Make Zapier AI workflows mkb: vijf praktische voorbeelden

Stel: een installateur in Zeeuws-Vlaanderen wil iets met AI doen aan zijn binnenkomende offerteaanvragen. Vijftien per week, sommige relevant, sommige niet, allemaal eerst even lezen voor hij kan plannen. Een workflow in Make zou er zo uit kunnen zien: elke aanvraag wordt samengevat en krijgt een eerste inschatting. Niet om voor hem te beslissen, maar om hem twee minuten per mail te besparen.

Dit is het soort werk waar Make Zapier AI workflows mkb-ondernemers concreet helpen. Geen revolutie, geen autonome agents die alles overnemen. Wel kleine bouwstenen die irriterend repeterend werk wegnemen en je tijd vrijhouden voor het stuk waar je echt waarde toevoegt.

In dit artikel vijf scenario’s die illustreren wat ik in de praktijk tegenkom bij mkb-bedrijven. Per voorbeeld: de opzet, ruwe kosten en de plek waar menselijke controle hoort. Tot slot een korte vergelijking tussen Make en Zapier, en het moment waarop een eigen script via Python of PHP slimmer is dan een no-code workflow.

Wat Make en Zapier doen, in één paragraaf

Beide platformen verbinden apps met elkaar via triggers en acties. Een mail komt binnen, een rij wordt toegevoegd aan een spreadsheet, een bericht gaat naar Slack. Sinds 2023 zit er in beide tools een directe koppeling met OpenAI, Anthropic en andere modellen. Daarmee kun je tussen die stappen een AI-bewerking zetten: samenvatten, classificeren, een concept-antwoord schrijven, data omzetten.

Make (make.com) is visueel sterker en goedkoper bij meer dan een paar honderd taken per maand. Zapier (zapier.com) heeft meer kant-en-klare integraties en een lagere instapdrempel. Voor mkb met simpele behoeften past Zapier vaak beter. Voor wie meer logica in één scenario wil bundelen, werkt Make prettiger.

Voorbeeld 1: offerteaanvragen voorsorteren

Voorbeeldscenario: de situatie die ik hierboven beschreef. Mail komt binnen via een contactformulier, gaat door een AI-stap die drie dingen extraheert: type werk, geschatte omvang en of het binnen scope valt. De uitslag belandt in een Google Sheet en in een Slack-kanaal.

De installateur leest nog elke aanvraag zelf. Hij neemt zelf de beslissing. Maar hij heeft binnen vijf seconden door of het een serieuze aanvraag is of weer iemand die “een offerte” wil voor iets wat hij niet doet. Tijdwinst: ongeveer twee uur per week.

Kosten: Make Core-pakket op 9 dollar per maand, OpenAI API ongeveer 3 dollar per maand bij dit volume. Bouwtijd ligt rond de vijf uur, omdat het meestal twee tot drie iteraties kost voor de prompt klopt.

Belangrijk: AI maakt geen onomkeerbare actie. De mail wordt niet automatisch beantwoord, niet automatisch geweigerd, niet automatisch ingepland. Sortering, geen beslissing.

Voorbeeld 2: facturen verwerken in de boekhouding

Voorbeeldscenario: een Vlaamse groothandel ontvangt ongeveer 80 inkomende facturen per maand per e-mail. De vorige stap zou zijn: kantoormedewerker downloadt PDF, leest gegevens, voert handmatig in Moneybird in. Werk dat niemand graag doet.

De workflow erna: bijlage uit binnenkomende mail, door OCR (in Make zit dat ingebouwd via een module), daarna door een AI-stap die leverancier, factuurnummer, datum, bedrag en btw extraheert. Resultaat als concept in Moneybird, met een notificatie naar de medewerker dat er drie facturen klaarstaan om te bevestigen.

De controle blijft menselijk. Bij ongeveer 10 procent van de facturen klopt iets niet helemaal: een vreemd format, een handgeschreven correctie, een leverancier die zijn IBAN heeft gewijzigd. Die worden handmatig aangepast. Voor de andere 90 procent klopt het en kost het 15 seconden om te bevestigen.

Tijdwinst: 8 tot 10 uur per maand op kantoor. Kosten: Make Pro op 16 dollar per maand, OpenAI ongeveer 5 dollar, plus eventueel een aparte OCR-tool voor lastige PDF’s. Een aparte gids over dit onderwerp staat in het artikel over facturen verwerken met AI mkb.

Voorbeeld 3: klantfeedback maandelijks samenvatten

Voorbeeldscenario: een psycholoog in Goes zou iets willen doen met de reviews die binnenkomen via Google, Independer en een sectorspecifiek platform. Niet om ze automatisch te beantwoorden, daar wil ze zelf bij blijven. Wel om elke maand een samenvatting te krijgen van wat er gezegd wordt.

De workflow: een Zap die elke nieuwe review uit de drie bronnen oppakt en in een Google Sheet zet. Aan het eind van de maand een aparte trigger die alle reviews van die maand door een AI-stap stuurt, met een prompt die thema’s groepeert. Output: een document met drie tot vijf hoofdthema’s, voorbeelden per thema, en eventuele zorgpunten apart aangevlagd.

Ze ontvangt op de eerste van de maand een mail met de samenvatting. Doorlezen kost vijf minuten. Voorheen zat ze er elke maand een uur op om alles bij te houden.

Belangrijke beperking: AI vat goed samen, maar mist nuance bij specifiek vakjargon. Bij een sector waar terminologie precies moet kloppen, lees je de originele reviews nog steeds een keer per kwartaal door. Niet vertrouwen dat de samenvatting alles compleet pakt.

Kosten: Zapier Professional op 49 dollar per maand (door volume aan triggers en filters), OpenAI minimaal. Bouwtijd vier uur.

Voorbeeld 4: lead-routing voor een dienstverlener

Voorbeeldscenario: een advocatenkantoor met drie partners, ieder gespecialiseerd in een ander rechtsgebied. Lead komt binnen via het contactformulier op de site. Voorheen las de secretaresse de aanvraag en stuurde door naar de juiste partner. Niet ingewikkeld, maar wel vijftig keer per week onderbroken.

De workflow: contactformulier verbonden met Zapier, AI-stap die de vraag classificeert op rechtsgebied (familierecht, arbeidsrecht, ondernemingsrecht of overig), automatische toewijzing aan de juiste partner met een korte samenvatting. De secretaresse krijgt een kopie en ziet alle classificaties terug in een dashboard.

Cruciaal detail: bij twijfel of bij de categorie “overig” gaat de mail altijd eerst naar de secretaresse, niet rechtstreeks naar een partner. AI mag sorteren, niet beslissen wie verantwoordelijk is. En de classificatie wordt elke twee maanden gecontroleerd op missers, anders verstop je een sluipende fout.

Tijdwinst: ongeveer een uur per dag voor de secretaresse. Kosten: Zapier Team op 69 dollar per maand, OpenAI rond 4 dollar. Bouwtijd zes uur, vooral aan het schrijven van een prompt die de categorieën stabiel toepast.

Voorbeeld 5: content-ideeën uit klantgesprekken

Voorbeeldscenario: dit voorbeeld is wat minder zakelijk-formeel, maar werkt opvallend goed bij dienstverleners die kennisbank-content schrijven. Na elk eerste gesprek met een nieuwe klant zet de ondernemer een korte voice-note in een Notion-pagina. Daar staat: wat vroeg de klant, welke termen gebruikte die, wat begreep die niet meteen.

De workflow: Notion-pagina als trigger, Make leest de tekst, AI-stap die er een lijst van mogelijke artikelonderwerpen uit haalt, met per onderwerp de exacte vraag van de klant als startpunt. Output gaat naar een aparte content-ideeën-database in Notion, met een datum en een korte uitleg.

De ondernemer kiest zelf welke ideeën hij oppakt. AI suggereert, mens beslist. Maar de bron is er nu, en de uitspraken van klanten worden niet vergeten.

Wat ik hier vooral nuttig vind: de input komt uit echte gesprekken, dus de content sluit aan op wat klanten daadwerkelijk vragen. Geen verzonnen SEO-onderwerpen die niemand zoekt.

Kosten: Make Core, OpenAI minimaal. Bouwtijd twee uur omdat de logica simpel is.

Make of Zapier kiezen: een kort overzicht

Voor mkb met één of twee workflows van weinig stappen werkt Zapier prima. Voor wie meerdere processen wil koppelen met conditionele logica, past Make beter. Beide naast elkaar gebruiken kan ook, dat is geen probleem.

De plek waar AI menselijke controle nodig blijft

Bij elke workflow hierboven loopt een rode draad. AI doet het zware tilwerk, een mens controleert de uitkomst voor er iets onomkeerbaars gebeurt.

Drie regels die ik in opdrachten consequent aanhoud:

• Geen automatische antwoorden naar klanten zonder dat een mens ze ziet. AI schrijft prima concepten, maar de uitgaande communicatie blijft van jou.
• Geen automatische boekingen, betalingen of contractwijzigingen. Sorteren en voorbereiden mag, beslissen niet.
• Periodieke steekproef. Eén keer per twee maanden een uur kijken of de classificatie nog klopt, of de prompt nog werkt, of de output niet stiekem verschuift.

AI-output is statistisch. Dat betekent dat er altijd uitzonderingen zijn die net niet kloppen. Wie blind vertrouwt op de uitkomst, betaalt dat ergens terug. Wie sorteert en steekproeft, houdt de winst en houdt de risico’s binnen perk. Praktisch boven theorie: dat is bij workflows niet anders dan bij de rest van het webwerk.

Een eerlijke kanttekening: de decoratieve beelden in mijn artikelen worden voor het grootste deel met AI gegenereerd of bewerkt. De voorbeelden hierboven zijn illustratieve scenario’s, geen specifieke klantcases. Ze laten zien wat ik in de praktijk tegenkom bij mkb-bedrijven.

Wanneer een eigen script slimmer is dan een no-code workflow

Make en Zapier zijn voor de meeste mkb-situaties de juiste keuze. Snel op te zetten, makkelijk aan te passen, geen onderhoudsuren in code-update. Toch zijn er drie momenten waarop een eigen script (Python of PHP) beter werkt.

• Volumes boven 5000 taken per dag. De no-code platforms worden dan duurder dan een eigen oplossing op een eenvoudige server. De rekensom is meestal rond de 200 euro per maand het kantelpunt.
• Verwerking van gevoelige data die niet door een derde partij mag stromen. Voor bepaalde sectoren (zorg, juridisch, persoonsgegevens) is doorgifte aan Zapier of Make niet wenselijk. Een script op je eigen server (of een EU-gehoste VPS) houdt de data binnen.
• Logica die te ingewikkeld wordt voor visuele blokken. Vanaf ongeveer twintig stappen of meerdere lagen conditionele logica wordt een Make-scenario onleesbaar. Code is dan onderhoudbaarder.

In mijn praktijk begint ongeveer 80 procent van de mkb-automatiseringen in Make of Zapier. Daarvan migreert misschien 10 procent later naar een eigen script, meestal omdat het volume groeit. Voor de meeste klanten blijft no-code de juiste keuze.

Ik ben technisch implementeerder, geen SEO-strateeg. Wat ik wel doe: een workflow opzetten die past bij je proces, die je zelf kunt aanpassen, en die niet stilletjes uit de hand loopt.

Heb je een proces dat je wilt automatiseren maar weet je niet of het past in een workflow-tool of in code? Stuur me een korte beschrijving van wat je nu doet en hoe vaak. Ik denk gratis mee in een eerste mail. Voor doorlopend onderhoud van je site of workflows kun je terecht op de pagina diensten, en meer praktische uitleg staat in de categorie AI voor mkb.