Monitoring en signalering klinkt als een dashboard. Het is meestal iets anders: een systeem dat continu gegevens binnenkrijgt, die afzet tegen een verwachting of een drempelwaarde, en een signaal afgeeft zodra iets afwijkt. Dat kan een machine zijn die anders trilt dan normaal, een voorraad die sneller slinkt dan gepland, een netwerk waar ongebruikelijk verkeer doorheen gaat, of een klantproces waar de doorlooptijd oploopt. De AI-component zit in het herkennen van patronen die met vaste regels niet te vangen zijn — niet in het vervangen van de mens die op het signaal reageert.
Een monitoringsysteem levert drie dingen: een continue meting, een norm waartegen die meting wordt afgezet, en een signaal wanneer de afwijking een bepaalde grens overschrijdt. Wat er daarna gebeurt, hangt af van de inrichting. In de eenvoudigste vorm gaat er een melding naar een mens, die beoordeelt en handelt. In een verdergaande vorm start het signaal automatisch een vervolgstap — een melding aan een leverancier, een aanpassing in een planning, een blokkade van een transactie. Die tweede vorm raakt het terrein van ketens waarin stappen elkaar opvolgen: monitoring wordt dan het startpunt van een proces dat zonder tussenkomst doorloopt, en dat vraagt een ander soort vertrouwen dan een melding die iemand nog kan wegklikken.
Het verschil tussen die twee vormen is niet triviaal. Een signaal dat naar een mens gaat, kan verkeerd zijn zonder dat het meteen schade doet — de mens filtert. Een signaal dat een actie triggert, moet kloppen, of de organisatie moet een manier hebben om de actie terug te draaien. Veel organisaties beginnen daarom bij de eerste vorm en bewegen pas naar de tweede als het signaal zich bewezen heeft.
Monitoring en signalering vraagt allereerst continue, betrouwbare data. Een systeem dat elke week een export uit een ander systeem krijgt, kan geen signaal geven — het kan alleen achteraf rapporteren. Er moet een stroom zijn: sensoren, logs, transacties, gebeurtenissen, die doorlopend binnenkomen en waarvan de kwaliteit niet wisselt met wie de invoer doet.
Daarnaast vraagt het een norm. Een afwijking is alleen een afwijking ten opzichte van iets. Bij machines is dat vaak een technische specificatie; bij processen is het vaker een historisch gemiddelde of een doelwaarde die iemand heeft vastgesteld. Waar die norm ontbreekt of instabiel is — een proces dat voortdurend verandert, een markt die schommelt — geeft het systeem ofwel te veel signalen, ofwel te weinig. Beide ondermijnen het vertrouwen erin.
Ten derde vraagt het een vastgelegde route voor wat er met een signaal gebeurt. Wie krijgt de melding, binnen welke tijd wordt die beoordeeld, wat is de escalatie als er niet gereageerd wordt. Zonder die route eindigt een signaal in een postvak dat niemand leest, en verliest het systeem zijn functie. Dit raakt dezelfde vraag als bij gesprekken die worden vastgelegd en opgevolgd: vastleggen zonder opvolging levert alleen een archief op, geen verbetering.
De meest voorkomende makke is een monitoringsysteem dat te veel signalen geeft. Als elke kleine afwijking een melding oplevert, leren mensen die te negeren — het omgekeerde effect van waar het systeem voor bedoeld is. De drempelwaarde instellen is daarom een doorlopende afweging tussen te veel ruis en te laat waarschuwen, en die afweging verschuift naarmate er meer data binnenkomt.
Een tweede makke is dat het signaal wel afgaat, maar niemand eigenaar is van de opvolging. Dit gebeurt vaak wanneer monitoring wordt ingericht als IT-project zonder dat de afdeling die met de signalen moet werken, is aangehaakt. De techniek werkt, de organisatie niet.
Een derde makke ontstaat wanneer het signaal een besluit vraagt dat eigenlijk mensenwerk is — is deze afwijking acceptabel, moet de klant gebeld worden, is dit risico het stopzetten waard. Waar die afweging zwaarder wordt dan een vaste regel aankan, schuift monitoring op naar beslisondersteuning, en gelden andere eisen aan onderbouwing en uitlegbaarheid dan bij een simpel drempelsignaal.
De meeste monitoringprojecten die niet van de grond komen, lopen vast op de datastroom, niet op het model. Sensoren die uitvallen, logs die inconsistent zijn, systemen die niet met elkaar praten — dat zijn geen AI-problemen, het zijn infrastructuurproblemen die eerst moeten zijn opgelost. Ook coördinatie speelt mee: een signaal dat op de ene afdeling ontstaat, moet vaak bij een andere afdeling landen om iets te betekenen, en dat raakt de vraag hoe coördinatie tussen afdelingen is ingericht.
Deze pagina beschrijft wat monitoring en signalering kan opleveren, en wat de organisatie op orde moet hebben voordat het werkt. Een andere vraag is welk deel van het werk rond die signalen — het beoordelen, het opvolgen, het escaleren — daadwerkelijk door AI is over te nemen. Dat is een taakniveau vraag, en die beantwoordt de werkscan van FTE TO AI: die rekent per taak uit welk deel van het werk over te nemen is, in plaats van op het niveau van een heel proces of een hele functie.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.