Workflow automatiseren met AI: verder dan n8n en Make

Je hebt n8n of Make al geprobeerd, of je overweegt het. Goed. Voor het verplaatsen van gegevens tussen tools zijn ze uitstekend, en vaak is het de snelste eerste stap in AI automatisering. De echte vraag is niet welke tool je kiest. De vraag is welke stap in je proces je huurt, en welke stap je zelf moet bezitten.

Want er is een grens. Een flow die een mail doorzet naar een spreadsheet is iets anders dan een flow die een berekening maakt waar je klant op betaalt. De eerste mag af en toe haperen. De tweede niet. Workflow automatiseren met AI, of breder bedrijfsprocessen automatiseren met AI, gaat dus minder over tools en meer over waar een fout geld kost.

Dit artikel is voor de eigenaar of operationeel verantwoordelijke van een Nederlands B2B dienstverlenend bedrijf met 10 tot 200 mensen. Denk aan subsidieadviseurs, specialisten in BPM en douane, bedrijven voor certificering en opleiding, administratiekantoren en keuringsbedrijven. Je hebt een expertproces dat met de hand draait, per stuk of per uur geprijsd, met volume. Je hebt geen technisch team, en groei betekent nu nog mensen aannemen.

Het is niet voor jou als je een idee zonder betalende klanten hebt, een consumentenapp bouwt, uurtarieven vergelijkt, precies 1 Zapier flow zoekt of een aanbesteding van 6 maanden draait.

In dit artikel lees je waar n8n en Make goed voor zijn, de 5 signalen dat een flow over de grens gaat, hoe de huurval in prijzen per stap werkt, wat een automatisering in eigen beheer inhoudt, hoe je de 2 combineert, en een rekenvoorbeeld met getallen per maand.

‍

Belangrijkste inzichten

• Begin met n8n of Make. Voor gegevens tussen tools verplaatsen zijn ze snel, goedkoop en prima.

• De grens ligt waar een flow in je bronsysteem schrijft, op volume draait, een fout geld of een klant kost, de regels elk jaar veranderen, of de logica jouw expertise is.

• Voorbij die grens heb je een automatisering in eigen beheer nodig: in je eigen repository en accounts, met logging, tests en een engineer bij naam als het misgaat.

• Prijzen per stap of per uitvoering groeien mee met je volume. Wat bij 50 dossiers niets kost, is bij 400 dossiers een post op je begroting.

• Je hoeft niet te kiezen. Laat n8n de bedrading doen en zet alleen de stap met gevolgen in eigen code.

• AI hoort in een workflow waar invoer rommelig is: mails, pdf's, vrije tekst. Waar de regel vaststaat, is een gewone regel goedkoper en voorspelbaarder.

• Waar een fout duur is, keurt een mens goed. Niet omdat AI slecht is, maar omdat jij tekent voor de uitkomst.

‍

Begin met n8n of Make, echt

Dit is geen artikel tegen no code tools. We raden ze zelf aan, en vaak is het ons eerste advies. Een flow die een formulier van je website in je CRM zet, een factuur naar je boekhouding stuurt of een melding in Teams plaatst, bouw je in een middag. Daar hoef je geen engineer voor in te huren.

n8n en Make zijn gemaakt om systemen aan elkaar te knopen. Ze hebben honderden koppelingen klaarliggen, je ziet je flow als een schema, en je past hem zelf aan. Met een AI stap erbij kun je een mail laten samenvatten of een bijlage laten uitlezen. Voor veel interne klusjes is dat genoeg, en dat blijft zo.

Het tweede voordeel is leren. Wie zelf een flow bouwt, ontdekt snel waar het proces eigenlijk hapert. Welke gegevens ontbreken, welke collega het anders doet, welke uitzondering elke week terugkomt. Die kennis is goud waard als je later een stap verder gaat. Een zelfgebouwde flow van een zondagmiddag is vaak de beste briefing die we krijgen.

Het probleem begint pas als die flow langzaam het hart van je dienst wordt. Dan draait er iets belangrijks op een plek die daar niet voor gebouwd is, en niemand heeft dat bewust besloten.

‍

De 5 grenzen waar een gehuurde flow ophoudt

Een flow gaat over de grens zodra 1 van deze 5 dingen waar is. Het gaat niet om de grootte van je bedrijf of het aantal stappen. Het gaat om de gevolgen van een fout.

1. De flow schrijft in je bronsysteem

Lezen is onschuldig. Schrijven niet. Zodra een flow gegevens wijzigt in Exact, AFAS, je dossiersysteem of het sectorpakket, wordt een fout een fout in je administratie. Een dubbele boeking, een overschreven klantnummer of een verkeerd bedrag verspreidt zich daarna door alles wat erop leunt.

2. De flow draait op volume

Bij 20 dossiers per maand zie je een fout nog. Bij 400 niet meer. Dan heb je logging nodig die per dossier laat zien wat er gebeurde, en een manier om 1 dossier opnieuw te draaien zonder de rest aan te raken. De standaard uitvoeringsgeschiedenis van een tool is daar niet voor gemaakt.

3. Een fout kost geld of een klant

Een verkeerde samenvatting in je eigen inbox kost niets. Een verkeerde berekening op een aanvraag, aangifte of offerte kost geld, soms een boete, en soms een klant die niet terugkomt. Ongeveer juist is dan niet goed genoeg. Hier hoort een mens die goedkeurt voordat iets de deur uitgaat.

4. De regels veranderen elk jaar

Subsidieregelingen, BPM tabellen, normen voor certificering: ze wijzigen per 1 januari, soms tussendoor. Als die regels verspreid zitten over 14 nodes in een flow, weet niemand na een jaar nog welke versie er draait. Regels die veranderen horen op 1 plek, met een versie en een test die bewijst dat de oude gevallen nog kloppen.

5. De logica is de expertise die je verkoopt

Dit is de belangrijkste. Als de flow doet wat je klanten je betalen om te doen, dan staat je kernkennis in het account van een tool, of erger, in het account van degene die de flow voor je bouwde. Dat is kennis die je niet kunt meenemen, niet kunt testen en later niet als product aan je klanten kunt verkopen.

Herken je 1 van deze 5? Dan is het tijd om die ene stap anders te regelen. Herken je er 3? Dan draait je bedrijf al op iets waar niemand voor tekent.

Wil je dit voor je eigen proces op papier zetten, per stap met de gevolgen van een fout erbij? Gebruik het gratis template voor AI productvereisten. Het dwingt je om per stap op te schrijven wat de invoer is, wat de uitkomst moet zijn en wat een fout kost.

‍

De huurval: prijzen die meegroeien met je volume

De meeste tools rekenen per stap of per uitvoering. Dat is eerlijk bij klein gebruik en verraderlijk bij groei. Make telt bijvoorbeeld elke actie van een module als 1 credit: een rij lezen, een record bijwerken, een item in een lus verwerken. Dat staat gewoon op de prijspagina van Make. n8n rekent in de cloudversie per volledige uitvoering van een workflow, ongeacht het aantal stappen, en heeft een gratis versie die je zelf host.

Reken het eens door voor een flow met 12 modules per dossier. Bij 400 dossiers per maand is dat 4.800 credits. Zit er een lus in die 30 regels per dossier verwerkt, dan wordt het 16.800. Voeg een AI stap toe die per pagina een model aanroept, en je betaalt ook nog per token aan de modelleverancier. Elke groei in volume is direct een groei in kosten, zonder dat je er iets bij krijgt.

Het zelf hosten van n8n lost de licentiekosten op, maar dan draai je een server. Iemand moet updates doen, back ups controleren en opletten als hij om 03:00 vastloopt. Dat is geen bezwaar, zolang je weet wie dat is.

Dan is er de gehuurde flow van een automatiseringsbedrijf. In het mkb zijn die er volop, met instapprijzen van 1.500 tot 5.000 euro. Voor een eenvoudige flow is dat een redelijke prijs. Maar let op wat je koopt. Vaak staat de flow in het account van de bouwer, betaal je de toolkosten per stap door, en is er geen afspraak over wie opneemt als hij stilvalt. Je huurt dan niet alleen de tool, je huurt ook je eigen proces terug.

De vraag die je elke aanbieder moet stellen is simpel: wat kost het per maand om te draaien bij 2 keer mijn huidige volume, en in wiens account staat het? Als het antwoord vaag is, weet je genoeg.

‍

AI automatisering in eigen beheer: wat erbij hoort

Een automatisering in eigen beheer is code die in jouw repository staat, draait in jouw cloudaccount en gebouwd is voor 1 taak: jouw proces, met jouw regels. Sommigen noemen het maatwerk AI automatisering. Het klinkt zwaarder dan het is. Het verschil met een flow zit niet in de hoeveelheid code, maar in 6 afspraken.

• Eigendom: de code staat vanaf de eerste commit in jouw repository en draait in jouw accounts. Vertrekt de bouwer, dan blijft alles staan.

• Een mens keurt goed: waar een fout duur is, zet het systeem een voorstel klaar en klikt een collega op akkoord. Waar een fout goedkoop is, loopt het door.

• Logging: per dossier zie je wat er binnenkwam, wat het model voorstelde, welke regel gold en wie het goedkeurde.

• Tests: de oude gevallen draaien automatisch mee bij elke wijziging. Nieuwe regels per 1 januari gaan pas live als de tests groen zijn, eerst op een stagingomgeving.

• Kosten per stuk gemeten en begrensd: je weet wat 1 dossier aan AI kost, en er staat een plafond op zodat een fout in een lus niet je maandbudget opeet.

• Een engineer bij naam: als het misgaat, weet je wie er opneemt. Niet een ticketsysteem, maar een persoon.

Dit is precies wat we doen onder de noemer AI automatisering. Geen tool die je huurt, maar een proces dat van jou is en blijft draaien.

‍

‍

3 manieren naast elkaar

De tabel hierboven zet de 3 routes naast elkaar. Het verhaal erachter is eenvoudiger dan het lijkt. Zelf bouwen in n8n of Make kost vooral je eigen uren, en past zolang je gegevens tussen tools verplaatst. Een gehuurde flow van een aanbieder kost 1.500 tot 5.000 euro om op te zetten en past bij een eenvoudige flow met weinig volume.

Een automatisering in eigen beheer kost meer om te bouwen. Bij ons is dat een vaste prijs per automatisering, 18.000 tot 45.000 euro per groot proces. Daar staat tegenover dat de kosten per stuk gemeten en begrensd zijn, dat de logica van jou is, en dat er een engineer bij naam opneemt. Het past bij je kernproces, bij volume en bij risico.

Geen van de 3 is altijd de beste. Een eigenaar die zijn inkomende facturen in een map wil sorteren, heeft niets aan een eigen repository. Een eigenaar die 400 berekeningen per maand de deur uit doet, heeft niets aan een flow die niemand kan testen.

Wil je dieper in het verschil tussen klassieke procesautomatisering en AI? Lees dan ook AI automatisering of RPA: zo kies je in 2026.

‍

De tussenweg: n8n voor de bedrading, de belangrijke stap in eigen code

De meest verstandige opzet is vaak een splitsing. Je houdt n8n of Make voor wat het goed doet: een mail ophalen, een bijlage doorzetten, een melding sturen, een status bijwerken in je CRM. Alleen de stap met gevolgen haal je eruit en zet je in eigen code.

In de praktijk ziet dat er zo uit. De flow ontvangt een aanvraag en stuurt de bijlagen naar een eigen dienst in jouw cloudaccount. Die dienst leest de documenten uit, past de regels toe, maakt een berekening en zet een voorstel klaar. Een collega keurt het goed in een eenvoudig scherm. Daarna pakt de flow het weer op en verstuurt het resultaat.

Zo betaal je alleen voor eigen code waar het ertoe doet. De bedrading blijft goedkoop en aanpasbaar door je eigen mensen. En de kern, de stap waar jouw expertise zit, staat in je repository, met tests, logging en een versie per regeljaar.

Een bijkomend voordeel: de dienst in het midden is later de basis van een platform waar je klanten zelf gebruik van maken. Een flow in een tool kun je niet verkopen. Een getest stuk software met jouw regels erin wel.

‍

Wanneer AI in een workflow hoort, en wanneer gewone regels beter zijn

Niet elke stap heeft AI nodig. Sterker, de meeste stappen niet. Een goede vuistregel: AI waar de invoer rommelig is, gewone regels waar de uitkomst vastligt.

AI hoort in een workflow als:

• de invoer ongestructureerd is: mails, gescande pdf's, vrije tekst in een formulier, foto's van documenten;

• je iets moet herkennen of indelen: welk type aanvraag, welke regeling past, welk voertuig het is;

• je een eerste versie van een tekst nodig hebt die een mens daarna controleert, zoals een motivatie of een samenvatting.

Gewone regels zijn beter als:

• de berekening vastligt in een tabel of formule, zoals een tarief, een afschrijving of een drempel;

• de uitkomst uitlegbaar moet zijn aan een klant, een accountant of een toezichthouder;

• het goedkoop en snel moet, duizenden keren per dag, zonder kosten per token.

Het sterkste patroon combineert de 2. AI haalt de gegevens uit het rommelige document. Gewone code rekent. Een mens keurt goed waar het duur is. Een model laten rekenen aan iets wat in een tabel staat, is als een collega vragen een factuur uit zijn hoofd op te tellen: het gaat meestal goed.

‍

Rekenvoorbeeld: een BPM rekenkantoor met 400 dossiers per maand

Een voorbeeld, geen klant. Neem een kantoor van 14 mensen dat BPM berekeningen maakt voor autobedrijven die voertuigen importeren. Per dossier komen er documenten binnen: een aankoopfactuur, een kentekenbewijs uit het buitenland, soms een taxatierapport. Een medewerker leest alles uit, zoekt de gegevens op, kiest de juiste methode, rekent en zet het resultaat in de aangifte.

Dat kost gemiddeld 45 minuten per dossier. Bij 400 dossiers per maand is dat 300 uur. Tegen 55 euro per uur, volledig belast, is dat 16.500 euro per maand aan handwerk, en elke groei in volume betekent een extra medewerker.

Het kantoor bouwde eerst zelf een flow in n8n. Mails met bijlagen komen binnen, een AI stap leest de pdf's uit, en de gegevens landen in een spreadsheet. Dat scheelde al 10 minuten per dossier. Goed werk, en precies waar zo'n tool voor is.

Toen wilden ze ook de berekening automatiseren, en daar ging het schuren. De tabellen veranderen per jaar. Een verkeerde keuze in de methode kost de klant geld. Niemand kon zien waarom de flow bij een bepaald dossier een ander bedrag gaf. En de berekening is precies wat het kantoor verkoopt.

De splitsing ziet er zo uit:

• n8n blijft de mails ophalen, bijlagen doorzetten en de klant een bevestiging sturen.

• Een eigen dienst in het cloudaccount van het kantoor leest de documenten uit met AI, past de BPM regels van dat jaar toe als gewone code, en zet een voorstel klaar met per veld de bron.

• Een medewerker controleert het voorstel in een scherm en klikt op akkoord. Dat kost 8 minuten in plaats van 45.

• Elk dossier heeft een log, en elke regelwijziging draait eerst tegen 200 oude dossiers als test.

De getallen, in dit voorbeeld. Van 300 uur naar 53 uur per maand, dus 247 uur minder. Dat is ongeveer 13.600 euro per maand aan uren die het team aan nieuwe klanten kan besteden. De AI kosten zijn gemeten op ongeveer 0,15 euro per dossier, met een plafond van 0,40 euro. Bij 400 dossiers is dat 60 euro per maand.

Daar staat tegenover: de automatisering zelf, bij een vaste prijs van zeg 30.000 euro, en beheer van 1.250 euro per maand. De terugverdientijd ligt dan rond de 2,5 maand. Verdubbelt het volume, dan groeien de AI kosten mee met 60 euro, niet met een extra medewerker.

Ter vergelijking uit ons eigen werk, geanonimiseerd: bij een BPM dossierverwerker ging de verwerking van 4 tot 8 uur per dossier naar minder dan 5 minuten. Bij een subsidie matching engine werd uren zoeken door een expert teruggebracht tot seconden. Het voorbeeld hierboven is bewust voorzichtiger gerekend.

‍

Wie eraan werkt, wat er na livegang gebeurt, en als maand 1 tegenvalt

Dit zijn de 3 vragen die elke eigenaar stelt, en terecht.

Wie eraan werkt. Bij ons zijn dat 2 engineers bij naam, die je kent voordat je tekent. Zij brengen het proces in kaart, bouwen de automatisering en blijven erop na livegang. Geen overdracht aan een ander team na de lancering.

Wat er na livegang gebeurt. Vanaf de eerste automatisering die draait, loopt beheer: monitoring, een engineer bij naam op de melding, de AI kosten per stuk begrensd, een maandrapport van 1 pagina, en updates van modellen en regels. De planningswaarde is 1.250 euro per maand per automatisering. De reactietijd wordt vastgesteld in de Blueprint. Meer over wie er verantwoordelijk is na de lancering lees je in wie is eigenaar van je AI agent na de lancering.

Als maand 1 tegenvalt. Exit na maand 1: je betaalt wat er geleverd is en houdt alles. De code staat al in je repository, dus je kunt verder met een ander of zelf.

‍

Zo pak je het aan in 5 stappen

• Stap 1. Schrijf je proces op zoals het echt draait, inclusief wie het anders doet en welke tools erbij horen.

• Stap 2. Markeer per stap wat een fout kost. Alles wat goedkoop is, mag in n8n of Make blijven.

• Stap 3. Kies de 1 stap waar de meeste uren zitten en waar een fout duur is. Dat is je eerste automatisering in eigen beheer.

• Stap 4. Spreek vooraf af waar de code staat, wat het per stuk mag kosten en wie opneemt als het breekt.

• Stap 5. Meet na 3 maanden: uren per dossier, fouten, kosten per stuk. Pas dan kies je de volgende stap.

Dat in kaart brengen is ook wat de Blueprint doet: in 10 tot 20 werkdagen het proces zoals het draait, de knelpunten in uren en euro, de AI kansen op volgorde, een roadmap met vaste prijzen per mijlpaal en een eerste ruw prototype in je eigen repository. De prijs is 2.500 tot 10.000 euro, afhankelijk van het aantal processen. Het is van jou, en je mag het zelf bouwen als je dat liever doet.

‍

Conclusie: huur de bedrading, bezit de kern

n8n en Make zijn goede tools, en je moet er gewoon mee beginnen. De grens ligt waar een flow in je bronsysteem schrijft, op volume draait, geld kost bij een fout, jaarlijks nieuwe regels krijgt of je expertise bevat. Voorbij die grens wil je een automatisering die van jou is, met een mens die goedkeurt, logging, tests, begrensde kosten per stuk en een engineer bij naam.

De slimste route is meestal de splitsing. Houd de bedrading in de tool en zet alleen de belangrijke stap in eigen code. Zo groeit je volume zonder dat je team of je rekening per stap meegroeit.

Codelevate maakt van Nederlandse B2B dienstverleners softwarebedrijven: we brengen het expertproces in kaart dat je nu met de hand doet, automatiseren het zodat hetzelfde team het volume aankan, en bouwen het platform waar je klanten voor betalen, met 2 engineers bij naam van de blueprint tot jaar 2.

Wil je eerst zelf je proces op een rij zetten? Download het gratis template voor AI productvereisten en vul het in voor de stap die je de meeste tijd kost.

Stuur wat je hebt. 1 van de 2 engineers leest het in 20 minuten met je door, en je krijgt dezelfde dag 1 van 3 antwoorden op papier: zelf doen, iemand aannemen, of de Blueprint.