RPA of AI-agents: wat is het verschil en wanneer kies je wat

Wie gaat automatiseren, hoort al snel twee woorden: RPA en AI-agents. Leveranciers praten erover alsof het ene het andere opvolgt. Dat klopt niet. Het zijn twee gereedschappen voor verschillend werk, en de meeste bedrijven die we spreken hebben uiteindelijk allebei nodig, op verschillende plekken in hetzelfde proces.

Dit stuk legt uit waar de grens ligt, met voorbeelden uit systemen die we zelf bouwen en draaien.

Wat RPA is

RPA staat voor robotic process automation. Een RPA-robot doet precies wat een medewerker op een scherm doet: inloggen, een veld kopiëren, op een knop klikken, een bestand opslaan. Hij volgt een script. Stap één, stap twee, stap drie, elke keer hetzelfde.

Daar is RPA goed in. Een factuur uit een portaal halen en in de boekhouding zetten, elke ochtend een export draaien, gegevens van formulier A naar systeem B overzetten. Zolang de invoer er elke keer hetzelfde uitziet, doet een robot dat sneller en zonder typefouten.

Het zwakke punt is dat een robot niet begrijpt wat hij doet. Verschuift een knop op een website, of komt er een veld bij, dan stopt hij of doet hij iets verkeerds. En hij kan niets met een vraag die anders is gesteld dan verwacht.

Wat een AI-agent is

Een AI-agent werkt met een taalmodel en een set gereedschappen. Je geeft hem een doel in plaats van een script: beantwoord deze klantvraag, plan een afspraak in, zoek uit of deze lead past. De agent leest de situatie, kiest welke stap nodig is en gebruikt daarvoor de koppelingen die je hem geeft, zoals je agenda, je CRM of je mail.

Het verschil zit in de invoer. Een klant die op zondagavond via WhatsApp schrijft "kan ik volgende week dinsdag ergens in de middag terecht, maar niet na vieren" is voor een RPA-robot onleesbaar. Een agent haalt eruit dat het om dinsdag gaat, tussen twaalf en vier, kijkt in de agenda en stelt twee tijden voor.

Meer over hoe zo'n agent in elkaar zit, lees je in wat is een AI-agent.

Het verschil in één tabel

Waar vaste regels misgaan: drie voorbeelden

De meeste automatisering die we tegenkomen is regelgebaseerd, ook als het geen RPA heet. Een workflow in een CRM, een Zapier-koppeling, een script dat elk uur draait. Dat werkt, tot de werkelijkheid net anders is dan de regel.

Een label dat meer deed dan labelen

Bij een klant wilden we contacten in het CRM een label geven om ze later te kunnen filteren. Wat niemand meer wist: aan dat label hing al jaren een automatische workflow die een mail verstuurde. Een groep klanten kreeg dezelfde mail twee keer. De regel deed precies wat hij moest doen. Hij wist alleen niet dat het die dag niet de bedoeling was. Sindsdien testen we elke bulkactie eerst op één testcontact.

Een vaste lijst die niet meegroeide

Een monitor haalde leads op uit een vaste lijst advertentieformulieren. Toen er nieuwe formulieren bij kwamen, stonden die niet op de lijst. Acht aanvragen kwamen nooit aan, en niemand merkte het omdat er geen foutmelding was. De oplossing was geen slimmer model. De monitor haalt nu elke keer alle formulieren van de pagina op en telt dagelijks of de aantallen kloppen.

Een sjabloon met een andere naam voor hetzelfde veld

WhatsApp Business verstuurt eerste berichten alleen via goedgekeurde sjablonen. Ons sjabloon gebruikte een ander invulveld dan het script dat het moest vullen. Het bericht vertrok daardoor als vrije tekst en werd geweigerd. Strak afgesproken formaten zijn juist een plek waar regels beter werken dan AI, maar dan moeten de regels aan beide kanten hetzelfde zijn.

Waar een agent misgaat

Agents hebben hun eigen valkuilen, en die zijn minder zichtbaar. Een voorbeeld uit ons eigen systeem: we lieten een model inschatten of een reactie op een mail positief of negatief was. Een geïnteresseerde lead werd als negatief gemarkeerd. Het model had niet zijn antwoord gelezen, maar de zin "reageer met stop" uit onze eigen mail, die onder zijn antwoord geciteerd stond.

De oplossing was een gewone regel: het model krijgt alleen de woorden van de lead te zien, onze geciteerde tekst wordt eerst weggeknipt. Daar zit de les. Een agent werkt het best als je hem omringt met vaste regels op de plekken waar het antwoord al vaststaat.

Hoe je kiest

Stel per stap in je proces één vraag: ziet de invoer er elke keer hetzelfde uit?

• Ja, altijd hetzelfde formaat: gebruik een vaste regel of RPA. Dat is voorspelbaar en je kunt het in een middag testen.
• Nee, mensen schrijven, bellen of sturen wat ze willen: daar heb je een agent nodig.
• Een mengvorm: laat de agent de vrije invoer omzetten naar een vast formaat, en laat daarna regels het werk doen.

Die mengvorm bouwen we het vaakst. Een WhatsApp-assistent bij een kliniek begrijpt de vraag van de patiënt en zoekt een tijd. Het inboeken zelf gaat via een vaste koppeling met het afsprakensysteem, en de afspraak telt pas als dat systeem hem bevestigt. De agent mag nooit zeggen dat er een afspraak staat voordat die bevestiging binnen is.

Wat het kost

RPA-licenties van de grote platforms worden per robot per jaar afgerekend en zijn bedoeld voor bedrijven met tientallen processen. Voor het MKB is dat zelden de goedkoopste route. Een paar koppelingen via de API van je eigen systemen zijn vaak sneller gebouwd en makkelijker te onderhouden dan een robot die over een scherm klikt.

Een agent kost per gesprek een paar cent aan rekentijd, plus het bouwen en bijhouden van de koppelingen. Wat een volledig traject kost, staat uitgewerkt in wat kost AI-automatisering.

Waar je begint

Pak het proces dat de meeste handmatige uren kost en loop het stap voor stap door. Markeer elke stap met "vast" of "vrij". De vaste stappen automatiseer je met regels, de vrije stappen met een agent, en tussen die twee leg je een controle. Wij doen dat samen met je in een gesprek van een half uur en bouwen daarna één afgebakend stuk, dat je twee weken gratis meedraait. Hoe dat werkt, lees je bij AI-automatisering voor het MKB en AI-agents laten bouwen.

Veelgestelde vragen

Verder lezen: AI-automatisering voor het MKB · wat is een AI-agent · terug naar de kennisbank