstverlening te sterk afhankelijk worden van de consultant die het project uitvoert.

Wij wilden precies het tegenovergestelde bereiken. Als een klant digitale bedrijfsconsultancy bij Disruptivos afneemt, moet er een bepaald niveau van diepgang en consistentie zijn, ongeacht wie het uitvoert.

Hier kunnen AI en automatisering ons enorm helpen, omdat we vooraf kunnen bepalen welke elementen moeten worden beoordeeld, welke KPI’s moeten worden geanalyseerd, welke documentatie moet worden gebruikt en welke minimale diepgang we in elk onderdeel verwachten.  

Daarna kan de consultant uiteraard uitbreiden, beoordelen en aanpassen wat hij of zij nodig vindt, maar er is een gemeenschappelijke basis waaraan alle projecten moeten voldoen.

De consultant het werk laten doen dat echt waarde toevoegt

De waarde van de consultant zit vooral in zijn of haar oordeelsvermogen. In het begrijpen van het bedrijf, weten welke informatie belangrijk is en welke niet, een conclusie ter discussie stellen, iets ontdekken dat niet klopt, prioriteiten stellen of bepalen wat zinvol is gezien de echte beperkingen van de klant.

Die waarde zit uiteraard ook in de relatie met die klant. Er zijn dingen die niet in Analytics, Search Console of een CRM staan en die je pas begrijpt nadat je met de mensen hebt gesproken die het bedrijf kennen.

Daarom is ons idee nooit geweest dat AI de consultancy uitvoert, maar dat het een deel van het voorbereidende, repetitieve of mechanische werk overneemt zodat de consultant juist meer tijd kan besteden aan waar zijn of haar ervaring de meeste waarde toevoegt.

Nieuwe consultants helpen zonder voortdurend afhankelijk te zijn van seniors

Er ontstaat nog een ander probleem zodra een team begint te groeien of wanneer je iemand naar een ander project verplaatst. Tijdens de eerste dagen of weken moet die persoon vragen stellen en wel voortdurend, omdat de volledige context ontbreekt.

• Waar een document staat.
• Welk sjabloon moet worden gebruikt.
• Wie verantwoordelijk is voor een bepaald gebied.
• Welke KPI’s moeten worden geanalyseerd.
• Hoe een specifiek deliverable is opgebouwd. 

Dat is volkomen normaal, maar heeft een vrij duidelijke consequentie: om de ene persoon vooruit te helpen, moet een andere voortdurend zijn of haar werk onderbreken.

En daar komt AI in beeld, want het kan hier een kennislaag worden voor het project en het bedrijf zelf. Als de methodologie, processen, sjablonen, verantwoordelijke personen en documentatie goed zijn georganiseerd, kunnen veel van die vragen direct worden beantwoord zonder steeds een andere consultant te hoeven inschakelen.

Dit vervangt training niet; het vermindert simpelweg veel onderbrekingen die geen waarde toevoegen en helpt een nieuwe persoon sneller zelfstandig te worden.

De consultancymethodologie van Disruptivos

Het eerste wat je moet uitleggen is dat, hoewel het uitvoeringsproces is veranderd, het framework of de consultancymethodologie van het bedrijf niet is veranderd. Die is vóór en na AI exact hetzelfde. En als je consultant bent, zal het je waarschijnlijk bekend voorkomen of lijken op wat je al doet.

De drie fasen van een consultancytraject

Onze methodologie kan worden samengevat in drie grote fasen: begrijpen, nadenken en doen.

De eerste bestaat uit het bedrijf begrijpen. Hier analyseren we het bedrijf, de cijfers, waardepropositie, technologie en doelstellingen, auditen we de digitale kanalen en assets en vullen we dat aan met marktonderzoek, vraaganalyse en concurrentieonderzoek.

Daarna komt de fase van nadenken. Met al die informatie bouwen we een strategisch plan dat in feite drie vragen moet beantwoorden: wat moet er gebeuren, in welke volgorde en wie zou het moeten doen.

De derde fase is de implementatie. Niet alle projecten komen zover, omdat sommige eindigen met de oplevering van het strategische plan en de klant het zelf uitvoert, terwijl we bij andere blijven werken aan de implementatie van de voorgestelde verbeteringen.

Het hele proces opsplitsen

Nadat we de methodologie hadden uitgelegd, hebben we die vervolgens opgesplitst.

Het was niet genoeg om te zeggen dat we een SEO-audit, marktanalyse of strategisch voorstel doen. We gingen meerdere niveaus dieper — later zouden we nog verder opsplitsen — en kwamen uit op 6 stappen met meerdere mijlpalen in elke stap.

Voor elke mijlpaal beantwoordden we drie heel eenvoudige vragen: hoeveel tijd kost die ons nu, welk deel zou kunnen worden geautomatiseerd en hoeveel tijd zou het daarna moeten kosten. Het eerste hadden we berekend; de andere twee waren schattingen die we in echte projecten moesten testen.

En hier kwam een van de ideeën naar voren die je uit dit hele proces moet onthouden: als een proces alleen in je hoofd bestaat, ben je nog niet klaar om het te automatiseren.

Eerst moet je het opschrijven, opdelen en uitleggen hoe het werkt. Anders zul je bij het automatiseren uitzonderingen, beslissingen of kleine stappen ontdekken die voor een ervaren persoon intuïtief kunnen zijn, maar die je nooit hebt gedocumenteerd.

En die daarom een nieuwe consultant of AI niet correct kan verwerken.

Mate van automatisering

Niet elke taak kan in dezelfde mate worden geautomatiseerd.

Zo kan een belangrijk deel van marktonderzoek worden geautomatiseerd. We kunnen zoekvolumes, trends en openbare sectorinformatie verzamelen of een deel van de digitale aanwezigheid van concurrenten analyseren zonder dat iemand al het werk handmatig hoeft te doen.

In andere gebieden ligt het percentage veel lager. Heuristische CRO-analyses bevatten bijvoorbeeld nog steeds een zeer groot aandeel menselijk oordeel.

Bepaalde administratieve taken, zoals het aanmaken van mappenstructuren of projecten in Asana, kunnen bijna volledig worden geautomatiseerd.

Daarom kun je automatisering niet als alles-of-niets benaderen. Er zijn processen waarin je 80% kunt automatiseren en andere waarin slechts 20% automatiseren zinvol is, en daar is helemaal niets mis mee.

En onthoud wat we eerder zeiden: de vraag is niet of een taak volledig kan worden geautomatiseerd, maar welk deel zinvol kan worden geautomatiseerd zonder het resultaat te verslechteren.

Onze resultaten

Als we de gemiddelde tijd optellen die we aan alle taken van een traject voor digitale bedrijfsconsultancy besteedden, kwam een typisch project ongeveer uit op 80 tot 100 werkuren.

Na analyse van het automatiseringspotentieel van elk onderdeel kwamen we theoretisch uit op ongeveer 38 uur. Op papier was dat een enorme vermindering, praktisch minder dan de helft van de oorspronkelijke tijd.

De werkelijkheid is nog niet zover.

Op dit moment zitten we dichter bij 50 uur, wat nog steeds neerkomt op bijna een halvering van de tijd die we vroeger nodig hadden. Met behoud van onze kwaliteitsnormen, die, zoals ik eerder zei, niet onderhandelbaar waren.

En het zijn geen 38 uur omdat processen uitzonderingen hebben, fouten optreden, klanten verschillen en niet alle integraties ideaal werken. Het perfecte pad automatiseren kan zelfs relatief eenvoudig zijn, maar alles automatiseren wat mis kan gaan is praktisch onmogelijk. En het is de moeite niet waard.

Het resultaat is goed. En belangrijker nog, we hebben nu een basisstructuur waarop we verder kunnen verbeteren in plaats van alleen afhankelijk te zijn van het toevoegen van nieuwe prompts of tools.

De systemen en tools die we bouwen

Toen we het proces eenmaal hadden gedefinieerd en begrepen welke onderdelen zinvol waren om te automatiseren, begonnen we de tools te bouwen.

In het begin maakte het ons niet uit of de oplossing uiteindelijk een GPT, een workflow in n8n, een agent of een eigen applicatie zou worden. Eerst moesten we precies definiëren welke taak of welk proces we wilden oplossen en daarna het juiste hulpmiddel kiezen.

Ons werkelijke doel was heel specifiek en misschien iets anders dan je verwacht, maar het bakende heel duidelijk af wat we wilden bereiken: het leven van elke nieuwe consultant makkelijker maken zonder onze normen te verlagen.

Eerst: processen, metrics, KPI’s en sjablonen documenteren

Om dat te bereiken moesten we het volledige consultancyproces documenteren met veel meer detail dan voorheen toen we de methodologie opsplitsten. Elk onderdeel werd omgezet in concrete taken met instructies, gerelateerde documenten en sjablonen die uitlegden hoe het moest worden uitgevoerd.

Daarna deden we hetzelfde met de metrics en KPI’s.

We hebben verschillende consultancyniveaus en weten afhankelijk van het project welke exacte metrics in elk gebied van digital business moeten worden geanalyseerd, zoals SEO, CRO, paid media, e-mail of content. Een consultant kan alles toevoegen wat nodig lijkt, maar er is een minimale basis die moet worden beoordeeld en die standaard is voor alle consultancyprojecten.

Hetzelfde geldt voor de audits zelf. We maakten sjablonen zodat we AI niet simpelweg vragen om “een audit te doen”, maar de structuur geven die wij gebruiken, de gebieden die moeten worden geanalyseerd en het soort informatie dat we verwachten te vinden.

Nog een belangrijk punt om te onthouden: we laten AI niet bepalen hoe goede consultancy eruitziet. Eerst bepalen we zelf de norm en daarna laten we AI daarbinnen werken.

De mate van automatisering kiezen: drie benaderingen

Van daaruit kunnen we verschillende automatiseringsgraden kiezen.

De eerste en eenvoudigste aanpak is AI als assistent gebruiken. Dat kan een aangepaste GPT, een Gem, een project met bepaalde instructies of een vergelijkbare tool zijn waaraan we onze methodologie en documentatie geven.

Dit is de optie met de minste automatisering, maar ook degene waarmee je het snelst resultaten kunt behalen zonder veel te hoeven ontwikkelen.

Het tweede niveau bestaat uit taken automatiseren door verschillende tools te koppelen. Hier komen systemen als n8n in beeld, waarmee informatie automatisch van de ene applicatie naar de andere kan gaan, AI-modellen in bepaalde delen van het proces kunnen worden opgenomen en menselijke controles kunnen blijven bestaan waar die nodig zijn.

En het derde niveau zou zijn een compleet systeem bouwen, hetzij met agents, hetzij met onze eigen SaaS met front-end en back-end.

Toen we met dit alles begonnen waren agents minder ontwikkeld dan nu, dus richtten we ons vooral op de eerste twee routes. Als we vandaag vanaf nul zouden beginnen, zouden we waarschijnlijk veel uitgebreider kijken naar een architectuur op basis van agents, al denk ik nog steeds dat het zinvol is om eerst elk deel van het proces te valideren voordat je een enorm systeem bouwt.

De tools die we hebben ontwikkeld

Uit dit hele proces zijn verschillende tools en experimenten voortgekomen. Sommige werken al, andere ontwikkelen zich nog en verschillende zullen de komende maanden waarschijnlijk flink veranderen.

Het interessante is niet zozeer de concrete tool die we gebruiken, want over twee jaar zullen veel daarvan waarschijnlijk anders zijn, maar welk probleem elke tool binnen het proces oplost.

Oráculo: een kennisbank voor elk project

Een van de eerste dingen die we ontwikkelden was onze interne Oráculo.

De naam klinkt misschien geavanceerder dan het is. In feite gaat het om een kennisbank waarin de informatie staat die nodig is om aan het project te werken: 

1. Projectcontext.
2. Communicatie met de klant.
3. Onze deliverables (audits, handleidingen…)
4. Informatie uit onze projectmanagementtool.
5. Maandelijkse KPI-rapportage.

Dat alles binnen een AI-systeem zodat de consultant er vragen aan kan stellen.

Alles.

Met die bronnen is het eigenlijk moeilijk om een vraag te bedenken die Oráculo niet goed kan beantwoorden.

We hebben één Oráculo per klant en nog één voor elk afzonderlijk project, zodat iedere nieuwe consultant zich gemakkelijk kan oriënteren.

Dit werkt uiteraard alleen als de broninformatie goed georganiseerd en up-to-date is; ongeordende documentatie in AI stoppen zorgt er niet op magische wijze voor dat die ineens geordend is.

Projectmanagement automatiseren met n8n, Drive en Asana

Een ander voorbeeld is een workflow die we in n8n hebben gemaakt om een deel van de projectmanagementlaag te automatiseren.

Wanneer sales een project sluit, maakt het een rapport volgens een bepaalde structuur. De consultant hoeft die informatie alleen te kopiëren en door te geven aan de workflow, waar we een AI-node gebruiken om die te interpreteren en automatisch zowel de map- en documentstructuur in Google Drive als het bijbehorende project en de taken in Asana voor te bereiden.

Voordat er iets wordt aangemaakt, toont het systeem de informatie en vraagt het de consultant om validatie. Als er iets niet klopt, kunnen we het aanpassen voordat de rest van het proces wordt uitgevoerd.

Deze ontwikkeling leerde ons ook iets anders belangrijks: automatiseren wanneer alles goed werkt is relatief eenvoudig, maar fouten en uitzonderingen afhandelen is veel ingewikkelder.

Een persoon past intuïtief allerlei kleine regels toe zonder vaak te beseffen dat hij of zij dat doet. Wanneer je een proces automatiseert, moeten al die regels zijn opgeschreven en moet het systeem weten wat het moet doen wanneer iets niet overeenkomt met het verwachte geval.

Consultancy-assistent

Een andere tool die we bouwen heeft een iets ander doel: dienen als assistent tijdens de consultancy zelf.

Het idee is dat iemand het type bedrijf en de belangrijkste KPI’s kan invoeren en dat het systeem helpt te signaleren wat er moet worden beoordeeld en waar problemen kunnen zitten.

Daarvoor moet het systeem de KPI’s kennen die wij relevant vinden en werken met openbare benchmarks en interne informatie waarmee het context kan bieden en de metrics kan beoordelen.

We willen niet dat de assistent beslissingen neemt voor de consultant, maar dat die aanwijzingen geeft en het werk vermindert dat nodig is om het punt te bereiken waar het echt cruciale deel van de analyse begint.

De eerste versie van een audit maken met AI

De volgende stap is alles wat hiervoor kwam te gebruiken om een eerste versie van een audit te genereren.

We gebruiken projectsjablonen voor Claude Code, Codex of Antigravity, speciaal voorbereid voor een bepaald gebied, met onze methodologie, sjablonen en instructies, zodat AI een eerste versie van het auditdocument kan genereren op basis van de beschikbare informatie die we aanleveren.

We testen deze aanpak al in gebieden zoals SEO, hoewel dit nog in ontwikkeling is.

Eén ding: een eerste versie genereren betekent niet dat je het definitieve deliverable genereert.

De consultant moet de versie nog steeds beoordelen, redigeren, ordenen en prioriteren. AI kan ervoor zorgen dat die begint met een document dat al voor 50%, 60% of welk percentage dan ook af is, in plaats van altijd met een lege pagina te starten.

Dat is het doel: niet de consultant vervangen, maar een veel beter startpunt geven.

Conclusies en een kleine oefening

Na dit hele proces zijn er verschillende ideeën die ik je aanraad te onthouden.

De eerste is dat automatiseren niet simpelweg draait om tijd besparen. Een methodologie documenteren, normen bepalen en beslissen wat er in elke situatie moet gebeuren is belangrijker dan de tool kiezen die het proces later uitvoert.

De tweede is dat er geen enkele oplossing voor alles bestaat. Soms volstaat een goede prompt, soms is een aangepaste GPT zinvol, in sommige gevallen hebben we n8n nodig en in andere eindigen we met het ontwikkelen van een agent of zelfs een volledige applicatie.

Je moet weten welke soorten tools er bestaan en welke het beste past bij het probleem dat je wilt oplossen.

De derde heeft te maken met de rol van de consultant. Hoe goedkoper en sneller uitvoering wordt, hoe waardevoller oordeelsvermogen, besluitvaardigheid, management en de klantrelatie worden.

En er is een vierde en laatste gevolg waar niet iedereen bij stilstaat: AI vergroot enorm wat één persoon kan doen.

Een marketingspecialist die vroeger geen kleine tool kon ontwikkelen omdat die niet kon programmeren, kan dat nu wel. Iemand die gespecialiseerd is in CRM kan automatiseringen maken waarvoor vroeger een ontwikkelaar nodig was, en iemand uit het bedrijfsleven kan oplossingen prototypen die diegene eerder niet eens zou hebben overwogen te bouwen.

Dat betekent niet dat we allemaal ontwikkelaars, ontwerpers of analisten zijn geworden, maar dat de uitvoeringsdrempel zo sterk is gedaald dat het steeds belangrijker wordt om te weten wat we willen bouwen, waarom en hoe het zou moeten werken en minder hoe je het bouwt, omdat AI dat met de juiste instructies voor ons zal doen.

Ter afsluiting van het artikel en de presentatie geef ik je een heel eenvoudige oefening waarvan ik denk dat die de moeite waard is.

Denk aan een taak die je regelmatig op je werk uitvoert en vraag jezelf af welk deel van die taak je over zes maanden niet meer handmatig zou kunnen doen. 

Denk daarna na over wat je nodig hebt om dat te bereiken: misschien een tool, een paar uur om het proces te documenteren, hulp van iemand anders of simpelweg leren hoe een bepaalde technologie werkt.

Dan heb je al de eerste stap gezet op weg naar automatisering.

Als je de tweede wilt zetten, kies dan iets concreets dat je deze week nog in een echt project kunt testen. 

Zo begin je te ontdekken hoe dit je manier van werken echt kan veranderen.