Waarom je geen AI moet bouwen met n8n of Make als je serieus met ERP werkt

Er is een populaire route in AI-land die aantrekkelijk klinkt: pak n8n, Make of Zapier, sluit een taalmodel aan op de ene kant en je ERP op de andere, en je bent klaar. Goedkoop, flexibel en snel te implementeren. Voor een eenvoudige taak — het categoriseren van een e-mail, het versturen van een melding — werkt dat prima.

Voor serieuze ERP-processen werkt het drie weken lang. Dan breekt het.

Waar dingen fout gaan

Neem iets ogenschijnlijk eenvoudigs: een agent die een factuur in Exact of AFAS plaatst. De generictool haalt de PDF op, gebruikt een taalmodel om leverancier, factuurnummer en bedrag te extraheren en stuurt die als een API-aanroep naar uw ERP. In een demo ziet het er perfect uit.

Dan komt de realiteit. De leverancier bestaat nog niet in de crediteurendatabase. Er is een valutaverschil op het spel. De grootboekrekening is afhankelijk van het kostenbeheerproject waartoe deze factuur behoort. Er is een afwijkende btw-code omdat het om een EU-dienst gaat. De factuur hoort bij een inkooporder die gedeeltelijk is ontvangen, dus er moet op regelniveau worden gematcht.

De generieke bouwer kent deze regels niet. Hij kent Exact niet. Hij kent AFAS niet. Kent Business Central niet. Kent het gegevensmodel, de entiteitsstructuur, de afhankelijkheden tussen tijdschriften, projecten, kostenplaatsen en grootboekrekeningen niet. Kent je proces niet.

Wat je overhoudt is een agent die in het gelukkige geval werkt en in elk afwijkend geval stille fouten maakt. Dat is erger dan geen automatisering, want niemand kijkt er meer naar.

Domeinkennis is geen bijzaak

Hier is de kern. Een werkende AI-agent op een ERP vereist drie soorten kennis die je tegelijkertijd nodig hebt:

• Kennis van het ERP zelf. Wat zijn de entiteiten, welke velden zijn verplicht, welke afhankelijkheden bestaan er tussen objecten, hoe gedraagt de API zich met uitzonderingen, welke boekingsregels zijn er in het systeem.
• Kennis van het proces van deze klant. Elk bedrijf heeft afwijkingen van de norm. Welke crediteuren vallen onder welke goedkeuringsstroom, wanneer is een afwijkende btw-regel van toepassing, welke projecten hebben hun eigen detacheringsregels, wie autoriseert wat.
• Kennis van de AI-implementatie zelf. Waar laat je het taalmodel beslissen en waar niet, hoe ontwerp je een agent die transparant is over wat het doet, hoe voorkom je dat hallucinaties de administratie vervuilen.

Het combineren van deze drie is geen gereedschapskeuze, het is een ontwerpvraag. Daarom werken we structureel samen met partners — ERP-consultants en procesadviseurs die de datamodellen kennen en de klant — die de configuratie afhandelen. Wij leveren het platform en de AI-technologie, zij brengen de domeinkennis.

Veiligheid en rechten — het onderwerp dat alleen opvalt als er iets misgaat

Nog een punt dat bij generieke tools bijna altijd over het hoofd wordt gezien: wie mag wat doen.

Een AI-agent neemt niet automatisch de rechten over van de gebruiker die er een beroep op doet. In uw ERP heeft een koper andere toegang dan een projectleider, en een projectleider heeft andere toegang dan een controller. Als je dat niet expliciet afdwingt in de agent, krijg je een van de volgende twee problemen: ofwel heeft de agent te veel rechten en kan dingen doen die de gebruiker persoonlijk niet mag, of hij heeft er te weinig en werkt de helft van de tijd.

Een structurele oplossing zorgt ervoor dat een agent handelt binnen de rechten van de aanroepende gebruiker. In een auditlogboek wordt precies vastgelegd wie wat heeft laten uitvoeren. Dat gevoelige velden — salarisgegevens, vertrouwelijke klantgegevens — niet in prompts terechtkomen die terechtkomen op plaatsen die je niet wilt.

Dit zijn geen leuke dingen om te hebben. Daarom draaien AI-agenten die tijdens de productie met ERP-gegevens werken op een volwassen platform, niet op een losse orkestratietool.

Wat dit voor jou betekent

Als manager of directeur van een middelgroot bedrijf is de afweging niet goedkoop en flexibel versus duur en rigide. De afweging is een experiment dat drie weken werkt versus iets dat vier jaar duurt en met je organisatie meebeweegt.

Begin dus niet met een gereedschapskeuze. Begin met de vraag: wie in mijn omgeving begrijpt zowel mijn ERP-configuratie als mijn proces? Dat is met wie je de eerste agent bouwt — op een platform dat voor dat doel is gemaakt, niet op een generieke integratielaag.

Wilt u weten hoe zo'n configuratie eruit zou zien, of welke partners dit doen voor uw ERP? We helpen je graag verder.