Naar de inhoud

Documentvalidatie

Een proof of concept voor een grote bouwonderneming: prestatieverklaringen automatisch controleren met n8n-workflows, met een audit trail van elke beslissing.

Domein
Document-AI
Techniek
n8n, OCR, LLM, PostgreSQL

Uitgangssituatie

Bij een grote bouwonderneming controleerden medewerkers elke week met de hand de prestatieverklaringen van bouwproducten: de verklaring van de fabrikant over wat een product presteert. Klopten de handtekening, de datum en de projectgegevens? Dat kostte veel tijd en ging geregeld mis.

  • Tijdrovend: medewerkers waren veel tijd kwijt aan puur administratief werk.
  • Wisselend: elke controleur las de documenten net iets anders.
  • Moeilijk te verantwoorden: achteraf was lastig aan te tonen waarom een document was goedgekeurd.

Aanpak

  1. Inlezen en OCR

    n8n haalde de PDF’s uit de mail of het documentbeheersysteem. OCR en een LLM haalden er gestructureerde gegevens uit.
  2. Controleren

    Bedrijfsregels controleerden datums, handtekeningen en bevoegdheden.
  3. Doorzetten en vastleggen

    Een goedgekeurd document ging naar het archief, een afwijking met context naar een medewerker.

Wat het opleverde

Een werkende proof of concept met deze onderdelen:

Workflow

  • Orkestratie: n8n (self-hosted).
  • AI en OCR: Document-AI-nodes voor extractie.
  • Triggers: webhooks en een IMAP-koppeling.

Controle en verantwoording

  • Opslag: tijdelijk en versleuteld.
  • Audit: een PostgreSQL-log van elke beslissing.
  • Mens in de lus: een interface voor de uitzonderingen.

Wat onderzoek zegt

Deze proof of concept heeft geen eigen cijfers opgeleverd. Elders is wel gemeten hoe een taalmodel met een mens als controleur het doet tegenover alleen handwerk:

  • 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 nam een taalmodel de gegevens over en controleerde een mens het resultaat. Dat gaf minder fouten dan volledig handwerk (9,0% tegen 11,0%) en bespaarde per studie een mediaan van 41 minuten. Bij ernstige fouten was het verschil klein: 2,5% tegen 2,7% (Annals of Internal Medicine, 2025).

Beide studies gaan over medische gegevens, niet over bouwdocumenten. Het principe is wel hetzelfde: de machine doet het eerste werk, de mens controleert.

Benieuwd wat we nu bouwen?

We richten ons inmiddels op onze eigen producten: Phaeton voor laden op zonne-overschot met Victron, en OuterScope voor de bewaking van uw publieke aanvalsoppervlak.