Bijna elk aspect in de moderne technische wereld lijken te versnellen. De meeste bedrijven doen hun uiterste best om het tempo vast te houden, hoewel het succespercentage zeker hoog genoeg is voor het aantal lopende pogingen. In dit artikel De toestand van AI in het bedrijfsleven 2025: de kloof tussen de GenAI|Cactus we hebben enkele inzichten in dit probleem gegeven.
De snelle tempo van verandering komt vooral tot uiting in SaaS. Er verschijnen bijna dagelijks nieuwe platforms die beloven de ‘meest kritieke’ problemen in sectoren en markten op te lossen, terwijl andere verdwijnen of binnen enkele weken worden overgenomen. In een landschap waar complexiteit blijft stijgen, hoe kunnen teams realistisch gezien korter worden? ontwikkelingscycli voor nieuwe producten en diensten?
Ik denk dat antwoord twee tweeledig is: er is een meedogenloze drang naar “meer” wat inherent is aan onze economisch systeem en die zijn er nieuwe technologieën die naar voren kwam om eraan te voldoen. Eerst en vooral, Kunstmatige intelligentie, vooral Grote taalmodellen, verbetert de mogelijkheden van ervaren ontwikkelaars aanzienlijk. Zelfs minder technisch onderlegde individuen hebben nu de mogelijkheid om te creëren digitale producten, van geautomatiseerde werkstromen tot eenvoudige apps.
Er is een extra bron van empowerment: de beschikbaarheid van nieuwe instrumenten, algemeen bekend als “low-code” of zelfs “geen code” tools waarvoor geen uitgebreide ervaring met coderen vereist is, waardoor iedereen workflows kan automatiseren of apps visueel kan bouwen.
Low-Code tools
Laat ik eerst het concept achter ‘low-code’ tools uitleggen. In wezen zij neem de complexe code normaal gesproken vereist om bepaalde functionaliteit te bieden en deze te verpakken in vooraf geconfigureerde modules. In plaats van alles vanaf nul te schrijven, gebruikers kunnen deze kant-en-klare modules combineren, meestal via een grafische interface, om een bedrijfsprobleem op te lossen of een specifieke workflow te creëren.
De aanpak van het modulariseren van functionaliteiten is eigenlijk niet nieuw; ontwikkelaars doen het al tientallen jaren. Wat low-code tools naar mijn mening anders maakt, is dat de combinatie van een grafische interface en een enorme bibliotheek met modules. Door modules naar een webgebaseerd canvas te slepen en neer te zetten en ze met elkaar te verbinden volgens een bedrijfslogica, wordt het oplossen van problemen dichter bij de belanghebbenden gebracht. Technisch geneigd projecteigenaren kunnen zelfs zelf experimenteren en oplossingen herhalen, zonder dat voor elke wijziging een ontwikkelaar nodig is.
Zoveel hulpmiddelen, zoveel hoofdpijn
De versnelling eerder ook genoemd heeft invloed op de low-code tool landschap. Er zijn talloze hulpmiddelen om uit te kiezen. Neem bijvoorbeeld een paar daarvan voor de automatisering van bedrijfsprocessen:
Het kiezen van de juiste is niet eenvoudig en hangt af van de specifieke doelen die moeten worden bereikt, de software die al in gebruik is of bestaande systemen. Als er bijvoorbeeld al Microsoft-producten in uw bedrijf worden gebruikt en het doel is om processen binnen het Microsoft-ecosysteem te automatiseren, kan Power Automate een geschikte keuze zijn. Het is zelfs mogelijk dat de toolkeuze neerkomt op persoonlijke voorkeuren, zoals kleine verschillen in de functionaliteit van de gebruikersinterface.
Twee praktijkvoorbeelden met n8n
Ik zei net dat het moeilijk kan zijn om uit alle opties te kiezen, dus waarom heb ik voor n8n gekozen om zijn mogelijkheden aan te tonen aan de hand van een voorbeeld? Er zijn drie belangrijke redenen. De eerste reden is dat n8n kan lokaal worden gehost, kan dit een interne server of zelfs een pc zijn. Een andere reden is dat n8n is modulair in de zin dat als er een functionaliteit is die u nodig heeft wat niet wordt gedekt door de vooraf geconfigureerde modules (of knooppunten, hoe ze worden genoemd in n8n), kunt u de functionaliteit ontwikkelen en integreren in n8n. De derde reden is dat n8n is gratis gebruiken voor interne bedrijfsdoeleinden. Dat betekent dat er geen kosten aan verbonden zijne gebruik. Er zijn enkele functionaliteitsbeperkingen, maar zelfs met deze beperkingen zijn er veel dingen die u kunt automatiseren met n8n.
Basisvoorbeeld: e-mails routeren afhankelijk van de e-mailinhoud
Om met een eenvoudig voorbeeld te beginnen: stel u voor dat u een zakelijk e-mailadres heeft, zoals info@uw_bedrijf.com. Ervan uitgaande dat u over een proces beschikt dat duidelijke SPAM-e-mails filtert, wilt u dat ook doen analyseer de e-mailinhoud en stuur de informatie naar de juiste persoon binnen uw bedrijf, zodat elke aanvraag snel wordt opgemerkt en verwerkt. Er zijn verschillende manieren om dit in n8n in te stellen, maar wij zouden nodig hebben minimaal drie functionaliteiten: een knooppunt(onthoud dat de vooraf geconfigureerde modules op deze manier worden genoemd in n8n)die controleert op nieuwe berichten in een bepaald e-mailaccount, een knooppunt dat de e-mailinhoud analyseert en tenslotte een knooppunt dat een e-mail stuurt naar de verantwoordelijke persoon.
Zo zou dit eruit zien in n8n:
Laten we elk knooppunt en zijn functionaliteit eens bekijken:
Nieuw_Outlook_bericht:
Dit is de gebeurtenis die activeert de werkstroom. In dit voorbeeld wordt het e-mailaccount periodiek gecontroleerd op nieuwe berichten. De basisberichtdetails zoals e-mailonderwerp, ontvangstdatum, afzender en de e-mailinhoud worden doorgestuurd naar het volgende knooppunt.
Mensen_In_Charge:
Dit knooppunt bevat statische informatie over de verantwoordelijke persoon voor elke afdeling. Binnen n8n ziet dit er als volgt uit:
E-mail_Analyser:
Dit is waar de de inhoud van de e-mail wordt geanalyseerd. In dit geval heb ik gekozen voor de Agent-knooppunt die de oproepen en redeneringen van het Large Language Model (LLM) orkestreert. Op dit punt is het belangrijk om op te merken dat je dit nodig hebt om het Agent-knooppunt te kunnen gebruiken specificeer de LLM je wilt gebruiken. Providers kunnen openAI, Anthropic, Gemini of een andere zijn. Binnen n8n jij verbinding maken met de dienst via de corresponderende API-toets. De gebruiksvoorwaarden van de betreffende aanbieder zijn van toepassing. Als de e-mailinhoud specifieke eisen stelt met betrekking tot gegevensprivacy, kunnen gebruikers hiervoor kiezen Azure OpenAI of zelfs Ollama die meestal lokaal wordt ingezet. Naast de LLM heb ik het agentknooppunt opgegeven met een Uitvoer_Formatter. Dit is niet verplicht, maar verhoogt de betrouwbaarheid van de LLM-uitvoer omdat het de LLM dwingt om op een gestructureerde manier te reageren in plaats van op vrije tekst.
Bericht verzenden:
Zodra het Agent-knooppunt klaar is met de analyse, stuurt het de informatie door naar de laatste knooppunt waarin de e-mail wordt opgemaakt en uiteindelijk verzonden naar de verantwoordelijke persoon.
Geavanceerd voorbeeld: Automatisering van een typisch backofficeproces: orderinname
Stel je voor dat jij de persoon bent die verantwoordelijk is voor de orderintake in jouw bedrijf. Het is niet ongebruikelijk dat dit proces begint met een e-mail. De e-mail moet worden gelezen, bijlagen moeten worden geopend en informatie moet worden geëxtraheerd. Het verwerken van de bestelling Het kan hierbij gaan om taken zoals het controleren van de productbeschikbaarheid in een database of het documenteren ervan in een Customer Relationship Management (CRM)-systeem. Dit alles kan in principe zo zijn geautomatiseerd met behulp van n8n.
Om een dergelijke automatisering betrouwbaar te maken, is bepaald technisch inzicht echter essentieel. De binnenkomende e-mail kan verschillende soorten bijlagen bevatten, zoals afbeeldingen, pdf’s of spreadsheets. Elk van deze bijlagen moet op een andere manier worden geparseerd, om informatie uit de bijlagen te extraheren kunnen aangepaste knooppunten of zelfs scripts nodig zijn. Tenslotte een Agent-knooppunt zou kunnen worden gebruikt interpreteren en structureren de geëxtraheerde informatie voordat u het bestelrecord in uw systeem aanmaakt. Agentknooppunten gebruiken doorgaans specifieke instructies die in natuurlijke taal zijn opgesteld. De kwaliteit van deze instructies een impact hebben op het gedrag van agenten.
In dit stadium is de grens tussen low-code en traditionele ontwikkeling begint te vervagen. Hoewel de grafische interface en de vooraf gebouwde knooppunten het ontwikkelingsproces nog steeds versnellen, a technisch inzicht van wat er onder de motorkap gebeurt wordt steeds belangrijker.
Conclusie
Low-code-tools zoals n8n kan ontwikkelingscycli versnellen en mensen in hun kracht zetten die misschien nog nooit een regel code heeft geschreven om elementaire bedrijfsprocessen te automatiseren. Wat moet er zijn cmaar dat is het wel Automatisering neemt de complexiteit niet weg, het verplaatst het gewoon ergens anders. Het automatiseren van meer geavanceerde bedrijfsprocessen zal complexere stromen vereisen en zal hoogstwaarschijnlijk een dieper technisch inzicht vereisen van hoe vooraf geconfigureerde knooppunten met elkaar kunnen worden verbonden of zelfs aangepaste knooppunten kunnen worden ontwikkeld.
Dat is waar ervaring het verschil maakt. Bij Cactus helpen we organisaties met het opzetten van low-code tools zoals n8n en ontwerp en implementeer automatiseringsprocessen die daadwerkelijk in hun specifieke context werken.
