Bedrijfsvoering
Hoe HEMA zijn versnipperde interne IT-kennis bundelde in één AI-assistent
HEMA bouwde een interne AI-assistent die medewerkers meteen antwoord geeft op vragen over IT-processen en toegangsrechten.
Op basis van AWS Machine Learning en The Decoder
Samengesteld met AI-assistentie uit de onderstaande bronnen, onder redactie van Frederiek Pascal. Hoe dit werkt
In het kort
- HEMA bouwde een interne AI-assistent, HAL, die antwoord geeft op vragen die vroeger uren portaal-hoppen kostten.
- De assistent haalt kennis uit bestaande systemen zoals een dienstencatalogus, API-documentatie en interne handleidingen.
- Medewerkers gebruiken HAL zowel via een eigen chatvenster als rechtstreeks in tools die ze al dagelijks gebruiken.
- Toegang verloopt via het bestaande identiteitssysteem van het bedrijf, zonder dat gebruikers technische sleutels krijgen.
- Voor Vlaamse kmo's laat het zien dat je interne kennis kan ontsluiten zonder dat je alles zelf hoeft te bouwen.
Wat loste HEMA precies op?
Medewerkers van de Nederlandse retailer HEMA verloren veel tijd aan het zoeken naar antwoorden op eenvoudige vragen: hoe vraag ik toegang tot een systeem aan, wie is verantwoordelijk voor welke dienst, wat is de regel voor een bepaalde aanvraag. Die informatie stond wel ergens, maar verspreid over meerdere wiki’s, portalen en documentatie die niemand nog goed kende. Toen het bedrijf groeide van een klein team waar iedereen elkaar kende naar een grotere organisatie, werkte ‘even de collega naast je vragen’ niet meer. Nieuwe medewerkers hadden het extra moeilijk om hun weg te vinden.
HEMA bouwde daarom een interne AI-assistent, intern HAL genoemd, die al die verspreide kennis samenbrengt op één plek en er via een chatgesprek antwoord op geeft. Wat vroeger een namiddag aan zoekwerk kostte, gebeurt nu in enkele seconden, rechtstreeks vanuit het programma waarin een medewerker toch al werkt.
Hoe is die assistent opgebouwd?
HEMA had al jaren een gestructureerd overzicht van zijn technologielandschap: welk team welke dienst beheert, welke technische koppelingen daarbij horen en hoe dat samenhangt met de bedrijfsprocessen. Dat overzicht was compleet, maar moeilijk te raadplegen. De ontbrekende schakel was praktische kennis: hoe vraag je iets concreet aan, welke regel geldt in welk geval.
De assistent werd gebouwd op de cloud-infrastructuur van Amazon (Amazon Bedrock AgentCore) en een technische standaard die ‘Model Context Protocol’ heet. In gewone taal komt dat erop neer dat HEMA zijn bestaande informatiebronnen, zoals de dienstencatalogus en interne handleidingen, niet opnieuw hoefde te bouwen. Ze werden via een standaardkoppeling beschikbaar gemaakt voor de AI-assistent, zodat die ze kan doorzoeken en er antwoorden uit kan samenstellen. Dat scheelt veel maatwerk: in plaats van voor elke informatiebron en elk hulpmiddel een aparte koppeling te programmeren, wordt elke bron één keer ontsloten en kunnen verschillende toepassingen daar daarna van meegenieten.
HEMA bouwde de assistent in twee stappen. Eerst kwam er een eigen chatvenster waarmee medewerkers vragen konden stellen. Pas nadat dat goed werkte, werd de assistent ook toegankelijk gemaakt vanuit andere programma’s die medewerkers al dagelijks gebruiken, zoals ontwikkelomgevingen en chatassistenten van derden.
Hoe zit het met veiligheid en toegang?
Toegang tot de assistent loopt via het bestaande identiteitssysteem van het bedrijf, in dit geval Microsoft Entra ID. Concreet betekent dit dat medewerkers inloggen met hun gewone bedrijfsaccount en dat toegangsrechten gebaseerd blijven op de groepen waarin ze al zitten. Er worden geen technische sleutels van de clouddienstverlener rechtstreeks aan gebruikers of externe programma’s gegeven. Vandaag geeft de assistent alleen informatie, ze voert zelf geen acties uit zoals het aanpassen van systemen. HEMA noemt dat als volgende stap voor de toekomst.
Voor het filteren van ongepaste inhoud en het onthouden van gespreksverloop gebruikt HEMA een onderdeel dat draait op Europese servers, met ondersteuning voor het Nederlands. Dat is relevant voor bedrijven die willen weten waar hun interne gegevens verwerkt worden binnen zo’n opzet.
Is dit ook iets voor kleinere bedrijven?
De bronnen beschrijven een grootschalig traject bij een retailer met honderden winkels en een uitgebreide technische organisatie. Concrete cijfers over kosten of het aantal betrokken medewerkers ontbreken in het materiaal, dus een directe vergelijking met een kmo-budget is niet te maken. Wel toont het voorbeeld een patroon dat ook voor kleinere organisaties herkenbaar is: informatie die overal verspreid zit in documenten, wiki’s en het hoofd van collega’s, en die daardoor moeilijk terug te vinden is voor wie nieuw is of snel iets moet weten.
Het belangrijkste inzicht voor een kleinere onderneming is niet de gebruikte cloudtechnologie, maar het idee erachter: bestaande interne documentatie en systemen kunnen als basis dienen voor een zoekassistent, zonder dat alles van nul opgebouwd moet worden. Voor de meeste kmo’s zal een dergelijk project vandaag nog te groot en te technisch zijn om zelf op te zetten, maar eenvoudigere varianten, zoals een chatbot die enkel het personeelsreglement of de website doorzoekt, worden stilaan haalbaarder en goedkoper.
Wat betekent dit voor jou
Interne kennisassistenten worden stilaan haalbaarder voor kleinere bedrijven
- Bedrijven met veel interne documentatie en handleidingen Zij kunnen bestaande documenten als basis gebruiken voor een eenvoudige zoekassistent, zonder alle informatie opnieuw te moeten structureren.
- IT-verantwoordelijken bij kmo's Zij moeten bij een leverancier expliciet navragen waar gegevens verwerkt worden, aangezien dat volgens dit voorbeeld per configuratie kan verschillen en meespeelt voor de naleving van privacyregels.
- Bedrijven zonder eigen technische afdeling Voor hen blijft een project zoals dat van HEMA voorlopig te groot en te technisch; eenvoudigere kant-en-klare chatbot-oplossingen zijn een realistischer eerste stap.
Veelgestelde vragen
Wat is HAL precies?
HAL is de naam die HEMA gaf aan zijn interne AI-assistent. Medewerkers stellen er vragen aan over IT-processen, toegangsrechten en bedrijfsdiensten, en krijgen meteen een antwoord op basis van bestaande interne documentatie in plaats van zelf tussen portalen te moeten zoeken.
Moet ik als kmo ook zoiets bouwen?
Niet noodzakelijk. HEMA is een groot bedrijf met een eigen technische afdeling en een uitgebreide bestaande kennisbank. Voor kleinere bedrijven is het eerder relevant als inspiratie: eenvoudigere zoekassistenten op basis van bestaande documenten worden stilaan toegankelijker en goedkoper, maar een vergelijkbaar project is voor de meeste kmo's nog een grote stap.
Blijven de gegevens binnen Europa?
Volgens de bron draait een onderdeel van HEMA's assistent, gericht op inhoudsfiltering en gespreksgeheugen, op Europese servers met ondersteuning voor het Nederlands. Voor een eigen project blijft het altijd belangrijk om dat expliciet na te vragen bij een leverancier, aangezien dit per configuratie kan verschillen.
Kan de assistent ook zelf dingen aanpassen in systemen?
Nee, voorlopig niet. HAL geeft vandaag alleen informatie en heeft enkel leestoegang tot de onderliggende systemen. HEMA noemt het uitbreiden naar een assistent die ook zelf acties uitvoert, zoals iets aanpassen in een systeem, als een mogelijke volgende stap, maar dat is nog niet gerealiseerd.
Wat kost zo'n interne AI-assistent?
De bronnen geven geen concrete kostprijs voor het HEMA-project. Wel is duidelijk dat het gebruikmaakt van bestaande clouddiensten in plaats van eigen servers, wat de opstartkosten kan drukken, maar zonder cijfers is een inschatting voor een kmo-context niet te maken op basis van dit materiaal.
Bronnen
Volg Kunstbrein in Google
Zet Kunstbrein bij je voorkeursbronnen. Dan zie je het vaker bij het nieuws bovenaan je zoekresultaten en in de AI-antwoorden van Google.
Voeg toe als voorkeursbron (opent Google in een nieuw tabblad)