Van idee tot impact: 5 praktijkvoorbeelden van AI-toepassingen in Dynamics 365

1. Ontsluiten van verborgen kennis in verkoopmailboxen

De uitdaging
Verkoopteams bouwen jarenlange klantkennis op via e-mailconversaties, maar veel van die gegevens komen nooit in CRM terecht. Als gevolg daarvan blijft waardevolle geschiedenis opgesloten in individuele mailboxen, onzichtbaar voor de rest van de organisatie.

De oplossing
9altitudes ontwikkelde een AI-agent die historische e-mails scant (met toestemming van de verkoper) en automatisch relevante klantinteracties, contactgegevens en inzichten extraheert. De gegevens worden gepresenteerd in een gestructureerd overzicht, klaar om Dynamics 365 te verrijken.

Het effect
Verkopers hoeven niet langer jarenlange e-mails te doorzoeken. In plaats daarvan krijgen ze snel een volledig overzicht van de klantgeschiedenis. Dit maakt CRM-gegevens nauwkeuriger, helpt nieuwe teamleden sneller op gang te komen en bouwt sterkere klantrelaties op. Door oude conversaties terug te brengen in het systeem, creëren bedrijven een solidere basis voor prognoses en accountbeheer.

2. Slimmere buitendienst: vaarwel handgeschreven formulieren

De uitdaging
Buitendienstmedewerkers van een industrieel bedrijf gebruiken nog steeds handgeschreven papieren formulieren om hun werk, materialen en observaties te documenteren. Backoffice-medewerkers zijn vervolgens urenlang bezig met het ontcijferen van handgeschreven tekst en het opnieuw invoeren van gegevens in het ERP-systeem.

De oplossing
Een buitendienstmedewerker digitaliseert deze workflow. Technici kunnen hun aantekeningen dicteren (spraak-naar-tekst) of foto's maken van handgeschreven formulieren. Het AI-model herkent het handschrift, haalt de gebruikte materialen en uitgevoerde handelingen eruit en produceert een overzichtelijk digitaal dossier voor het ERP-systeem.

Het effect
Dit elimineert repetitieve gegevensinvoer en vermindert kostbare fouten. Het versnelt ook de facturering en biedt klanten nauwkeurigere documentatie. Na verloop van tijd kunnen gedigitaliseerde servicegegevens zelfs worden gebruikt voor voorspellende analyses, waardoor bedrijven kunnen overstappen van reactief naar proactief onderhoud.

3. Geautomatiseerde risicobeoordeling in verkooporders

De uitdaging
Voor het beoordelen van het financiële risico van nieuwe verkooporders zijn doorgaans handmatige controles in ERP- en financiële systemen nodig. Dit is een tijdrovende taak die vaak te laat gebeurt.

De oplossing
Met behulp van Copilot Studio heeft 9altitudes een agent ontworpen die inkomende verkooporders in Outlook controleert, deze vergelijkt met ERP-gegevens in Dynamics 365 Finance & Operations en automatisch potentiële risico's signaleert. Als een klant bijvoorbeeld een geschiedenis van te late betalingen heeft, adviseert de agent aangepaste betalingsvoorwaarden.

Het effect
Verkoopteams kunnen snel het financiële risico van een klant zien. Dit helpt hen om slimmere keuzes te maken voordat ze een deal sluiten. Het beschermt de winstmarges en bouwt vertrouwen op bij de financiële afdeling, omdat beide teams in realtime met dezelfde informatie werken.

4. Objectieve en schaalbare inspectierapporten

De uitdaging
Bij veiligheids- en kwaliteitsinspecties leggen medewerkers hun observaties doorgaans vast in vrije tekst, bijvoorbeeld: “werknemers dragen helmen, maar deze zijn niet vastgemaakt”. Het handmatig beoordelen en categoriseren van deze rapporten is arbeidsintensief en vaak subjectief.

De oplossing
9altitudes heeft een aangepast AI-model ontwikkeld dat inspectieteksten automatisch analyseert en classificeert. Met behulp van een hybride aanpak die op regels gebaseerde logica combineert met machine learning - waarbij de regels essentiële context bieden aan het ML-model - identificeert het systeem categorieën (bijv. veiligheid, werkomgeving) en sentiment (positief of negatief).

Het resultaat
Inspecties worden sneller, consistenter en minder afhankelijk van menselijke interpretatie. Managers krijgen objectieve inzichten in honderden rapporten, waardoor ze terugkerende veiligheidsrisico's vroegtijdig kunnen signaleren. De aanpak is ook gemakkelijk schaalbaar: wat vroeger uren handmatig werk kostte, kan nu voor duizenden inspecties worden geautomatiseerd.

5. Voorspellend onderhoud in meerdere fabrieken

De uitdaging
Fabrikanten worstelen vaak met gefragmenteerde datastructuren in verschillende fabrieken, waardoor voorspellend onderhoud op grote schaal bijna onmogelijk is. Elke locatie kan sensorgegevens op een andere manier verzamelen, wat leidt tot inconsistente resultaten.

De oplossing
Door gegevens te standaardiseren in één structuur en een voorspellend AI-model te trainen, hielp 9altitudes een bedrijf de machineconditie in meerdere fabrieken te monitoren. Het model richt zich op belangrijke indicatoren zoals temperatuur en trillingen om toekomstige storingen te voorspellen.

Het resultaat
In plaats van ongeplande stilstand en reactieve reparaties kunnen fabrieken proactief onderhoud inplannen. Tegenwoordig verzamelt elke fabriek sensorgegevens vaak op een andere manier. Door eerst één gedeelde gegevensstructuur te creëren, wordt het mogelijk om machines in verschillende fabrieken te vergelijken en één model te trainen dat voor alle identieke machines werkt. Op die manier kunnen inzichten van de ene locatie worden hergebruikt in een andere, en kunnen nieuwe modellen gemakkelijker worden getraind dankzij de schat aan verzamelde data. Op termijn leidt dit tot minder stilstand, een langere levensduur van machines en lagere kosten.