Het bedrijfsprobleem
Een buitendienstinterventie toewijzen is niet simpelweg de dichtstbijzijnde technicus kiezen. Vaardigheden, werkgebied, werktijden, afwezigheden, werklast en operationele beperkingen moeten allemaal worden meegewogen.
In Ginqel FieldFlow structureert en kwalificeert de AI eerst de aanvraag. De toewijzing wordt daarna gestuurd door een deterministische en verklaarbare bedrijfsengine.
Die scheiding is belangrijk: een generatief model begrijpt vrije tekst uitstekend, maar mag niet de enige beslisser worden over een kritieke operationele keuze.
Ontdek de architectuur en de status van het project Ginqel FieldFlow
AI en bedrijfsbeslissing scheiden
Het LLM krijgt niet de eindverantwoordelijkheid voor de toewijzing. Het levert een gestructureerde kwalificatie, met een betrouwbaarheidsniveau, kernsignalen en leesbare redenen.
De scoringengine kan vervolgens meerdere technici vergelijken met controleerbare regels: vaardigheden, afstand, werklast, beschikbaarheid, historie, werkgebied en SLA-eisen.
Met deze architectuur kan een beslissing opnieuw worden afgespeeld, is duidelijk waarom een technicus is gekozen en blijft het gedrag voorspelbaar, ook als het AI-model verandert.
Een verklaarbare score ontwerpen
Een nuttige score is meer dan een getal. Hij moet een uitsplitsing per criterium tonen, zodat operationele teams de aanbeveling snel begrijpen.
Een technicus kan bijvoorbeeld 92/100 scoren, met een uitsplitsing die een perfecte match op vaardigheden, een passend werkgebied, een lage werklast, directe beschikbaarheid en een redelijke afstand laat zien.
Dit detailniveau bevordert de acceptatie door de business en maakt afwijkingen veel eenvoudiger te analyseren.
De automatische toewijzing beveiligen
Een aanbeveling die op een bepaald moment is berekend, kan seconden later al ongeldig zijn. Een technicus kan elders worden ingepland, onbeschikbaar worden of buiten een toegestaan gebied komen.
Vóór een automatische toewijzing moet de backend de kritieke beperkingen daarom opnieuw valideren in een korte transactie die beschermd is tegen gelijktijdigheidsconflicten.
Het systeem kan ook minimale drempels voor betrouwbaarheid of score vastleggen waaronder menselijke validatie verplicht blijft.
Observeerbaarheid en continue verbetering
Beslissingen moeten worden opgeslagen met de AI-kwalificatie, de eindscore, de gebruikte criteria, de gekozen technicus en eventuele menselijke correcties.
Met die historie kunnen de kwaliteit van de regels, kwalificatiefouten, het percentage menselijke validaties en de verschillen tussen aanbevelingen en eindbeslissingen worden gemeten.
AI wordt zo een meetbaar onderdeel van het systeem in plaats van een ondoorzichtige black box.
