I think many organizations still judge AI with the wrong yardstick.
They ask: can we automate this? Often what they mean is: can we make the process tidy enough for software to handle it?
That question comes from classical automation. You make the input strict, you build rules, and you try to catch exceptions in advance. That works well when the work behaves that way.
But a lot of administrative work does not behave that way at all.
A receipt is a photo. Or a PDF. Or a scan. The amount is in a different place than expected. The description is half clear. Sometimes there is another currency, sometimes another language, sometimes a document is missing. And still, someone in finance has to judge whether the expense claim is correct.
That is where AI becomes interesting. Not because AI is magical, but because the input does not first have to be made perfect before something useful can happen.
I saw this very concretely at Love Justice. The organization works in 17 countries. Employees claim expenses and upload the receipt that belongs to the claim. Then someone has to check whether the amount, date, description, category, and receipt match.
For that work, there was a proposal from an external company: 36,000 dollars to automate the process, plus 100 dollars in monthly maintenance.
I built a skill instead. Not as a large software project, but as a focused way of working for one recurring check.
A skill is not a clever prompt that someone writes well once. It is a fixed way of working that an AI agent can execute again and again. In this case: open the expense-claim file, take the linked receipt for each row, read the receipt, compare the data, and write the assessment back into the file where finance already works.
That last part matters. If the outcome stays in a chat, finance still has extra work. The assessment has to return to the place where the process continues.
The skill does not approve anything by itself. I would not want that either. The skill prepares what matches, what is missing, where there is doubt, and which item a human has to review. The judgment stays with finance, but most of the searching and comparing is removed.
The check now takes roughly half an hour to an hour per country. The 36,000-dollar proposal was no longer needed. More importantly, a full-time workload of manual checking disappeared from the process.
I write that carefully, because "replacing a full-time job" can sound harsh very quickly. In this case, the point is different. That capacity can go back to the work Love Justice exists for: fighting human trafficking.
That is the side of AI I believe in much more than general stories about productivity. Work is not neutral. The best hours of people often go to checks, rework, searching, comparing, and retyping. Sometimes that is necessary. Sometimes the work is simply designed badly.
I might be wrong, but I think many organizations should not look for their first AI opportunity in a large AI program. I would start with recurring work where people put messy documents next to each other and make the same kind of judgment every time.
Expense claims and receipts. Invoices and contracts. Emails and case files. Spreadsheets and PDFs.
The input does not have to be tidy. The judgment has to be clear.
When is something correct? When is something missing? When is there doubt? And when does a human have to decide?
If you can answer those questions well, you often have more than a prompt. You can build a way of working that prepares the same work again every month.
Ik denk dat veel organisaties AI nog steeds met de verkeerde meetlat beoordelen.
Ze vragen: kunnen we dit automatiseren? Vaak bedoelen ze dan: kunnen we het proces zo netjes maken dat software het aankan?
Die vraag komt uit klassieke automatisering. Je maakt de invoer strak, je bouwt regels, je probeert uitzonderingen vooraf af te vangen. Dat werkt goed als het werk zich daaraan houdt.
Maar veel administratief werk houdt zich daar helemaal niet aan.
Een bon is een foto. Of een pdf. Of een scan. Het bedrag staat op een andere plek dan verwacht. De omschrijving is half duidelijk. Soms is er een andere valuta, soms een andere taal, soms ontbreekt er een document. En toch moet iemand in finance beoordelen of de declaratie klopt.
Daar wordt AI interessant. Niet omdat AI magisch is, maar omdat de input niet eerst perfect hoeft te worden gemaakt voordat er iets nuttigs kan gebeuren.
Bij Love Justice zag ik dat heel concreet. De organisatie werkt in 17 landen. Medewerkers declareren kosten en uploaden de bon die erbij hoort. Daarna moet iemand controleren of bedrag, datum, omschrijving, categorie en bon bij elkaar passen.
Voor dat werk lag er een voorstel van een externe partij: 36.000 dollar om het proces te automatiseren, plus 100 dollar onderhoud per maand.
Ik heb in plaats daarvan een skill gebouwd. Niet als groot softwareproject, maar als een gerichte werkwijze voor één terugkerende controle.
Een skill is geen slimme prompt die iemand een keer goed opschrijft. Het is een vaste werkwijze die een AI-agent telkens opnieuw kan uitvoeren. In dit geval: open het declaratiebestand, pak per regel de gekoppelde bon, lees de bon, vergelijk de gegevens en schrijf de beoordeling terug in het bestand waar finance al werkt.
Dat laatste maakt uit. Als de uitkomst in een chat blijft hangen, heeft finance er nog steeds extra werk aan. De beoordeling moet terug naar de plek waar het proces verdergaat.
De skill keurt niets zelfstandig goed. Dat zou ik ook niet willen. De skill zet klaar wat klopt, wat ontbreekt, waar twijfel zit en welke post een mens moet bekijken. Het oordeel blijft bij finance, maar het zoek- en vergelijkwerk wordt grotendeels weggehaald.
De controle kost nu ongeveer een half uur tot een uur per land. Het voorstel van 36.000 dollar was daarmee niet meer nodig. Belangrijker nog: er verdween een fulltime hoeveelheid handmatig controlewerk uit het proces.
Ik schrijf dat voorzichtig op, omdat “een fulltime job vervangen” snel hard klinkt. In deze case is het punt juist anders. Die capaciteit kan terug naar het werk waarvoor Love Justice bestaat: mensenhandel bestrijden.
Dat is de kant van AI waar ik veel meer in geloof dan in algemene verhalen over productiviteit. Werk is niet neutraal. De beste uren van mensen gaan vaak naar controles, herstelwerk, zoeken, vergelijken en overtypen. Soms moet dat. Soms is het ook gewoon slecht ontworpen werk.
Misschien zit ik mis, maar ik denk dat veel organisaties hun eerste AI-kans niet moeten zoeken in een groot AI-programma. Ik zou beginnen bij terugkerend werk waar mensen rommelige documenten naast elkaar leggen en steeds hetzelfde soort beoordeling maken.
Declaraties en bonnen. Facturen en contracten. E-mails en dossiers. Spreadsheets en pdf’s.
De input hoeft niet netjes te zijn. De beoordeling moet duidelijk zijn.
Wanneer klopt iets? Wanneer ontbreekt iets? Wanneer is er twijfel? En wanneer moet een mens beslissen?
Als je die vragen goed kunt beantwoorden, heb je vaak meer dan een prompt. Dan kun je een werkwijze bouwen die elke maand opnieuw hetzelfde werk voorbereidt.