Intelligente documentverwerking: van zoeken naar vinden

In een gepubliceerde case study in de financiële sector werd onderzocht hoe Large Language Models (LLM’s) ingezet kunnen worden om complexe data uit documenten te halen. Denk aan bankafschriften, kredietaanvragen en contracten. De resultaten laten zien dat de inzet van AI leidt tot een veel efficiënter proces. Documenten worden automatisch ingevuld en klanten kunnen sneller en eenvoudiger geonboard worden.

Onderzoekers plaatsen dit soort toepassingen in de categorie “likely wins”. Dat betekent dat ze in de meeste situaties zowel haalbaar als waardevol zijn. Maar wat maakt zo’n toepassing effectief, en waarom onderscheidt het zich van de traditionele systemen die bedrijven jarenlang hebben gebruikt?

Oud vs nieuw

Veel organisaties vertrouwen nog steeds op keyword-zoekmachines. Op papier lijkt dat handig, je tikt namelijk een woord in en het systeem toont alle documenten waarin dat woord voorkomt. In de praktijk levert dit echter vaak lange lijsten met irrelevante resultaten op. Het voelt alsof je een bos inloopt op zoek naar een specifieke boom. Door het zoekwoord te gebruiken heb jij het bos misschien iets kleiner gemaakt, maar je staat nog steeds in het bos…

AI systemen veranderen het zoekproces volledig. Dankzij de combinatie van een indexing engine, een semantische zoekmachine en een LLM wordt het proces gestroomlijnd. Allereerst is er de indexing engine. Deze engine ordent informatie op een manier die het zoeken versnelt. Dan volgt er een semantische zoekmachine. De semantische zoekmachine begrijpt de betekenis van woorden waardoor het niet meer uitmaakt of je “auto kopen” of “auto aanschaffen” intypt. Tot slot maakt het LLM model het mogelijk om in “normale mensentaal" een vraag te stellen en in gewone taal een antwoord te krijgen. Inclusief een verwijzing naar het juiste document. Dit proces heeft als resultaat dat medewerkers direct en goed antwoord krijgen op hun vragen. Met het elimineren van de inefficiënties van oude systemen besparen organisaties tijd op hun proces.

Productiviteit neemt toe

De resultaten van de case study spreken voor zich. De productiviteit van medewerkers nam aanzienlijk toe, de operationele efficiëntie verviervoudigde en het aantal knowledge request tickets daalde met ongeveer dertigduizend. 

Het verschil is duidelijk merkbaar. In plaats van tijd te verliezen met eindeloos zoeken, kan de medewerker zich richten op de core business van een bedrijf. 

Wat maakt het een likely win?

De reden dat onderzoekers deze toepassing een “likely win” noemen, heeft te maken met de impact op verschillende dimensies. 

Op het gebied van omzetgroei is de waarde hoog, omdat organisaties sneller nieuwe markten en klantsegmenten kunnen bedienen zonder extra druk op hun processen. Daarbij wordt de efficiëntie hoog beoordeeld, omdat informatie sneller en nauwkeuriger beschikbaar komt. Het maakt namelijk niet uit of het nu gaat om financiële documenten, tabellen, grafieken of andere typen data. 

Het managen van risico’s wordt als gemiddeld beoordeeld, vooral omdat Intelectual Document Processing (IDP) -tools gevalideerd en geverifieerd kunnen worden. 

Wat betreft haalbaarheid is de score hoog, aangezien steeds meer leveranciers AI integreren en de markt volwassen genoeg is voor dit soort implementaties. De brede adoptie van generatieve AI-tools zoals ChatGPT en Gemini is een indicator van welwillendheid dat organisaties klaar zijn om de stap te zetten naar AI adoptie in hun bedrijf.

Wat deze case study laat zien, is dat intelligente documentverwerking geen toekomstmuziek is maar een oplossing die vandaag al waarde oplevert. Het verandert de manier waarop organisaties met informatie omgaan. Het resultaat is minder operationele druk, lagere kosten en meer focus op de kern van de dienstverlening.

De vraag die je jezelf kunt stellen, is hoe jouw organisatie eruitziet als medewerkers niet langer verdwaalden in een bos van documenten, maar juist direct bij het gewenste document zouden uitkomen.