Simon Geeraerts

Mijn tool in cijfers

In mijn laatste test had ik 13 op 13 juist. Dat was in het begin zeker nog niet zo. Soms miste er info en soms was het antwoord wel juist, maar stond het bijvoorbeeld in de verkeerde taal. Bij een Franse of Engelse vraag stond de vaste uitleg soms nog in het Nederlands.

Ik heb die fouten dan aangepast en dezelfde tests opnieuw gedaan. Zo zag ik meteen of het beter werkte. Uiteindelijk waren alle 13 testen juist. Ik heb vooral geleerd dat een antwoord inhoudelijk juist kan zijn en toch nog fout kan aanvoelen voor de klant. Bij een Franse of Engelse vraag gaf de assistent bijvoorbeeld wel de juiste informatie over de wagen en de aankomstdatum. Alleen stond de vaste uitleg eronder soms nog in het Nederlands. Dat maakte het antwoord niet volledig correct.

Ik heb ook getest wat er gebeurt bij een fout bestelbonnummer. Daar merkte ik dat de melding duidelijk moet zeggen wat de klant moet controleren. De assistent mag dan geen bestelgegevens tonen die misschien bij iemand anders horen. Door die fouten één voor één te testen kon ik beter zien waar het probleem zat. Daarna kon ik de instructies en vaste meldingen gerichter aanpassen. Zo werd de tool stap voor stap duidelijker en betrouwbaarder.

Wat kost één run?

Een gemeten run gebruikte 376 inputtokens en 36 outputtokens. Met GPT-6 Luna kostte dat $0,0000556, of ongeveer €0,0000500 met de cursusaanname van $1 = €0,90. Bij 30 vragen per maand is dat ongeveer €0,00150 per maand. Zelfs bij 30.000 vragen per maand blijft de kost ongeveer €1,50 per maand.

Wat mij vooral verraste is dat de kost per vraag echt heel laag is. Bij maar 30 vragen per maand stelt die AI-kost bijna niets voor. Zelfs bij 30.000 vragen per maand blijft het nog veel goedkoper dan ik eerst had verwacht. Ik dacht dat vooral de AI zelf duur ging zijn. Uiteindelijk zit de grootste winst vooral in de tijd die verkopers niet meer kwijt zijn aan telkens dezelfde leveringsvragen.

Ik heb ook GPT-6.1 Sol vergeleken. Dat model is ongeveer twintig keer duurder, maar kost bij 30.000 vragen nog altijd ongeveer €30 per maand. Voor mij wil dat vooral zeggen dat we nu niet meteen het duurste model nodig hebben. Als het goedkopere model doet wat het moet doen, is dat voorlopig goed genoeg. Als we de tool later verder uitbreiden en meer functies toevoegen, kunnen we altijd nog bekijken of een sterker model nodig is.

Met de hand of met de tool?

Als een verkoper alles zelf moet doen ben je al snel ongeveer 10 minuten bezig per klant. Je moet de bestelling opzoeken, de info nakijken en daarna nog bellen of mailen.

Met de tool reken ik ongeveer 30 seconden controle per vraag. Dat scheelt ongeveer 9,5 minuten per klant. Bij 30 vragen per maand is dat ongeveer 57 uur per jaar. Aan €40 per uur komt dat neer op ongeveer €2.280 tijdswinst per jaar. De API-kost voor 360 vragen per jaar is ongeveer €0,02. De netto geschatte waarde is dus ongeveer €2.279,98 per jaar.

Mijn zwakste cijfer

Die 30 vragen per maand is eigenlijk het cijfer waar ik het minst zeker van ben. Ik heb dat nog niet echt gemeten dus het blijft vooral een schatting. Als het uiteindelijk maar 15 vragen per maand zijn dan is de winst natuurlijk ook maar half zo groot. Dan kom ik uit op ongeveer 28,5 uur tijdswinst per jaar. Aan €40 per uur is dat ongeveer €1.140 per jaar. Dat is nog altijd best veel geld voor maar 15 vragen per maand.

Mijn voorlopige conclusie

Ik zou de tool nu al aanraden om verder te gebruiken bij Ford Geeraerts, omdat de laatste testen allemaal juist waren en hij veel tijd kan besparen. Voor hij echt met klanten gebruikt wordt, moet vooral de koppeling met de echte Ford-gegevens goed en betrouwbaar zijn. De info moet altijd juist en actueel blijven, anders heeft de klant natuurlijk weinig aan het antwoord.

Wat ontbrak er in mijn context?

Volgens mijn buur was het niet echt duidelijk wie de uitleg over de afhaling moest geven. In de instructies stond dat de AI alleen de status en de verwachte aankomst moest vermelden en dat de toepassing daarna zelf de vaste uitleg toevoegt. Maar in het voorbeeld stond die uitleg al bij het antwoord van de AI. Dus het was wat verwarrend wat de AI nu zelf moest zeggen en wat de toepassing automatisch toevoegt.

Mijn eerste cijfer

Mijn eerste cijfer was 3 op 5 juist, dus 60% (n = 5, 1 run). Ik had twee F3-fouten: bij test 1 en test 2 ontbrak “Ford Geeraerts” in het antwoord terwijl ik wel gezegd had dat dit volgens mijn verwachte antwoord wel vermeld moest worden.

Ik heb ook wat moeilijkere vragen getest om te zien wat de assistent doet als alles niet perfect wordt ingevuld. Ik stelde bijvoorbeeld een vraag in het Frans om te checken of hij ook in het Frans antwoordt. Daarna probeerde ik een juiste bestelbon met een verkeerde naam om te zien of hij geen gegevens van iemand anders toont. Ik testte ook een bestelbonnummer met maar vier cijfers om te kijken of hij daar goed op reageert.

Eén wijziging

Ik heb de instructies aangepast zodat de AI alleen de status en de verwachte aankomstdatum geeft. De toepassing zet daarna zelf de vaste uitleg over de afhaling erbij, zodat de AI dat niet nog eens hoeft te zeggen.

Toen mijn buur de aangepaste versie opnieuw las, zei hij dat het nu duidelijk was wie de uitleg over de afhaling toevoegt.

Dat wil natuurlijk nog niet zeggen dat de assistent altijd juist werkt, mijn buur heeft alleen gekeken of de instructies duidelijk waren. IIk moet dus nog verschillende vragen en moeilijke situaties blijven testen om te zien of de assistent de regels ook echt goed gaat volgen.

Wat bouw ik?

Ik bouw een assistent waarmee klanten kunnen zien wanneer hun bestelde Ford ongeveer bij Ford Geeraerts aankomt. De klant stelt eerst zijn vraag en geeft daarna zijn vijfcijferige bestelbonnummer en de naam op de bestelling. De assistent zoekt de bestelling op in een Excelbestand en toont het model, de huidige status en de verwachte aankomstdatum bij de garage. Die datum is geen afhaal- of leveringsdatum: de verkoper maakt daar later afspraken over met de klant. Als er nog geen aankomstdatum bekend is, zegt de assistent dat duidelijk zodat de klant later opnieuw kan kijken.

Waarom een taalmodel?

AI is handig omdat klanten hun vraag niet altijd op dezelfde manier stellen. De info zelf staat gewoon in Excel, maar AI kan begrijpen wat de klant bedoelt en er een duidelijk antwoord van maken. Zo moet de klant niet exact weten hoe hij zijn vraag moet formuleren en moet een verkoper ook niet elke keer alles zelf uitleggen.

Eén testinput

Input: “Is de levering van mijn wagen vertraagd?” De klant gaf daarna bestelbonnummer 10916 en de naam Sofie Martens.

Juiste antwoord: De Ford Explorer Select heeft de status “Vertraagd bij transport” en wordt verwacht bij Ford Geeraerts op 29 oktober 2026. Dat is een verwachte aankomstdatum bij de garage, geen afhaaldatum.

Antwoord van de tool: De tool gaf dezelfde status en datum. Ze legde ook uit dat de verkoper later contact opneemt om de levering aan de klant af te spreken.

Wat heb ik tot nu toe met AI gedaan?

Ik heb een site gebruikt waar ik AI-modellen trainde. Met computervisie liet ik een AI herkennen of een machine het etiket recht op een waterflesje had gekleefd. Dit kan helpen in het productieproces. Het model kon rechte en scheve etiketten onderscheiden, maar was niet altijd juist.

Wat verraste me vandaag?

Ik kon door een operatie niet aanwezig zijn tijdens de les.

Welke richting wil ik uit?

Ik wil AI gebruiken om stappen in processen bij KMO’s te vergemakkelijken of automatisch te laten uitvoeren, in verschillende onderdelen van het bedrijf. Denk bijvoorbeeld aan het verkoopproces in een autogarage: klanten op de hoogte houden van hun bestelling, verzekering, betaling en nummerplaten, en een afspraak voor de levering maken.