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.
Onze aanpak
Ingest & OCR
n8n haalt PDF’s uit mail/DMS. OCR en LLM extraheren gestructureerde data.Logic & validate
Business rules checken datums, handtekeningen en bevoegdheden.Route & audit
Goedgekeurd document gaat naar archief. Afwijking gaat naar medewerker met context.
Technische componenten
Workflow
- Orchestration: n8n (self-hosted).
- AI/OCR: Document AI-nodes voor extractie.
- Triggers: webhooks en IMAP-watchers.
Governance
- Storage: tijdelijke, versleutelde opslag.
- Audit: PostgreSQL-log van elke beslissing.
- Human-in-the-loop: interface voor uitzonderingen.
Wat onderzoek zegt
Dat een taalmodel met een mens als controleur beter werkt dan handwerk alleen, is ook buiten deze case gemeten:
- Handmatig overnemen gaat vaak mis: een meta-analyse van 93 studies vond gemiddeld 6,6% fouten bij het handmatig overnemen van gegevens uit dossiers (International Journal of Medical Informatics, 2025).
- Model plus mens is 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%) 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.