Slimmer lesmateriaal met AI: hoe Floren een knelpunt oploste
Floren, ontstaan uit een fusie tussen Noordhoff Zorg en Prelum, ontwikkelt lesmateriaal voor zorgopleidingen op niveau 3 en 4. Een proces met een hardnekkig knelpunt: de lesstof van beide niveaus moet inhoudelijk dicht bij elkaar liggen, maar er moet ook een duidelijke scheiding tussen zitten. Wat hoort bij welk niveau? Waar zit de overlap, maar vooral de verschillen? Dus wat maakt de niveaus uniek? Dat uitzoeken kost veel tijd, omdat het om de online equivalent van meer dan 50 boeken ging, met ruim 2000 te vergelijken componenten.
Met die werkelijkheid in het achterhoofd klopte de organisatie bij ons aan, met een duidelijke vraag: hoe kunnen we met AI gaan werken zonder dat onze data direct bij grote externe partijen terechtkomt? Een terechte zorg voor een organisatie die werkt met inhoudelijk lesmateriaal. We gingen samen om de tafel: wat is AI, hoe werkt het en wat is er nodig om er veilig mee aan de slag te gaan?
We zijn niet meteen gaan bouwen. Eerst vragen stellen: hoe ziet het werkproces eruit, waar gaat de meeste tijd naartoe, waar loopt het vast? En tegelijk uitleggen hoe AI werkt. Wat is een context window? Hoe werkt RAG? Wat kun je wel en niet verwachten van de technologie? Een tool invoeren zonder te begrijpen wat er onder de motorkap gebeurt, is een recept voor teleurstelling.
Stap 1: veilig leren experimenteren
Om Floren hands-on kennis te laten maken met AI, hebben we bewust gekozen voor wat er al is: een OpenWebUI-omgeving, gekoppeld aan een lokaal gehost LLM. Open-source software die zich heeft bewezen en die we niet opnieuw hoefden te bouwen. Daardoor kon Floren binnen een week aan de slag, in plaats van te wachten op een traject van maanden.
Dat het LLM lokaal draait, op onze eigen servers en niet bij een Amerikaanse of Chinese cloudprovider, is voor ons een bewust uitgangspunt. Data van klanten blijft binnen een omgeving die we zelf beheren. Voor Floren betekende dit dat ze konden experimenteren met AI zonder dat hun lesmateriaal of werkprocessen het pand verlieten.
Deze fase was geen pilot met een vooraf bepaalde uitkomst. Het was een speeltuin: de organisatie kon zelf ontdekken wat werkt, wat niet werkt en waar AI in hun dagelijkse werk daadwerkelijk iets toevoegt. Vanuit dat hands-on testen ontstond een concrete behoefte. Een proces dat normaal drie maanden kost, zou dat met AI niet teruggebracht kunnen worden naar een week?
Stap 2: een gedegen experiment
Met die concrete vraag in handen zijn we samen een experiment opgezet. Eerst hebben we het volledige redactionele werkproces uitgewerkt in n8n, een open-source automatiseringstool waarin je flows visueel opbouwt. Daardoor werd voor iedereen, technisch én niet-technisch, zichtbaar uit welke stappen het proces bestaat en op welke punten AI van waarde kon zijn. Op de plekken waar dat zinvol was, hebben we vervolgens AI-agents in de flow gekoppeld die de lesstof van beide niveaus met elkaar vergelijken, filteren en van elkaar scheiden. Ontbrekende onderdelen worden automatisch gesignaleerd, overlap wordt zichtbaar gemaakt. Het redactieteam krijgt een gestructureerde basis en kan zich richten op waar ze goed in zijn: inhoudelijk werken aan het lesmateriaal.
Een eerste experiment levert zelden direct het eindresultaat op en dat hoeft ook niet. Juist door nauw samen te werken, weet Floren nu precies waar AI hun werk versnelt en waar niet. Dat inzicht is minstens zo waardevol als de tool zelf. Het maakt vervolgkeuzes scherper en voorkomt dat er energie wordt gestoken in plekken waar AI weinig verschil maakt.
Bouwen én begeleiden
Een werkende tool opleveren is één ding. Een team dat ook weet hoe het ermee werkt en waarom het werkt zoals het werkt, is iets anders. Tijdens het hele traject hebben we daarom naast het bouwen ook tijd genomen om uit te leggen wat er gebeurt en waarom we bepaalde keuzes maken. Wat is een agent precies? Waarom kiezen we voor n8n? Wat zijn de grenzen van het lokale model? Hierdoor kan het redactieteam zelfstandig er mee aan de slag, in plaats van afhankelijk te zijn van ons voor elke aanpassing.
Het resultaat van het traject is daarmee meer dan een werkende oplossing. Het is een proces dat slimmer is georganiseerd, kennis binnen de organisatie en een samenwerking waar we op kunnen voortbouwen.
Herken je dit?
Wat we hier hebben geleerd, is breder bruikbaar. Veel organisaties willen iets met AI, maar zijn terecht voorzichtig met hun data en weten nog niet precies waar de winst zit. Onze ervaring: begin niet met een grote belofte of een afgebakend plan. Begin met een veilige plek om te experimenteren, met techniek die er al is en geef het werkproces zelf de hoofdrol. De beste oplossing ontvouwt zich dan vaak onderweg.
