De uitdaging
Elke week documenten handmatig controleren op handtekeningen, datums en projectgegevens. Een foutgevoelig proces dat veel tijd kost.
- Tijdsintensief: medewerkers zijn puur administratief bezig.
- Consistentie: menselijke interpretatie verschilt per controleur.
- Auditbaarheid: lastig achteraf te bewijzen waarom iets wordt goedgekeurd.
De aanpak
Inlezen en OCR
n8n haalt PDF’s uit de mail of het DMS. OCR en een LLM halen er gestructureerde gegevens uit.Controleren
Bedrijfsregels controleren datums, handtekeningen en bevoegdheden.Doorzetten en vastleggen
Een goedgekeurd document gaat naar het archief, een afwijking met context naar een medewerker.
Technische componenten
Workflow
- Orkestratie: n8n (self-hosted).
- AI en OCR: Document AI-nodes voor extractie.
- Triggers: webhooks en een IMAP-koppeling.
Governance
- Opslag: tijdelijk en versleuteld.
- Audit: PostgreSQL-log van elke beslissing.
- Human-in-the-loop: interface voor uitzonderingen.
Wat onderzoek zegt
Deze proof of concept heeft geen eigen cijfers opgeleverd. Wel is elders gemeten dat een taalmodel met een mens als controleur het goed doet tegenover handwerk alleen:
- Handmatig overnemen gaat vaak mis: een meta-analyse van 93 studies (gepubliceerd tussen 1978 en 2008) vond gemiddeld 6,6% fouten bij het handmatig overnemen van gegevens uit dossiers (International Journal of Medical Informatics, 2025).
- Model plus mens is iets nauwkeuriger en sneller: in een prospectieve studie maakte extractie door een taalmodel, gecontroleerd door een mens, minder fouten dan volledig handwerk (9,0% tegen 11,0%; bij ernstige fouten was het verschil klein: 2,5% tegen 2,7%) en kostte ze een derde minder tijd (Annals of Internal Medicine, 2025).
Beide studies gaan over medische gegevens, niet over bouwdocumenten; het principe, de machine doet het eerste werk en de mens controleert, is hetzelfde.