No-code, low-code of maatwerk: welke AI-oplossing past bij jouw organisatie?

Hoi, leuk dat je weer luistert naar een nieuwe korte aflevering van AIToday Live. Ik ben Joop Snijder, CTO van Aigency. En vandaag neem ik je mee in een wereld waar steeds meer organisaties mee worstelen, namelijk de keuze tussen no-code, low-code of maatwerk als het gaat om AI-implementaties in bedrijfsprocessen. En even voor de duidelijkheid, we hebben het vandaag niet over het gebruik van algemene AI-tools zoals ChatGPT, Claude of Midjourney. Nee, we richten ons specifiek op organisaties die AI willen integreren in hun bedrijfsprocessen. Dus geautomatiseerd. Want steeds meer organisaties willen AI inzetten om slimmer en efficiënter te werken. Maar de grote vraag is altijd, ja, hoe pak je dat aan? Laten we eerst eens kijken wat we precies bedoelen met no-code, low-code en maatwerk. Nou, no-code is misschien wel het eenvoudigste te begrijpen. Het betreft kant-en-klare tools waarmee je zonder programmeerkennis toch AI-oplossingen kunt bouwen. Veel al via drag-and-drop interfaces. Dus je sleept wat, je klikt wat en op die manier heb je wat gebouwd. Een duidelijk voorbeeld hiervan is Akkio. Een volledig no-code AI-platform dat organisaties in staat stelt om binnen enkele minuten voorspellende modellen bijvoorbeeld te bouwen. Een verzekeringsbedrijf kan bijvoorbeeld Accio gebruiken om claimvoorspellingen te genereren op basis van historische data. Terwijl een e-commerce bedrijf het kan inzetten voor vraagprognoses. Maar Accio is zeker niet de enige speler. Er zijn diverse alternatieven zoals n8n.io. Ik zet de linkjes in de show notes hoor. Zapier, Make.com. Die ook sterke no-code mogelijkheden bieden voor het integreren van AI in bestaande systemen. Dan hebben we ook low-code platforms die een tussenstap vormen tussen de no-code en maatwerk. Je hebt nog steeds een visuele interface en kant-en-klare componenten. Maar je kunt ook met wat programmeerkennis zaken meer op maat maken. Een goed voorbeeld van een low-code platform is bijvoorbeeld Microsoft Copilot Studio. Waarmee je op maat gemaakte AI agents, zoals zij dat dan noemen, kunt ontwikkelen voor specifieke bedrijfsprocessen. Belangrijk om hierbij te vermelden is dat Copilot Studio iets anders is dan Microsoft 365 Copilot. Microsoft noemt alles Copilot. Copilot Studio is een AI... Nee, ik moet het anders zeggen. Microsoft 365 Copilot. Dat is een AI-assistent die standaard is geïntegreerd in de Microsoft 365 applicaties zoals Word en Excel. Copilot Studio daarentegen stelt je in staat om je eigen aangepaste AI agents te bouwen die kunnen werken met je specifieke bedrijfsdata en processen. En dan hebben we natuurlijk nog maatwerk. Waarbij je echt vanaf de basis begint met het ontwikkelen van een AI-oplossing die volledig is afgestemd op jouw organisatie. Bij maatwerk begin je met een leeg canvas en bouw je precies wat de organisatie nodig heeft zonder compromissen. Maar wanneer kies je nou voor welke aanpak? Laten we eens kijken naar de belangrijkste voor- en nadelen. No-code heeft als groot voordeel dat het toegankelijk is en dat je snel iets gemaakt hebt. Je hoeft geen uitgebreide IT-afdeling te hebben en je kunt als zakelijke gebruiker direct aan de slag. Een belangrijk pluspunt is dat no-code oplossingen vaak al integraties bieden met tools die je waarschijnlijk al gebruikt. Zoals Microsoft 365 of Salesforce. Het nadeel is echt dat je beperkt bent tot wat het platform biedt. Dus als je specifieke functionaliteiten nodig hebt die buiten de mogelijkheden van het platform vallen, dan loop je al snel tegen grenzen aan. Bovendien ben je wel echt gebonden aan de prijsmodellen van de leverancier wat op termijn best wel kostbaar kan worden. Nou low-code biedt wat meer flexibiliteit. Je kunt sneller bouwen dan met volledig maatwerk, maar je hebt toch de mogelijkheid om waar nodig specifieke aanpassingen te doen. Toch zijn ook die low-code platforms niet zonder uitdagingen. Ze vereisen vaak specifieke kennis van het platform zelf en je kunt nog steeds tegen beperkingen aanlopen bij zeer specifieke functionaliteiten. Bij maatwerk heb je volledig de controle over wat je bouwt. Je bent niet beperkt door de mogelijkheden van een platform en kunt precies ontwikkelen wat je organisatie nodig heeft. En dit is vooral waardevol als je werkt met gevoelige interne data zoals klantgegevens, financiële informatie of misschien zelfs wel medische dossiers. Dus laat me een voorbeeld geven. Stel je voor dat je een e-commerce bedrijf runt en je wilt AI inzetten om gepersonaliseerde marketingcontent te creëren. Je wilt een systeem dat op basis van klantgedrag en voorkeuren unieke productbeschrijvingen genereert die resoneren met jouw individuele klanten. Met standaard AI tools mis je vaak de finesse om diepgaande klantdata te integreren. Een maatwerkoplossing kan daarentegen je klantdata volledig benutten om echt zeer gerichte marketingboodschappen te creëren, precies afgestemd op jouw doelgroep en merkidentiteit. Maar ook maatwerk heeft zo zijn uitdagingen. Je moet alles zelf uitvinden en bouwen wat tijd en expertise vereist. De doorlooptijd en kosten zijn zeker in het begin aanzienlijk hoger dan bij no-code of low-code oplossingen. En een risico dat ik vaak zie bij maatwerkprojecten is ook een vorm van 'overengineering'. Er zijn situaties waarin organisaties te complexe oplossingen bouwen, terwijl een eenvoudige platform had volstaan. Soms zijn we als technologiebedrijven zo enthousiast over wat er allemaal mogelijk is met AI, dat we vergeten te vragen, wat is nou eigenlijk de eenvoudigste manier om dit probleem op te lossen? Als je een specifiek afgebakend probleem hebt, is het bouwen van een uitgebreide maatwerkoplossing soms vergelijkbaar met het gebruiken van een sleepboot om een kano voor te trekken. Het werkt wel, maar niet helemaal efficiënt. Kijk, wat wel een belangrijk voordeel van maatwerk is, dat je beter kunt voldoen aan compliance eisen. Dus in veel industrieën zijn er strenge regels rondom datagebruik en AI. Bij een zelfgebouwde oplossing heb je volledig de controle over hoe data wordt verwerkt en hoe die data wordt opgeslagen en waar die wordt opgeslagen. Ook als je te maken hebt met legacy systemen, oude systemen die al langer in gebruik zijn, kan maatwerk een betere keuze zijn. No-code en low-code platforms zijn vooral gericht op moderne API gestuurde applicaties. En dat betekent dat er een soort van vast contract ligt hoe je deze kan aanspreken. Bij oudere systemen heb je dat niet zomaar of kun je dat niet zomaar vervangen. En dan kom je al best wel snel in de problemen met standaard oplossingen. Een punt dat ik wil benadrukken is vooral het belang van een vroegtijdige, wel overwogen keuze voor je AI implementatie strategie. En we zien in de praktijk dat organisaties die beginnen met no-code of low-code oplossingen en later ontdekken dat ze eigenlijk maatwerk nodig hebben, vaak van een koude kermis thuis komen. Stel je voor je begint met een no-code platform. Dit werkt dan prima voor eenvoudige toepassingen. Maar wat gebeurt er als je later ontdekt dat je datastromen te complex zijn of dat je specifieke integraties nodig hebt die dat platform juist niet ondersteunt? Of misschien loop je tegen compliance eisen aan die alleen met maatwerk oplosbaar zijn. Dan moet je eigenlijk helemaal opnieuw beginnen wat niet alleen kostbaar is, maar dus ook leidt tot vertraging en frustratie. En andersom geldt het natuurlijk ook. Dus je kiest voor een dure maatwerkoplossing. Voor een eenvoudig, niet bedrijfscritisch proces, ja dan schiet je met een kanon op een mug. In dat geval had een low-code oplossing zoals Microsoft Co-Pilot Studio voldoende kunnen zijn. Daarom is het essentieel om vooraf goed na te denken over de aard van je AI toepassing. Is het bedrijfscritisch? Werkt het met gevoelige data? Moet het geïntegreerd worden met complexe legacy systemen? Kijk, als het antwoord op deze vragen ja is, dan is maatwerk waarschijnlijk de juiste keuze. Ondanks de hogere initiële investering. En is je toepassing daarentegen meer standaard? Gaat het om een afgebakend proces met duidelijke grenzen? Of wil je vooral heel snel experimenteren? Ja, dan kan een no-code of low-code oplossing de juiste keuze zijn. Maar er is nog een factor die je niet mag onderschatten. Schaalbaarheid. Veel no-code en zelfs low-code platforms functioneren prima bij kleinschalig gebruik. Maar kunnen problemen geven als je ze wilt opschalen naar organisatiebrede toepassingen. Maatwerk kan daarentegen speciaal worden ontworpen om mee te groeien met je organisatie. Denk ook aan de kosten op lange termijn. Dus no-code, low-code oplossingen lijken in eerste instantie goedkoper. Maar werken vaak met abonnementsmodellen waarbij de kosten oplopen naarmate je gebruik toeneemt. Bij maatwerk heb je een grotere initiële investering. Maar op lange termijn kun je juist kosten besparen. Dus laten we niet vergeten dat er een belangrijk strategisch aspect aan deze keuze zit. Dus als AI echt een onderscheidende factor is in jouw organisatie, een concurrentievoordeel dat je positioneert in de markt, dan wil je wellicht de controle en de eigenaarschap die maatwerk biedt. Dus welke aanpak past nu het beste bij jouw organisatie? Heb je standaard use cases en wil je snel starten zonder al te veel complexiteit? Dan is een no-code oplossing zoals Akkio of n8n, wat een naam he? Vaak een goede keuze. Heb je meer flexibiliteit nodig en specifieke eisen, maar wil je niet het wiel helemaal opnieuw uitvinden? Ja, dan zou ik naar low-code kijken zoals Microsoft Copilot Studio. Ik wil hierbij ook benadrukken dat voor sommige organisaties, met name kleinere bedrijven of startups, no-code of low-code, niet alleen een kostenoverweging is, maar een volledig legitieme lange termijnstrategie kan zijn. Dus niet elke organisatie heeft de resources of de noodzaak om maatwerk-AI oplossingen te ontwikkelen. En voor velen kan een goed gekozen no-code platform alle functionaliteit bieden die ze nodig hebben, nu en in de toekomst. Dus onthoud dat het essentieel is om een wel overwogen keuze te maken, gebaseerd op een grondige analyse van je huidige situatie en je lange termijn doelstellingen. Je wilt voorkomen dat je later moet overstappen, wat vaak duurder en tijdrovender is dan direct de juiste keuze maken. Dus je zou kunnen zeggen, het moraal van dit verhaal is eigenlijk vrij simpel. Er is geen universele oplossing die voor elke organisatie werkt. En de sleutel tot succes ligt in het maken van die bewuste keuze die aansluit bij de aard van jouw organisatie. De snelste weg is niet altijd de beste en de duurste aanpak is niet altijd nodig. Uiteindelijk draait het allemaal om het vinden van de juiste balans tussen toegankelijkheid, flexibiliteit en controle. En, zoals ik eigenlijk de afgelopen weken steeds afsluit, bedenk, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past. Dank je wel weer voor het luisteren. Vergeet je niet te abonneren via je favoriete podcast app. En tot de volgende keer! [Muziek]