Kernpunten

  • Een Gronings bedrijf in woningverduurzaming kreeg meer aanvragen binnen dan het team kon verwerken; elke aanvraag kostte zo'n tien minuten handwerk.
  • AI haalt nu per aanvraag het adres uit de e-mail en verrijkt het automatisch met bouwjaar, oppervlak en energielabel uit openbare registers.
  • Elke aanvraag krijgt een prioriteitsscore op zeven kenmerken en komt gerangschikt in het CRM, gekoppeld aan de adviseur die er het best bij past.
  • De verwerkingstijd ging van tien minuten naar ongeveer twintig seconden per aanvraag, met capaciteit voor ruim honderd aanvragen per dag zonder extra mensen.
  • Het patroon (gegevens eruit halen, verrijken, scoren) werkt overal waar aanvragen binnenkomen: offerteverzoeken, intakes, meldingen.

Bij een Gronings bedrijf in woningverduurzaming kostte elke inkomende aanvraag zo'n tien minuten handwerk: de e-mail lezen, het adres opzoeken, gegevens over de woning bij elkaar sprokkelen en alles overtypen in het klantsysteem. Bij tientallen aanvragen per dag liep de achterstand op en bleven kansrijke klanten te lang op een reactie wachten. Vandaag doet een AI-workflow datzelfde voorwerk in ongeveer twintig seconden, en belt het team de kansrijkste aanvragen als eerste. Hieronder lees je hoe dat werkt, wat het opleverde en welk deel van deze aanpak voor jouw organisatie bruikbaar is.

Inhoudsopgave

  1. Het probleem: meer aanvragen dan het team aankon
  2. De oplossing: verrijken vóór beoordelen
  3. Het resultaat in de praktijk
  4. Wat hiervan bruikbaar is voor jouw organisatie
  5. Hoe wij hierin kunnen helpen
  6. Veelgestelde vragen

Het probleem: meer aanvragen dan het team aankon

Het bedrijf adviseert huiseigenaren over verduurzaming en kreeg via de website en per e-mail een gestage stroom aanvragen binnen. Goed nieuws, maar elke aanvraag vroeg hetzelfde ritueel: lezen, het adres eruit halen, opzoeken wat voor woning het is, inschatten of het een kansrijke klus is, en de gegevens overnemen in het klantsysteem. Tien minuten per aanvraag, tientallen aanvragen per dag.

Het gevolg laat zich raden. De verwerking liep achter op de instroom, de volgorde van behandelen was de volgorde van binnenkomst (niet de volgorde van kansrijkheid), en de mensen die het liefst bij klanten aan tafel zaten, zaten een deel van hun dag gegevens over te typen.

De oplossing: verrijken vóór beoordelen

De kern van de oplossing is een omkering: laat AI eerst alle feiten verzamelen, en laat mensen daarna beoordelen. De workflow die we bouwden doet per binnenkomende aanvraag het volgende:

  1. Adres eruit halen. Een taalmodel leest de e-mail en haalt het adres uit de vrije tekst, ook als de aanvrager het slordig of onvolledig opschrijft. Het model staat afgesteld op precisie: liever een aanvraag ter controle terugleggen dan een verkeerd adres doorzetten.
  2. Woninggegevens ophalen. Met het adres haalt de workflow automatisch de relevante gegevens op uit openbare registers: bouwjaar, woningtype, oppervlak en energielabel.
  3. Score berekenen. Elke aanvraag krijgt een prioriteitsscore op zeven kenmerken, waaronder woningtype, grootte, bouwjaar en energielabel. De workflow rekent ook de afstand uit van het bedrijf naar de aanvrager, en daarmee de reistijd: een klus om de hoek weegt anders dan een klus aan de andere kant van de provincie.
  4. Klaarzetten en matchen in het klantsysteem. De aanvragen verschijnen gerangschikt in het CRM en worden gekoppeld aan de adviseur die er het best bij past, met een logboek van elke stap, zodat altijd na te gaan is hoe een score tot stand kwam.

Twee ontwerpkeuzes bleken achteraf het belangrijkst. De eerste: bij twijfel niet gokken. Als het taalmodel een adres niet met zekerheid kan vaststellen, gaat de aanvraag terug naar de handmatige rij in plaats van met een half kloppend adres het systeem in. Liever tien seconden mensenwerk extra dan een monteur naar de verkeerde straat. De tweede: elke stap wordt vastgelegd. Van elke score is terug te lezen welke gegevens erin zaten en waar die vandaan kwamen. Dat maakt de uitkomsten controleerbaar, en het maakt bijsturen eenvoudig als het bedrijf zijn prioriteiten verlegt.

Het team doet daarna wat mensen het best doen: het gesprek voeren. De beoordeling of een aanvraag echt past blijft mensenwerk; het voorwerk is verdwenen.

Het resultaat in de praktijk

De verwerkingstijd per aanvraag ging van zo'n tien minuten naar ongeveer twintig seconden, dertig keer sneller. De workflow verwerkt drie tot vier aanvragen per minuut en kan ruim honderd aanvragen per dag aan zonder dat er iemand bij hoeft.

Minstens zo belangrijk is wat er met de volgorde gebeurde. Waar eerst de oudste aanvraag bovenaan lag, ligt nu de kansrijkste bovenaan, bij de juiste persoon. Een oude, tochtige boerderij met een laag energielabel komt bij een ervaren adviseur terecht; een klein appartement met energielabel A+ gaat naar een beginnende collega. En omdat elke aanvraag door dezelfde stappen gaat, is de behandeling consistent: geen aanvragen meer die tussen wal en schip vallen omdat het druk was.

De vrijgekomen tijd verdween niet in de marge. De adviseurs besteden hun dag nu aan het werk waarvoor ze zijn aangenomen: bij mensen thuis kijken wat er kan, en offertes maken voor woningen waarvan ze de feiten al kennen voordat ze aanbellen. Het gesprek begint daardoor ook anders; wie belt weet het bouwjaar, het label en het woningtype al, en kan meteen naar de vraag achter de aanvraag.

Wat hiervan bruikbaar is voor jouw organisatie

Het patroon achter deze case is breder toepasbaar dan verduurzaming. Het werkt overal waar aanvragen of meldingen binnenkomen die je moet beoordelen en opvolgen:

  • Offerteverzoeken bij bouw-, installatie- en servicebedrijven: verrijken met project- of objectgegevens, scoren op omvang en afstand.
  • Intakes en aanmeldingen in zorg en dienstverlening: gegevens compleet maken vóór het eerste contact.
  • Schademeldingen of storingen: urgentie bepalen op feiten in plaats van op de toon van de melding.

De voorwaarden zijn telkens dezelfde drie. Er moet iets te verrijken zijn: openbare registers, zoals hier, of je eigen systemen. Er moet een duidelijk vervolgproces zijn, want een score zonder bellijst verandert niets. En de eindbeoordeling blijft bij een mens; de AI doet het voorwerk, niet de beslissing.

Meer voorbeelden van wat er in de regio gebouwd wordt vind je in ons overzicht AI in Groningen: wat er gebeurt en waar je als bedrijf begint.

Hoe wij hierin kunnen helpen

Wil je weten of jouw aanvraagproces zich hiervoor leent, doe dan de gratis AI-scan: in een paar minuten zie je in welke fase van AI-volwassenheid je organisatie zit en wat een logische volgende stap is.

Neem gerust contact op voor een vrijblijvend gesprek. We overleggen eerst of dit patroon bij jouw proces past; pas daarna komt er iets op papier.

Veelgestelde vragen

Werkt dit ook als onze aanvragen er heel verschillend uitzien?

Ja, dat is juist waar een taalmodel het verschil maakt ten opzichte van klassieke automatisering: het haalt de relevante gegevens ook uit slordige of onvolledige berichten. Bij twijfel legt de workflow de aanvraag ter controle voor in plaats van te gokken.

Hoe zit het met privacy bij het automatisch verwerken van aanvragen?

De aanvraaggegevens blijven in de eigen systemen van het bedrijf; de verrijking gebruikt openbare registers op adresniveau. Elke stap wordt gelogd, zodat na te gaan is wat er met een aanvraag is gebeurd, en de beoordeling blijft bij een medewerker. De AVG-basis voor de verwerking regel je zoals bij elke leadadministratie.

Wat kost zo'n workflow?

Dat hangt af van je proces en je systemen. De rekensom begint bij wat de huidige verwerking je kost: in deze case tien minuten per aanvraag, elke werkdag opnieuw. In een gesprek maken we die som eerst samen, voordat er iets op papier komt.