Wat AI hier anders doet dan een zoekfunctie
De eerste reflex is: we bouwen een zoekmachine. Maar zoeken helpt pas als je al weet wat je zoekt. Het probleem bij documentverwerking is eerder dat je niet weet wat er binnenkomt, laat staan waar het naartoe moet.
Amazon Textract lost het eerste deel op. Het leest documenten zoals een mens dat doet, niet alleen de tekst, maar ook de structuur. Een tabel blijft een tabel. Een formulierveld wordt herkend als sleutel-waardepaar. Een handgeschreven opmerking naast een gedrukte regel wordt niet genegeerd. Het verschil met gewone OCR is dat Textract context begrijpt: "Leverdatum: 16 juli 2025" is niet zomaar tekst, het is een veld met een waarde.
Amazon Comprehend neemt het daarna over. Het analyseert wat de tekst betekent. Is dit een klacht? Een bestelling? Gaat het over een vertraging of een verkeerd product? Welk sentiment zit er in? Een mail met "Ik heb mijn pakket nog steeds niet ontvangen en niemand reageert" wordt automatisch herkend als urgent, negatief en gekoppeld aan het onderwerp levering. Zonder dat iemand hem heeft gelezen.
Hoe de flow eruitziet in de praktijk
De kracht zit niet in de losse onderdelen maar in de combinatie. Een document komt binnen, wordt opgeslagen in S3, getriggerd via Lambda, gelezen door Textract, geanalyseerd door Comprehend en vervolgens automatisch doorgestuurd naar het juiste systeem. Alles serverless, alles schaalbaar, zonder dat er iemand tussen zit.
Dat klinkt technisch. De praktijk is eenvoudiger: een document gaat erin, een actie komt eruit. Klachtenregistratie, orderverwerking, contractvalidatie. De stap van ontvangst naar verwerking duurt geen uren meer maar seconden.
Wat dit in de praktijk opleverde
Een internationale logistieke speler verwerkte dagelijks honderden vrachtbrieven, klantmails en meldingen. Een team opende ze handmatig, beoordeelde ze en voerde de relevante informatie in. Dat leverde wachttijden op, inconsistentie en frustratie aan beide kanten van de lijn.
Na implementatie worden documenten automatisch verwerkt. Klachten worden herkend, referentienummers gekoppeld, informatie doorgestuurd. Het resultaat: 80% minder handmatig werk, snellere responstijden en medewerkers die tijd overhouden voor het werk dat niet geautomatiseerd kan worden: persoonlijk klantcontact.
Wanneer is dit relevant voor jouw organisatie
Niet elk documentprobleem vraagt om deze aanpak. Maar als je een of meer van de volgende situaties herkent, is het de moeite waard om te kijken wat er mogelijk is:
- Medewerkers besteden structureel tijd aan het handmatig overtypen of doorsturen van documenten.
- Documenten komen in verschillende vormen binnen: gescand, digitaal, gedeeltelijk ingevuld.
- Fouten in documentverwerking hebben directe gevolgen voor klanten of compliance.
- Het volume groeit en het team groeit niet mee.
Je hoeft niet te beginnen met de volledige flow. Een goed startpunt is één documenttype dat nu de meeste tijd kost. Daar bouwen we een proof of concept op, zodat je ziet wat het oplevert voordat je verder investeert.