Hoe Camiel Schnackers, afstudeerstagiaire bij KEMBIT, onderzoekt of Copilot-agents het deviationproces slimmer, sneller en menselijker kunnen maken. Geen losse chatbot, maar een integraal onderdeel van de CAPA-app op het Power Platform.
Het klinkt bijna te mooi om waar te zijn: een AI die meedenkt terwijl een medewerker een afwijking registreert. Die teksten duidelijker maakt, ontbrekende informatie signaleert én een voorlopige classificatie geeft, van Incident tot Critical. Zonder dat de controle verdwijnt. Zonder dat kwaliteit wordt opgeofferd aan snelheid.
Toch is dit precies waar Camiel Schnackers, 23-jarige ICT-student aan Zuyd Hogeschool, de afgelopen maanden aan werkte binnen KEMBIT. Zijn opdracht: onderzoeken hoe Copilot-agents het deviationproces in ons eQMS kunnen ondersteunen.
De mens achter de technologie
Camiel is iemand die gedreven wordt door de combinatie van mens en techniek. “Ik vind het interessant om oplossingen te ontwikkelen die niet alleen technisch goed werken, maar mensen ook echt helpen in hun dagelijkse werk,” vertelt hij. Die houding past naadloos bij KEMBIT, waar technologie nooit een doel op zich is, maar altijd in dienst staat van de kwaliteitsprofessional.
Toch begon hij niet zonder spanning. Vooral de variabiliteit van AI, het feit dat een model op vergelijkbare vragen net iets anders kan antwoorden, vond hij in het begin een risico. Binnen een kwaliteitsproces moet de gebruiker immers kunnen vertrouwen op de ondersteuning die wordt geboden.
Wat hem tijdens het onderzoek geruststelde? Het besef dat AI niet alles hoeft over te nemen. “De kracht zit juist in een ondersteunende rol. De gebruiker blijft verantwoordelijk voor de uiteindelijke beoordeling.” Door duidelijke instructies, vaste testscenario’s en een beperkte afbakening kan AI op een beheersbare manier worden toegepast.
Drie agents, één doel: een complete deviationregistratie
De Proof of Concept die Camiel bouwde, bestaat niet uit één groot AI-blok, maar uit drie kleine, afgebakende child agents. Ieder met een eigen, herkenbare taak.
“De AI geeft advies, maar neemt geen definitieve beslissing,” benadrukt Camiel. “De gebruiker moet controleren voordat de uitkomst wordt toegepast. Dat is essentieel in een gereguleerde omgeving waarin traceerbaarheid, toegangsbeheer en dataintegriteit centraal staan.”
Camiel benadrukt daarbij een cruciale afbakening: zijn Proof of Concept richt zich nadrukkelijk niet op het volledige eQMS (elektronisch kwaliteitsmanagementsysteem), maar specifiek op het deviationmanagementproces. De registratie van een afwijking nog voordat er sprake is van een formele corrigerende actie. De gekozen usecase is het ondersteunen van medewerkers bij het vastleggen van die deviation. De AI helpt bij het formuleren, het aanvullen van ontbrekende gegevens en het voorlopig classificeren. Het verdere eQMS-proces, waaronder de oorzaakanalyse, actieplanning en effectiviteitscontrole die onderdeel zijn van het CAPA-proces, blijft buiten scope. Die heldere grens maakt het onderzoek beheersbaar én toepasbaar.
Een praktijkvoorbeeld: Een medewerker typt een eerste melding over een labelprobleem in de verpakking. De tekst bevat al belangrijke informatie, maar is nog niet volledig genoeg. De AI-agent signaleert dat datum, tijd, batchnummer, het aantal getroffen dozen en of er al dozen zijn vrijgegeven en stelt daar gericht vragen over. Geen heen-en-weer-gemail met QA achteraf, maar direct betere kwaliteit aan de voorkant.
Waarom het Power Platform geen bijzaak is, maar de basis
Binnen KEMBIT is het eQMS al volledig gebouwd op bewezen technologie: Power Apps, Dataverse, SharePoint en Power Automate. Camiel kon daardoor zijn AI-agents niet als losse hype toevoegen, maar als integraal onderdeel van de bestaande architectuur. “Het wordt geen losse chatbot naast het systeem,” legt hij uit. “Het is een ondersteunende functie binnen een bestaand proces. Dat maakt het beheersbaar en toekomstbestendig.”
En dat is precies waar KEMBIT voor staat: bewezen standaarden, geen een-dagsvliegen. Copilot is niet zomaar een speeltje, maar een uitbreiding van een betrouwbare, schaalbare omgeving die al jaren zijn waarde bewijst in gereguleerde omgevingen.
“Begin klein. Laat AI niet meteen zelfstandig beslissen”
Wat zou Camiel andere bedrijven meegeven die bang zijn dat AI rommel maakt in plaats van kwaliteit? Zijn antwoord is helder en praktisch. “Begin klein. Kies een duidelijk afgebakende taak waarbij de gebruiker de uitkomst controleert. Leg vast welke data de AI gebruikt, welke instructies gelden en hoe je test. AI kan veel waarde toevoegen, maar alleen met duidelijke grenzen, controles en verantwoordelijkheden.”
Precies die aanpak heeft hij zelf gevolgd. Eerst onderzoeken hoe het eQMS is opgebouwd en waar gebruikers administratieve belasting ervaren. Daarna meerdere mogelijke AI-usecases vergelijken op toegevoegde waarde, technische haalbaarheid, risico’s en compliance. Samen met stakeholders een geschikte usecase selecteren. Eisen opstellen, een ontwerp maken, een Proof of Concept bouwen. En dan pas testen met vaste scenario’s en acceptatiecriteria.
Wat er sneller ging dan verwacht (en wat juist weerbarstig bleek)
Het maken van de afzonderlijke agents werkte beter dan verwacht. Omdat iedere agent een duidelijke eigen taak heeft, kon Camiel de functies apart bouwen, testen en verbeteren. Dat gaf rust en overzicht.
De technische integratie met de model-driven app bleek echter lastiger. “De agents zelf werken, maar de directe koppeling met knoppen en invoervelden in de app vraagt meer ontwikkeltijd,” erkent hij. Een waardevolle les voor de volgende versie.
Minder herstelwerk, meer menselijk werk
De grootste winst zit volgens Camiel in het verminderen van herstelwerk. Wanneer een registratie onduidelijk of onvolledig is, moet QA later aanvullende vragen stellen. Dat kost tijd bij zowel de medewerker als de kwaliteitsafdeling. Door al tijdens de registratie te controleren op ontbrekende informatie, kan de kwaliteit aan de voorkant verbeteren. Minder heen-en-weer-communicatie, kortere doorlooptijd, en meer tijd voor mensen om te doen waar zij goed in zijn: inhoudelijk kwaliteitswerk, in plaats van administratieve rompslomp.
Trots: van theorie naar werkende agents
Wat Camiel het meest trots maakt? Dat het niet bij een theoretisch onderzoek is gebleven. “Ik heb werkende AI-agents gebouwd die een herkenbaar probleem oplossen.” Ook leerde hij dat een oplossing niet onnodig complex hoeft te zijn. Zijn oorspronkelijke ontwerp bevatte een parent-agent die vragen naar verschillende child-agents zou doorsturen. Tijdens de realisatie bleek die tussenlaag voor de huidige Proof of Concept niet nodig. Door kritisch naar het ontwerp te kijken, werd de oplossing eenvoudiger en duidelijker.
De kern: menselijke controle, slimme ondersteuning
Camiels belangrijkste inzicht is misschien wel het meest eenvoudige, en tegelijk het meest krachtige. “AI is vooral waardevol wanneer het de gebruiker ondersteunt bij terugkerende en tijdrovende taken. De mens blijft verantwoordelijk voor de inhoudelijke keuzes. Juist die combinatie van slimme ondersteuning en menselijke controle maakt AI bruikbaar binnen betrouwbare IT.”
Precies daarom past dit onderzoek zo goed bij KEMBIT. Geen overrompelende AI, geen black box, geen hype. Maar slimme, beheersbare ondersteuning die past binnen een bewezen architectuur, met heldere governance en échte gebruikerswaarde. En dat smaakt naar meer.
Wat betekent dit voor KEMBIT?
Dit onderzoek laat zien dat AI binnen het eQMS geen verre droom is, maar een concrete, beheersbare stap voorwaarts. Het versterkt onze ambitie om door te ontwikkelen met bewezen technologie, heldere governance en échte gebruikerswaarde.
Wil je meer weten over AI in kwaliteitsmanagement of de mogelijkheden van Copilot binnen het Power Platform? Neem contact met ons op. We delen graag onze ervaringen.
