Een AI-workflow is een vaste reeks geautomatiseerde stappen waarin een of meer stappen een AI-model aanroepen voor iets wat een gewone regel niet kan, zoals een zin schrijven, een reactie sorteren of een feit uit een webpagina halen. Jij bepaalt vooraf de volgorde van de stappen, en het model doet alleen het werk binnen de stappen die jij het geeft.

Een Clay-tabel die een nieuw contact verrijkt en daarna een model een persoonlijke openingszin laat schrijven, is een schoolvoorbeeld. Het meeste wat GTM-teams met AI bouwen, ziet er zo uit: gewone automatisering, met een of twee slimme stappen op de plekken waar taal of oordeel nodig is.

Het gaat mis als de AI het doel van het project wordt. Zet je een model op een proces dat al kapot was, met losse targeting of dunne data, dan krijg je dezelfde fouten op een groter volume, alleen met betere grammatica.

TL;DR

• In een AI-workflow bepaal jij het pad en werkt een model binnen een deel van de stappen. Kiest het model ook wat er daarna gebeurt, dan heb je te maken met een AI-agent. Elke agentic workflow is een AI-workflow, terwijl de meeste AI-workflows niet agentic zijn.

• Bijna elke build bestaat uit zes soorten stappen: een trigger, datastappen, AI-stappen, logische vertakkingen, acties en een menselijke check. In de workflow hieronder, die reacties sorteert, roept één stap van de zeven een model aan.

• Gebruik een regel als er één juist antwoord is dat je kunt opschrijven, een model als de input van geval tot geval sterk verschilt, en een menselijke check overal waar een fout bij een koper terecht zou komen.

• Een handvol patronen dekt de meeste GTM-builds: meldingen over websitebezoekers, reacties afhandelen, formulierverrijking, prospectingonderzoek en concepten, lijsten opschonen en interne samenvattingen.

• Een AI-stap is zo goed als zijn briefing. Geef hem de context, één smalle taak en een vaste set toegestane antwoorden. Die set kun je afdwingen met de outputvelden van Clay en met Structured Outputs van OpenAI.

• Clay, n8n, Make en Zapier kunnen allemaal de hele keten draaien. Kies de tool waarin je team elke stap kan zien en kan repareren zonder de persoon te bellen die hem bouwde.

• Stuur na de lancering antwoorden met weinig zekerheid naar een mens, log elke run, lees elke week een steekproef van de output en beoordeel de workflow op het cijfer dat hij moest bewegen.

Vast pad, slimme stappen

Het engineeringteam van Anthropic trekt de duidelijkste grens tussen de twee ideeën. In zijn artikel over effectieve agents bouwen definieert het workflows als systemen waarin modellen en tools vooraf vastgelegde codepaden volgen, en agents als systemen waarin het model zijn eigen proces stuurt en zelf bepaalt welke tools het gebruikt.

Daarmee staat een AI-workflow duidelijk aan de eerste kant. Het model krijgt een taak binnen een stap, zoals "schrijf één openingszin op basis van deze drie feiten", en de workflow gaat door naar de volgende stap, wat het model ook antwoordde. Moet de output van het model de route veranderen, dan bouw je daar zelf een vertakking voor.

De andere kant heeft een eigen pagina. Een AI-agent kiest onderweg zelf zijn volgende actie. Dat is handig als de route bij elk record verandert, en duur als dat niet zo is. Een proces dat agents en vaste stappen aan elkaar rijgt, is een agentic workflow. Dat telt dus nog steeds als AI-workflow, alleen een waarin sommige stappen zelf mogen beslissen.

Voor GTM-werk wint het vaste pad bijna altijd. Anthropic raadt zelf aan om de eenvoudigste oplossing te zoeken en pas complexiteit toe te voegen als je die nodig hebt, en merkt op dat workflows voorspelbaarheid en consistentie geven bij goed omschreven taken. Een vast pad faalt ook op een stap die je kunt aanwijzen, terwijl je de run van een agent beslissing voor beslissing moet reconstrueren. De orkestratie die de stappen aan elkaar knoopt, doet het meeste werk, en het model neemt de paar delen voor zijn rekening waar een brein voor nodig is.

Zes soorten stappen, bekeken in een build die reacties sorteert

Reacties afhandelen is een goed voorbeeld, omdat elk outbound-team dit probleem kent. Reacties komen op alle uren binnen, de meeste zijn geen "ja", en de goede worden koud als niemand ze vóór donderdag ziet. Zo zouden wij er een opzetten.

1. Trigger. Er komt een reactie binnen in de inbox die aan je sequencer gekoppeld is.

2. Datastap. De workflow koppelt de afzender aan een contact in het CRM en haalt de accounteigenaar op en de campagne waar de reactie bij hoort.

3. Datastap. Handtekeningen en de geciteerde e-mailthread worden eruit gehaald, zodat alleen de nieuwe tekst overblijft.

4. Regel. Een check op trefwoorden vangt "afmelden" en "haal me van de lijst" af en meldt het contact meteen af. Afmeldingen laten we nooit aan een model over, omdat een wettelijke verplichting niet van een kans mag afhangen.

5. AI-stap. Een model sorteert de rest in geïnteresseerd, nu even niet, geen fit of onzeker, en haalt er elke tijdsaanduiding uit die genoemd wordt, zoals "probeer het na de zomer nog eens".

6. Logische vertakking en acties. Bij een geïnteresseerde reactie pauzeert de sequence en krijgt de eigenaar een taak met een samenvatting van één regel. Bij nu even niet wordt een follow-updatum gezet op basis van de timing die het model vond. Bij geen fit stopt de sequence en wordt de reden vastgelegd.

7. Menselijke check. Alles met het label onzeker gaat naar een mens, en een geïnteresseerde reactie krijgt altijd antwoord van een rep. De workflow beantwoordt die zelf nooit.

Alleen stap vijf roept een model aan. Anthropic heeft een naam voor die zet, routing: een model classificeert de input en de workflow stuurt die door naar het bijbehorende pad. Alles eromheen is gewoon leidingwerk dat zich elke keer hetzelfde gedraagt, en dat maakt het geheel betrouwbaar.

Dezelfde zes soorten stappen komen in bijna elke build terug. Er is een trigger die de run start (een nieuwe lead, een signaal, een schema) en er zijn datastappen die verzamelen en aanvullen wat je weet. AI-stappen doen het werk met taal en oordeel, logische vertakkingen sturen het werk door, acties doen iets echts zoals het CRM bijwerken of een bericht versturen, en een menselijke check staat voor alles wat een koper te zien krijgt. AI-stappen zijn bijna altijd in de minderheid.

Gebruikt deze stap een model of een regel?

Loop de workflow stap voor stap door en stel drie vragen.

Ten eerste: is er één juist antwoord dat je kunt opschrijven? "Als de dealfase verandert in closed-lost, zet dan de nurture-vlag aan" heeft er precies één, dus is het een regel. Een model betalen om die beslissing te nemen, voegt kosten en een kleine kans op een fout toe, voor niets.

Ten tweede: hoe sterk verschilt de input? Bij elke run de website van een ander bedrijf samenvatten, of reacties lezen die door honderden verschillende mensen zijn geschreven, is precies waar regels tekortschieten en een model zijn geld waard is. Daarom zijn onderzoek voor enrichment en AI-copywriting de meest voorkomende AI-stappen in GTM-builds.

Ten derde: hoe duur is een fout, en kun je hem terugdraaien? Een verkeerde waarde in een CRM-veld is goedkoop te herstellen. Een verkeerde e-mail aan een koper niet. Het antwoord verandert niets aan de vraag of de stap een model gebruikt, maar het vertelt je waar de menselijke check komt.

Een nuttige gewoonte is om na een maand elke AI-stap te bekijken en je af te vragen of er nu een regel van kan worden. Teams ontdekken vaak dat een model functietitels in vijf senioriteitsniveaus sorteerde, en dat een opzoektabel op basis van de eerdere antwoorden van dat model hetzelfde werk gratis doet.

De AI-workflows die GTM-teams het vaakst bouwen

Geen van deze workflows is exotisch. Elk is een proces dat iemand vroeger met de hand deed, met een model op het deel waar lezen of schrijven bij kwam kijken, en het draait elke keer op dezelfde manier, op elk uur van de dag.

• Meldingen over websitebezoekers. De workflow voor websitebezoekers geeft een anoniem bedrijf een naam, verrijkt het, scoort de fit en schrijft een korte samenvatting, zodat de rep een melding krijgt waar hij iets mee kan.

• Reacties afhandelen. De build hierboven, die reacties sorteert en doorstuurt zodat de goede snel antwoord krijgen.

• Formulierverrijking. Bij een kort ingevuld formulier wordt de rest van het record automatisch aangevuld, zodat lead routing en kwalificatie werken zonder lang formulier. Onze pagina over inbound enrichment gaat er uitgebreid op in, en de workflow voor inbound meetings laat zien wat het voedt.

• Prospectingonderzoek en concepten. Er gaat een signaal of een lijst in, en er komen verrijkte contacten uit, met een paar regels prospectonderzoek en een eerste concept dat een rep goedkeurt.

• Lijsten opschonen. Records worden ontdubbeld en geverifieerd voordat ze in een sequence komen.

• Interne samenvattingen. Elke nieuwe opportunity wordt samengevat voor de pipelinebespreking, of een functiewissel bij een klant wordt gemarkeerd als warme ingang.

We hebben er meer verzameld, met de stappen uitgeschreven, in onze lijst met workflows voor sales automation.

Zo brief je een AI-stap zodat je de output kunt controleren

Twee teams kunnen hetzelfde model gebruiken en heel verschillende resultaten krijgen, en het verschil zit bijna altijd in de briefing. Vraag een model om "een gepersonaliseerde e-mail te schrijven" en je krijgt iets generieks dat bij elke run net anders is. Geef het de rol van de prospect, de laatste financieringsronde van het bedrijf, de reden waarom je contact opneemt en twee voorbeeldzinnen in jouw toon, en de output wordt beter en consistenter.

De output vraagt dezelfde zorg. Een stap die met een van vier labels moet antwoorden, is makkelijk te controleren en makkelijk om op te routeren. Een stap die moet "uitzoeken wat er met deze lead moet gebeuren", kun je helemaal niet controleren. Met de Use AI-kolom van Clay leg je benoemde outputvelden vast, elk met een eigen datatype. Structured Outputs van OpenAI laat het antwoord van het model een JSON-schema volgen dat jij aanlevert, zodat het geen verplicht veld kan overslaan of een label kan verzinnen dat je niet hebt toegestaan.

De vaardigheid zit in het werk opknippen in kleine, goed gebriefde stappen in plaats van één grote vage stap. Eerst onderzoek, dan een aparte stap die het ene meest relevante feit kiest, en dan nog een die op basis van dat feit de zin schrijft. Anthropic noemt dit prompt chaining. Het is makkelijker te debuggen, omdat je ziet welke schakel in de keten misging. Over het schrijven van deze briefings gaan we dieper in bij prompt engineering voor GTM.

Clay, n8n, Make of Zapier

Een AI-workflow heeft meestal één tool nodig die de stappen bij elkaar houdt, een modelprovider onder de AI-stappen, en aan weerszijden je CRM en je databronnen. Welke tool de stappen bij elkaar houdt, doet er minder toe dan of je team hem kan openen en de hele keten kan zien.

Clay is gebouwd rond tabellen, en dat past bij alles wat rij voor rij draait, zoals een lijst met accounts verrijken en onderzoeken. De Use AI-kolom kan modellen van OpenAI, Anthropic en Google draaien. n8n is een algemene automatiseringstool met ingebouwde AI, en de documentatie beschrijft een chain als een vaste reeks aanroepen tussen AI-componenten. Dat is een AI-workflow in het klein. Make en Zapier zijn goed in apps koppelen met triggers en acties, en kunnen allebei een model aanroepen als losse stap.

Het meeste hiervan is no-code of low-code. Het echte risico is wildgroei: hier een zap, daar een Clay-tabel, een script dat iemand vorig jaar schreef, en niemand kan zeggen welke stap een veld veranderde. Houd elke workflow op één plek met een duidelijke eigenaar, als onderdeel van een GTM-systeem waar je in kunt kijken.

Een AI-workflow draaien na de lancering

AI-stappen falen anders dan regelstappen. Een regel draait of geeft een foutmelding. Een model kan een zelfverzekerd, netjes opgemaakt antwoord geven dat gewoon fout is, en niets verderop merkt dat op, tenzij je iets hebt gebouwd om het af te vangen.

Bouw dus een terugvaloptie in. Geeft het model "onzeker" terug, een label dat niet in de lijst staat of een leeg veld, dan gaat het record naar een mens of naar een veilige standaardwaarde in plaats van verder te stromen. Log elke run met de input en de output, zodat je het kunt nakijken als een rep zegt dat "de samenvattingen vorige week slechter werden". En houd de kosten in de gaten, want AI-stappen worden per aanroep afgerekend. Dat ga je merken als een workflow op elk nieuw record in het CRM draait.

Beoordeel hem op het cijfer dat hij moest bewegen. Hoe slim hij aanvoelt, zegt weinig. Voor een workflow voor bezoekers is dat hoe snel passende accounts een relevante follow-up krijgen. Voor prospectingconcepten zijn het de reply rate en het aantal meetings. Voor lijsten opschonen zijn het de bounce rate en het aantal dubbele records. Een workflow kan zonder één fout draaien en toch zwakke concepten of verkeerde labels opleveren, dus lees elke week een steekproef van de output.

Vallen de cijfers tegen, kijk dan eerst naar het proces en pas daarna naar de prompt. Zoals we eerder schreven, vergroot AI de zwakke plekken van een kapotte prospecting-aanpak in plaats van ze te repareren. Hetzelfde zit achter de meeste mislukte Clay-builds, waar de tool en het model prima waren en de targeting en data eronder tekortschoten.

Kort gezegd

Een AI-workflow is gewone automatisering met een model op de paar stappen waarvoor gelezen of geschreven moet worden. Het pad, de regels, de vertakkingen en de checks zijn van jou, en de taak van het model is smal genoeg om te controleren.

Dat maakt hem betrouwbaar. Hij gedraagt zich bij de duizendste run hetzelfde als bij de eerste, hij is goedkoper dan de hele taak aan een agent geven, en als er iets breekt, vind je de stap. Goede workflows lezen op papier vrij saai: vooral gewone stappen, een of twee goed gebriefde AI-stappen, een human in the loop voordat er iets bij een koper komt, en een log die iemand echt leest.

Zet eerst het proces goed en voeg daarna het model toe. In die volgorde krijgt een klein team het onderzoek, het sorteren en het schrijven gedaan waar vroeger meerdere mensen voor nodig waren, als sales automation die je zelf bezit en begrijpt.

Bouw je het liever samen met iemand? Wij ontwerpen en bouwen AI-workflows in je bestaande Clay-, n8n- of CRM-omgeving, documenteren elke stap en de redenering erachter, en dragen het geheel over zodat je team het zelf kan draaien en aanpassen.

Veelgestelde vragen