Kun je AFAS Profit koppelen aan ChatGPT of Claude?

De vraag die altijd in een overleg valt

Ergens halverwege een overleg over rapportages zegt iemand het. “Kunnen we niet gewoon ChatGPT op onze AFAS zetten?” Meestal is het iemand van de directie, meestal is het goedbedoeld, en meestal kijkt daarna iedereen naar de enige in de kamer die weet hoe de koppeling met de boekhouding in elkaar zit.

Een logische vraag. Je hebt jarenlang gegevens in AFAS gestopt, en nu is er iets dat een vraag in gewone taal begrijpt. Het kan ook. Welk model je kiest maakt weinig uit, het werk zit in wat je ertussen zet.

Rechtstreeks koppelen is niet de bedoeling

De verleiding is om een AI-model toegang te geven tot je AFAS-omgeving en te kijken wat er gebeurt. Op een demo werkt dat altijd. Daarna komt de maandag waarop iemand vraagt wie wat heeft opgevraagd, en dan is het stil.

Wat er tussen hoort te zitten

Je bouwt een verbinding tussen drie dingen. AFAS aan de ene kant, het model aan de andere, en daartussen een laag die bepaalt welke gegevens de deur uit gaan en wat ermee mag gebeuren. Die tussenlaag is het werk. Hoe een AFAS-koppeling technisch in elkaar zit, staat in koppelen met AFAS.

De tussenlaag maakt je ook onafhankelijk van je model. Wissel je volgend jaar van ChatGPT naar Claude of andersom, dan vervang je het laatste stukje en houd je de rest. In het tempo waarin die modellen elkaar inhalen gebeurt dat sneller dan je denkt.

Denk aan de stagiair op dag één

Komt er maandag een stagiair binnen, dan geef je hem geen sleutelbos van het hele pand met de personeelsdossiers erbij. Hij krijgt een pasje voor de verdiepingen waar hij moet zijn, hij kijkt eerst mee voordat hij zelf iets wijzigt, en als hij iets bestelt tekent er iemand anders voor.

Zo richt je dit in. Alleen lezen is het startpunt. Lezen en schrijven kan, maar dan wil je zien wat er wordt geschreven. Bij alles waar geld of een klant aan hangt, doet een mens de laatste klik. Met elke nieuwe medewerker maak je dezelfde afspraak.

Gaan onze gegevens dan naar OpenAI of Anthropic?

Dat hangt af van hoe je het inricht, en die vraag stel je vóór de bouw. Wat stuur je mee, waar wordt het verwerkt, hoe lang wordt het bewaard en wordt het gebruikt om modellen te trainen? Dat zijn vier losse vragen met vier antwoorden, afhankelijk van je abonnement en contractvorm. Zet ze op papier voordat er een regel code is geschreven.

Waar het in de praktijk misgaat

De koppeling zelf is doorgaans het makkelijkste onderdeel. De problemen komen uit vier hoeken:

• De koppeling mag alles. In AFAS zitten ook salarissen, verzuimregistratie en beoordelingen. Een koppeling die alles mag lezen, leest dat dus ook, en daar vroeg niemand om toen het over een slimme rapportage ging.
• Het antwoord is verouderd. Worden de gegevens één keer per nacht opgehaald, dan krijg je vanmiddag een keurig onderbouwd antwoord over de stand van gisteren. Het model zegt er niet bij dat het van gisteren is, want dat weet het niet.
• Er is geen logboek. Zonder vastlegging van wie wat vroeg en welke gegevens daarvoor zijn opgehaald, kun je achteraf niets beantwoorden. Die vraag komt, meestal van je accountant of van een klant met een verwerkersovereenkomst.
• Het antwoord klinkt stellig. Een model dat een veld verkeerd begrijpt, rekent gewoon door. Bij een rapportage die iemand controleert is dat hinderlijk. Bij een bedrag dat automatisch ergens wordt ingezet kost het geld.

Een eerste stap die werkt

Begin met één vraag die vaak wordt gesteld en die nu met de hand wordt beantwoord. Welke projecten staan er open bij deze klant? Hoeveel uren zijn er deze maand op dit dossier geschreven? Eén vraag, alleen lezen, en alleen de velden die voor die vraag nodig zijn.

Dat bouw en test je in een paar weken, en je ziet meteen of mensen het gebruiken. Dat valt vaak tegen, en daarom doe je het klein. Werkt het, dan is de tweede vraag een uitbreiding. Dezelfde volgorde als bij een gewone koppeling, eerst lezen en dan pas schrijven, en hetzelfde uitgangspunt als bij AI koppelen met je systemen.

Maar wij hebben hier een AFAS-consultant voor

Goed, die wil je erbij hebben. Een AFAS-consultant weet hoe jullie inrichting in elkaar zit, welke velden jullie waarvoor gebruiken en wat er gebeurt als je ergens aan trekt. Die kennis kun je niet overslaan.

Het loopt meestal spaak op de laag ertussen: die rechten afdwingt, bijhoudt wat er gevraagd is en het model aanstuurt. Dat is software bouwen. Wie dat doet maakt ons niet uit, als er maar iemand verantwoordelijk voor is nadat de demo voorbij is.

Is dit hetzelfde als een AI-agent?

Niet helemaal. Hier gaat het om vragen stellen en antwoord krijgen. Een agent zet zelf stappen, en dan worden rechten en logboek nog belangrijker. Wat daarvoor op orde moet zijn, staat in wat een AI-agent echt voor je doet.

De vraag die je jezelf eerst stelt

Welke vraag stellen wij zo vaak dat iemand er elke week tijd aan kwijt is? Heb je daar geen antwoord op, dan zoekt deze oplossing een probleem. Je herkent dat aan een enthousiaste demo waar daarna niemand meer naar omkijkt.

Heb je er wel een antwoord op, dan is ChatGPT of Claude aan je AFAS hangen geen groot project: een koppeling, een set rechten en een logboek. En goed opletten wat je open zet.