Je hebt de AI-demo’s gezien, de webinars gevolgd en de LinkedIn-posts gelezen. AI zal alles veranderen. Maar dan zit je maandagochtend achter je bureau en vraag je je af: waar begin ik eigenlijk?
Dat was precies onze situatie. Bij Dynappco werken we dagelijks met ons NetSuite ERP-systeem. De belofte van AI in ERP klonk interessant en het was tijd om de AI-voordelen zelf te ervaren: werkende oplossingen voor echte problemen, die zowel tijd als efficiëntie opleveren.
In dit artikel delen we daarom drie use cases die we hebben getest, wat we eruit hebben geleerd en welke patronen zichtbaar werden. We gebruiken hiervoor Claude als AI-tool.
Startpunt
Maar waar begin je dan vraag je jezelf af? De beste use cases vind je namelijk niet in een strategisch plan of een online post. Je vindt ze in je eigen frustraties. Welke taak neemt je wekelijks te veel tijd? Waar gebeuren steeds dezelfde fouten? Welk proces voelt als puur handwerk?
We beginnen met de volgende drie criteria. Hiermee kwamen de eerste use cases vanzelf bovendrijven.
- Repetitief Dagelijkse of wekelijkse manuale handelingen
- Rule Based Er bestaan duidelijke stappen en validaties
- Laag risico Een fout is vervelend maar niet fataal
Use Case 1: Lead genereren in NetSuite via prompt
Probleem
Na een beurs of event heb je een stapel visitekaartjes. Voor elk kaartje moet je handmatig een lead record aanmaken in NetSuite: bedrijfsnaam, adres, contactpersoon, e-mailadres, telefoonnummer etc. Dat is vijf tot tien minuten per kaartje, en eerlijk gezegd doe je het daardoor vaak niet of weken te laat.
Oplossing
Je maakt een foto van het visitekaartje en upload die naar Claude. Het AI-model leest de tekst van het kaartje, structureert de data (naam, functie, contactgegevens), en maakt via een NetSuite connectie met AI direct een lead record aan met het juiste contactpersoon record eronder. Voor overige data die niet op een visitekaartje staan zetten we enkele pre-prompts klaar, zo wordt de juiste subsidiary (dochteronderneming) op basis van het land gekoppeld en wordt er een memo toegevoegd met info over deze persoon en het event.
Gebruikte prompt en toelichting:
Ik ben op het NetSuite Event en verzamelde deze visitekaartjes. Maak een leadrecord aan in NetSuite o.b.v. de beschikbare info. Maak een contactpersoon aan onder deze lead. Haal het VAT/VIES nummer op uit betrouwbare bronnen. Sla het record op als draft.
Kort en bondig lijkt het, maar de kracht zit hier vooral bij het pre-prompten. Een voorbeeld van een pre-prompt is dat de subsidiary geselecteerd wordt op basis van het land van het adres. Daarnaast is de leadrecord op voorhand geanalyseerd waardoor je geen concrete velden hoeft te benoemen. Om valse informatie te vermijden, stellen we in dat de AI-tool ons om informatie vraagt wanneer belangrijke data ontbreekt.
Resultaat
Dit is een perfect voorbeeld van een taak die individueel klein is, maar collectief veel tijd kost. De AI verwerkt meerdere kaartjes in dertig seconden, terwijl het handmatig wel tot een uur kan duren. Daarnaast gebeurt het nu ook daadwerkelijk, in plaats van dat de kaartjes op een stapel blijven liggen.
Belangrijk: Laat een record aanmaken als draft. Een mens valideert altijd voor het definitief wordt opgeslagen. AI doet het zware werk, de mens houdt de controle.
Use case 2: Sales orders automatisch aanmaken vanuit e-mail
Probleem
Klanten sturen bestellingen per e-mail. Soms als PDF-bijlage, soms als tekst in de mail, soms als Excel. Iemand moet die mail openen, de gegevens interpreteren, het juiste klantnummer opzoeken in NetSuite, de artikelen matchen en een sales order invoeren. Bij tien bestellingen per dag zijn we al een halve werkdag verder.
Oplossing
We hebben een geautomatiseerde workflow (AI Agent) gebouwd die drie systemen combineert: Gmail (inkomende mails lezen), Claude AI (data extraheren en valideren) en NetSuite (klant en artikelen opzoeken, sales order aanmaken).
De flow werkt als volgt:
- Inkomende bestel-e-mails krijgen automatisch een Gmail-label (so-inbox).
- De AI-agent leest de onverwerkte mails uit die inbox.
- Per mail extraheert het model de klantgegevens, artikelnummers, hoeveelheden, gewenste leverdatum en eventuele opmerkingen.
- De AI-agent zoekt de klant op in NetSuite via naam of e-mailadres en valideert de artikelnummers.
- Als alle data compleet is, maakt het een sales order aan met status “Pending Approval”. Hierbij wordt de sales order zichtbaar voor de orderverwerker om te controleren en goed te keuren.
- Als er data ontbreken (bijvoorbeeld een onbekend artikelnummer of onduidelijke benaming) maakt het automatisch een concept-antwoordmail aan met een gerichte vraag aan de klant of stuurt het de medewerker een item review mail om de bestelling te controleren.
Resultaat
De kracht zit niet alleen in het aanmaken van de order, maar vooral in de validatiestap. De AI stuurt geen onvolledige orders door, maar vraagt proactief om ontbrekende informatie. Dat voorkomt fouten verderop in het proces.
De complexiteit zit in de randgevallen: klanten die hun eigen artikelcodes gebruiken in plaats van de jouwe, bestellingen verspreid over meerdere mails, of een CC aan iemand die ook bestellingen plaatst. In deze gevallen hebben we enkele uitzonderlijke regels ingesteld, waarbij er een menselijke controle wordt vereist. Ondanks deze uitzonderingen, draait het basisproces correct en win je hiermee niet uren, maar dagen aan werktijd terug.
Let op: deze use case gaat verder dan een simpele prompt. Dit is een AI Agent: een geautomatiseerde workflow die meerdere systemen combineert.
Use case 3: Kwartaalmeeting voorbereiden (QBR)
In use case 1 vertrokken we van een simpele prompt met ingestelde regels, terwijl we in use case 2 een agent hebben gebouwd om verschillende systemen met elkaar te verbinden en een workflow te creëren. In use case 3 laten we zien wat het verschil is tussen beide aanpakken en wanneer je best voor welke opteert.
Probleem
Elk kwartaal moet er een business review worden voorbereid: omzetcijfers per subsidiary, openstaande vorderingen, top-klanten, afwijkingen ten opzichte van het vorige kwartaal. Dat betekent data uit NetSuite trekken, exporteren naar Excel, grafieken maken, alles in een PowerPoint zetten en de verhaallijnen formuleren. Afhankelijk van het aantal entiteiten en de complexiteit van de data neemt dit al snel enkele werkdagen in beslag.
Oplossing
Er zijn twee manieren om tot dit resultaat te komen, elk met hun eigen voordelen.
Oplossing 1: Ad hoc prompt
De eerste aanpak is een ad hoc prompt voor een real-time analyse op basis van bestaande rapporten. Je verwijst in je prompt naar de rapport-ID’s uit NetSuite, zodat je exact weet welke bron wordt gebruikt en dat de cijfers kloppen. De AI analyseert de data en genereert er een presentatie of interactief dashboard van. Deze aanpak is ideaal als je snel een eenmalig overzicht nodig hebt of als je een specifieke vraag wilt beantwoorden die buiten de standaard rapportage valt.
Een voorbeeld:
Je bent een senior Financial Controller. Gebruik de volgende NetSuite-rapporten:
- Profit and Loss (ID: 200)
- Sales by Customer Summary (ID: 272)
- A/R Aging Summary (ID: 274)
Analyseer de omzet, top klanten en openstaande vorderingen voor Q3 en Q4 2025, inclusief een vergelijking tussen beide kwartalen. Voorzie de analyse per actieve subsidiary en op geconsolideerde basis.Geef als data-analist en business consultant de belangrijkste observaties en aandachtspunten voor 2026: financiële en operationele risico’s, groeikansen en acties om vorderingenbeheer te verbeteren.
Oplossing 2: AI Agent
De tweede aanpak is een herbruikbare agent die je voor elke subsidiary of onderneming opnieuw kan gebruiken door enkel de AI te vragen de QBR Agent te activeren. In tegenstelling tot de ad hoc prompt hoef je hier niet telkens opnieuw te specifiëren wat je wilt. De agent doorloopt automatisch vier fases op de achtergrond:
| Fase 1: Omgevingsdetectie | Brengt de volledige NetSuite-configuratie in kaart, van subsidiaries en valuta tot fiscale kalender en actieve features. |
| Fase 2: Dynamische query-opbouw | Stelt op basis van die configuratie de juiste queries samen, afgestemd op het specifieke NetSuite systeem. |
| Fase 3: Data-extractie & validatie | Voert de queries uit en controleert de cijfers op interne consistentie voordat er resultaten worden gepresenteerd. |
| Fase 4: Outputgeneratie | Levert het eindresultaat op als presentatie of interactief dashboard. |
Het grote verschil met de ad-hocprompt is dat de agent eerst het NetSuite-systeem controleert op wijzigingen. Vervolgens worden, afhankelijk van de toepassing, de ingestelde query’s opnieuw uitgevoerd om actuele en nauwkeurige data op te halen.
Daardoor werkt hij ook correct in NetSuite systemen met veel maatwerk, zonder dat je als gebruiker hoeft te weten welke velden, transactietypes of segmenten er precies bestaan.
Resultaat
Wat eerder een voorbereiding van meerdere werkdagen was, wordt teruggebracht tot een sessie van dertig tot zestig minuten, inclusief de menselijke controle van de output. De ad hoc prompt is daarbij het snelst voor eenmalige analyses, terwijl de herbruikbare agent zijn waarde bewijst zodra je dezelfde review elk kwartaal of voor meerdere entiteiten moet herhalen.
Belangrijk: de output is een startpunt, geen eindproduct. De cijfers worden gevalideerd door kruiscontroles in het proces zelf, maar een mens bekijkt altijd de bevindingen voordat ze in een kwartaalmeeting worden gepresenteerd. Net als bij use case 1 en 2 geldt hier: AI doet het zware werk, de mens houdt de controle.
Slot
Drie use cases, drie niveaus van complexiteit, maar steeds hetzelfde patroon: begin bij een concreet probleem, test een oplossing met AI en houd altijd een menselijke controle in het proces. De grootste winst zit niet in het spectaculaire, maar in het repetitieve. Visitekaartjes invoeren, bestellingen verwerken, kwartaalcijfers samenvatten. Taken die individueel klein zijn, maar collectief uren per week kosten. Precies daar maakt AI vandaag al een tastbaar verschil.
In deel 2 gaan we dieper in op hoe je als organisatie de stap zet van losse prompts naar geïntegreerde AI-oplossingen. In deel 3 leer je hoe je het best een prompt creëert en wat voor invloed dit heeft op de resultaten.
Zelf klaar om aan de slag te gaan met je eigen use cases? Neem contact op met onze consultants om de mogelijkheden te bespreken!