Hoe wij bij Profility meetingverslagen maken met AI, en waarom we dat niet verstoppen
Een goed meetingverslag kost tijd: notities herlezen, structureren, de juiste nuance bewaren. Bij Profility doen we dat samen met AI, nooit door AI alleen. Onze eigen AI-collega Kai, de interne AI-tool die we bij Profility inzetten, schrijft een eerste versie. Wij lezen die na en beslissen wat erin blijft. Dat is niet iets wat we stilhouden. Het is net iets waar we open over zijn, ook naar onze klanten toe.
Waarom we hier AI voor inzetten
Een meeting samenvatten in een leesbaar verslag is meer werk dan het lijkt. Snel getypte notities tijdens het gesprek lijken op een lijstje, maar zijn het niet: er zit een verhaal achter, met beslissingen, nuances en context die je niet wil verliezen door alles opnieuw samen te vatten. Dat handmatig uitschrijven, elke keer opnieuw, in een consistente structuur, is precies het soort herhaalend werk waar AI goed in is. Niet om te bedenken wat er besproken is, wel om onze eigen notities om te zetten in een verslag dat vlot leest en niets vergeet.
Waarom Claude AI
Toen we deze werkwijze opzetten, bood Microsoft Copilot nog geen Claude AI van Anthropic aan. We bouwden onze eigen AI-collega Kai op deze technologie omdat dit soort modellen instructies veel nauwkeuriger volgt. Dat is voor meetingverslagen geen detail: we werkten een vast proces uit dat onze medewerkers via Kai moeten doorlopen, van notities tot definitief verslag, en dat proces moet stap voor stap correct gevolgd worden.
Ondertussen is Kai daar bovenop ook gegroeid. Hij kan eerdere meetingnotities opnieuw ophalen, documenten zoals analyses erbij halen, en de link maken met de backlog. Precies dat helpt om onze meetingverslagen echt to the point te maken.
Transparantie, en waarom controle geen formaliteit is
We zeggen het gewoon: dit verslag is samen met AI gemaakt, nooit volledig erdoor. Geen kleine lettertjes. Iedereen heeft wel al eens een automatisch gegenereerd meetingverslag van Microsoft Teams gelezen, en eerlijk, die waren zelden goed: te veel, te weinig, of net de verkeerde dingen eruit gehaald. Wij krijgen op onze eigen verslagen intussen regelmatig de feedback dat ze een echte meerwaarde zijn, precies omdat er altijd een mens over waakt.
Een voorbeeld. Tijdens een klantmeeting vertelde de klant bij de start, gewoon als informeel gesprek, over zijn recente reis naar Vietnam. Microsoft Teams nam dat gewoon mee op in de automatische samenvatting. Onze eigen aanpak wist beter, en liet het terecht buiten het verslag.
Concreet: na het opstellen vraagt Kai altijd expliciet om het verslag na te lezen, en wacht op een bevestiging of op opmerkingen voor het als definitief geldt. Pas wanneer de opsteller akkoord gaat, komt er onderaan een duidelijke vermelding bij: door wie het werd opgesteld, samen met AI, en wanneer het werd nagelezen en goedgekeurd. Die controle slaan we nooit over.
Wil je dit zelf ook proberen? Vier lessen
Uit onze eigen ervaring: baseer je verslag op je eigen notities, niet enkel op een transcript. Een transcript bevat alles, maar geen inzicht in wat écht belangrijk was, dat inzicht zit in je eigen notities. Maak het verslag daarna samen met AI, niet volledig erdoor: AI zet een sterke eerste versie op papier, maar wie de meeting bijwoonde weet als enige of de nuance klopt. Wees vervolgens open naar je klanten of collega's toe over AI-gebruik. Verstoppen voegt niets toe en kost je vertrouwen als het toch uitkomt. En bouw ten slotte een vaste structuur op die je telkens herbruikt: doel, deelnemers, onderwerpen, actiepunten. Consistentie is precies waarom AI hier goed op inzetbaar is.
.svg)