AI-samenvattingen maken: sneller door lange documenten heen

Er ligt waarschijnlijk meer leeswerk op je bureau dan je op een gewone werkdag aankunt. Een offerte van dertig pagina’s, een rapport van een adviseur, notulen van een overleg waar je niet bij was, een nieuwe cao, een contract dat de klant heeft aangepast. Je wilt weten wat erin staat, maar je hebt niet het halve dagdeel dat het lezen kost. Precies daar komen AI-samenvattingen in beeld: je laat een taalmodel de kern uit een lang document halen, zodat jij in vijf minuten weet waar het over gaat.

Wat we bij veel dienstverleners zien, is dat die stap vooral als tijdwinst wordt gebruikt en verder niet doordacht wordt. Iemand plakt een document in een chatvenster, leest het antwoord, en gaat verder. Dat werkt vaak prima, maar het gaat ook regelmatig mis op manieren die je pas weken later merkt. Een detail dat wegvalt, een voorwaarde die verkeerd wordt weergegeven, of een samenvatting die zo algemeen is dat je er niets aan hebt.

In dit stuk kijken we samen naar hoe je AI-samenvattingen zo inzet dat ze je werk echt lichter maken. Wat een taalmodel goed kan en wat niet, welke documenten zich er wel en niet voor lenen, hoe je een opdracht formuleert die bruikbare output geeft, en hoe je controleert of wat er staat ook klopt. Geen tooloverzicht, maar een werkwijze die je morgen kunt gebruiken.

Wat een AI-samenvatting eigenlijk is

Een AI-samenvatting is een verkorte weergave van een tekst, gemaakt door een taalmodel zoals ChatGPT, Claude of Gemini. Je geeft het model een document en een opdracht, en het geeft je een kortere versie terug. Dat klinkt eenvoudig, en in de praktijk is het dat vaak ook.

Onder de motorkap gebeurt er iets anders dan bij een mens die samenvat. Het model begrijpt de tekst niet zoals jij dat doet. Het herkent patronen en voorspelt welke woorden logisch volgen op wat het gelezen heeft. Dat levert verrassend goede resultaten op bij gewone zakelijke teksten, omdat die nu eenmaal voorspelbaar gestructureerd zijn.

Het verklaart ook waar het misgaat. Een model kan een zin produceren die perfect klinkt maar niet in het bronbestand staat. Het kan een uitzondering die één keer genoemd wordt over het hoofd zien, omdat die statistisch gezien weinig gewicht heeft. En het kan een getal net verkeerd overnemen zonder dat de zin er raar van wordt.

Dat is geen reden om ervan af te zien. Het is wel de reden waarom je een AI-samenvatting behandelt als het werk van een snelle stagiair: bruikbaar als eerste doorkijk, altijd even nalopen op de punten die ertoe doen.

Waarom dit voor dienstverleners zo goed uitpakt

Dienstverleners lezen ander materiaal dan webshops of productbedrijven. Bij een HR-adviseur liggen er verzuimdossiers, functieprofielen en wetswijzigingen. Bij een advocaat processtukken en jurisprudentie. Bij een consultant onderzoeksrapporten en interviewverslagen. Het is bijna altijd tekst, en het is bijna altijd lang.

Daar komt bij dat de meeste van die documenten je niet allemaal even hard nodig hebben. Je wilt weten of een rapport relevant is voordat je er twee uur in stopt. Je wilt de kern van een vergadering waar je niet bij was. Je wilt weten of een nieuw contract afwijkt van de vorige versie. Dat zijn precies de vragen waar een samenvatting op past.

Wij merken dat de winst vooral zit in de triage, niet in het vervangen van lezen. Je gebruikt de samenvatting om te bepalen wát je gaat lezen en hoe grondig. Dat scheelt geen minuten maar uren per week, en het maakt de keuze bewuster in plaats van dat de stapel bepaalt waar je aan begint.

De grootste winst zit niet in minder lezen, maar in beter kiezen wát je leest.

Welke documenten zich hier goed voor lenen

Niet elk document is even geschikt. Teksten met een duidelijke structuur en een gewoon zakelijk taalgebruik gaan het beste. Denk aan rapporten met kopjes, notulen, beleidsstukken, whitepapers, lange e-mailwisselingen en verslagen. Het model kan de opbouw volgen en weet welke passages gewicht hebben.

Lastiger wordt het bij documenten waar de betekenis in de details zit. Een juridisch contract waarin één ontkenning het hele artikel omdraait. Een medisch dossier. Een financiële jaarrekening met tientallen posten. Daar kun je een samenvatting prima gebruiken om je te oriënteren, maar de conclusie trek je zelf uit het origineel.

Ook lastig zijn gescande documenten en tabellen die als afbeelding in een pdf staan. De tekstherkenning is de laatste jaren sterk verbeterd, maar bij een slecht gescande fax uit 2011 gaat er nog steeds van alles mis. Dan lees je een samenvatting van iets wat het model half heeft kunnen ontcijferen.

Een vuistregel die goed werkt: hoe groter de gevolgen van een fout, hoe minder je op de samenvatting alleen leunt. Bij een marktrapport is een missend detail vervelend, bij een handtekening onder een overeenkomst is het duur.

Hoe je een opdracht formuleert die iets bruikbaars oplevert

De meeste teleurstellende samenvattingen komen door een vage opdracht. “Vat dit samen” levert een algemene tekst op waarin alles even belangrijk lijkt. Je krijgt een compacte versie van het document, terwijl je eigenlijk een antwoord op een vraag zoekt.

Het helpt om te vertellen waarom je het leest. “Ik ben HR-adviseur en wil weten of deze cao-wijziging gevolgen heeft voor bedrijven met minder dan vijftig medewerkers” geeft een heel ander resultaat dan een blanco verzoek. Het model weet nu wat het moet uitlichten en wat het mag overslaan.

Vertel er ook bij in welke vorm je het wilt. Vijf bullets, een half A4, een lijst met alleen de verplichtingen, of een overzicht van wat er is veranderd ten opzichte van de vorige versie. Hoe concreter je de vorm beschrijft, hoe minder je achteraf hoeft te herschrijven.

Een laatste toevoeging die veel scheelt: vraag het model om aan te geven waar het onzeker over is, en om aan te geven welke passages je zelf moet nalezen. Dat maakt van de samenvatting meteen een leeslijst voor de controle.

Een opzet die vrijwel altijd werkt

Een prompt die in de praktijk goed uitpakt heeft vier onderdelen: wie je bent en waarom je het leest, wat je precies wilt weten, in welke vorm je het antwoord wilt, en de vraag om onzekerheden te benoemen. Die volgorde is niet heilig, de compleetheid wel.

Wil je hier dieper in duiken, dan gaan we bij AI in marketing verder in op hoe je taalmodellen inzet zonder dat je eigen kennis erdoor verwatert.

Het verschil tussen samenvatten en interpreteren

Hier gaat het in de praktijk het vaakst mis. Een samenvatting geeft weer wat er staat. Een interpretatie geeft weer wat het betekent voor jouw situatie. Taalmodellen doen die tweede stap graag ongevraagd, en ze doen het overtuigend.

Als je een model vraagt om een wetswijziging samen te vatten, krijg je er vaak gratis een advies bij: wat dit voor jou betekent en wat je nu zou moeten doen. Dat advies klinkt redelijk en is soms ook redelijk, maar het is gebaseerd op algemene kennis en niet op jouw dossier, jouw klant of jouw afspraken.

Houd die twee daarom uit elkaar. Vraag eerst om een neutrale weergave van wat er staat, zonder oordeel. Wil je daarna sparren over de gevolgen, doe dat dan als aparte vraag, zodat je zelf ziet waar de weergave ophoudt en de aanname begint.

Dat onderscheid maakt ook het nalezen makkelijker. Bij een neutrale samenvatting controleer je feiten. Bij een interpretatie controleer je aannames, en dat is een heel ander soort werk.

Hoe je controleert of de samenvatting klopt

Alles nalezen kan natuurlijk niet, want dan was de samenvatting zinloos. Er is een middenweg die weinig tijd kost en het meeste risico wegneemt: controleer gericht op de plekken waar een fout duur is.

Getallen zijn de eerste categorie. Bedragen, percentages, termijnen en datums haal je uit de samenvatting en zoek je terug in het origineel. Dat is een minuut werk met de zoekfunctie en het vangt de meeste echte problemen af.

Ontkenningen zijn de tweede. Zinnen met “niet”, “tenzij”, “behalve” en “uitsluitend” draaien de betekenis om, en juist daar glijdt een model soms uit. Als een samenvatting stelt dat iets mag of moet, kijk dan of het origineel niet net het tegenovergestelde zegt.

De derde categorie is wat er níet in staat. Vraag het model om de onderwerpen op te sommen die het heeft overgeslagen. Vaak zit daar een passage tussen waarvan jij meteen denkt: die wil ik wel zien. Dat is een goedkope manier om blinde vlekken te vinden.

Privacy en klantgegevens

Zodra er klantnamen, dossiernummers of persoonsgegevens in een document staan, wordt het een ander verhaal. Je plakt dan gegevens van iemand anders in een dienst van een partij buiten je organisatie, en daar gelden regels voor.

De praktische vraag is niet of het mag, maar onder welke voorwaarden. Zakelijke abonnementen van de grote aanbieders leggen doorgaans vast dat jouw invoer niet gebruikt wordt om modellen te trainen. Gratis versies doen dat lang niet altijd. Dat verschil is bepalend en het staat gewoon in de voorwaarden.

Voor documenten waar je twijfelt is anonimiseren een prima tussenoplossing. Vervang namen door letters en dossiernummers door plaatsaanduidingen voordat je het document uploadt. Je verliest niets aan de inhoudelijke samenvatting en het gesprek over privacy wordt een stuk simpeler.

Leg binnen je bedrijf ook kort vast wat wel en niet mag, en met welke dienst. Eén A4 volstaat. Zonder die afspraak bepaalt iedere collega het zelf, en dan weet je op enig moment niet meer waar welke gegevens terecht zijn gekomen.

Wat het je aan tijd en aandacht kost

Het is verleidelijk om te denken dat dit gratis tijdwinst is. Dat is het niet helemaal. Je ruilt leestijd in voor een andere soort tijd: opdracht formuleren, output beoordelen, steekproeven doen. Bij elkaar is dat vaak een derde tot de helft van wat lezen zou kosten, en dat is een prima ruil.

De eerste weken kost het meer. Je moet ontdekken welke opdrachten bij jouw type documenten goed uitpakken en waar het model bij jou structureel de mist ingaat. Dat is investeren, en het loont pas als je het volhoudt.

Wat je terugkrijgt is niet alleen tijd. Je leest meer materiaal dan voorheen, omdat de drempel lager ligt. Rapporten die anders ongelezen bleven, gaan er nu doorheen. Dat maakt je adviezen inhoudelijk beter, en dat merken klanten uiteindelijk in de gesprekken die je met ze voert.

Reken er wel op dat het meetbaar maken lastig is. Je ziet geen mooie grafiek van bespaarde uren. Wat je wel merkt is dat de stapel kleiner wordt en dat je minder vaak een deadline haalt met de hakken over de sloot.

Hoe dit samenwerkt met de rest van je opzet

AI-samenvattingen staan zelden op zichzelf. Ze zitten in een keten waarin je informatie binnenkrijgt, verwerkt, en er iets mee doet richting klanten of collega’s. Hoe beter die keten in elkaar zit, hoe meer je aan de samenvatting hebt.

Aan de voorkant helpt het als documenten op één plek binnenkomen en herkenbaar bewaard worden. Een map per klant of per dossier is genoeg. Als je elk bestand eerst moet zoeken, verdampt de tijdwinst voordat je begint.

Aan de achterkant is de vraag wat je met de samenvatting doet. Sla je hem op bij het dossier, zodat een collega hem ook kan lezen? Gebruik je hem als basis voor een klantupdate? Dat laatste is een mooie brug: uit een intern rapport haal je de drie punten die je klant echt aangaan, en die vertaal je naar gewone taal.

Diezelfde beweging zie je terug in hoe je content maakt. Materiaal dat je toch al leest, is vaak de basis voor stukken die je publiceert. Op onze pagina over content SEO lees je hoe je van vakinhoud een pagina maakt die ook gevonden wordt.

Wat we vaak zien misgaan

De eerste valkuil is blind vertrouwen na een paar goede ervaringen. De eerste tien samenvattingen kloppen, dus de elfde zal ook wel kloppen. Juist bij een lang en ingewikkeld document is de kans op een fout het grootst, en dat is precies het document waar je het meeste op leunt.

De tweede is dat mensen de samenvatting gaan doorsturen alsof het het origineel is. Een collega leest de samenvatting, trekt daar een conclusie uit, en niemand kijkt meer in de bron. Voeg daarom altijd een verwijzing naar het brondocument toe, zodat de weg terug open blijft.

De derde is dat het model de toon van het origineel overneemt en versterkt. Een voorzichtig geformuleerd rapport met veel slagen om de arm wordt in de samenvatting vaak stelliger, omdat nuance de eerste is die sneuvelt bij inkorten. Bij adviesrapporten is dat een reëel risico.

De vierde zien we bij bedrijven die het te breed inzetten. Alles gaat door de samenvatter, ook stukken van twee pagina’s die je in vier minuten leest. Dan ben je meer bezig met het gereedschap dan met het werk.

Wanneer uitbesteden zinvol is, en wanneer niet

Voor het samenvatten zelf heb je niemand nodig. Dat is werk dat je zelf doet, met gereedschap dat een paar tientjes per maand kost. Iemand inhuren om jouw documenten te lezen is bijna altijd duurder dan het zelf oppakken.

Waar hulp wel loont, is bij het inrichten. Welke dienst past bij jullie afspraken over privacy, hoe leg je vast wat wel en niet mag, en hoe krijg je collega’s mee zonder dat het een verplicht nummer wordt. Dat is een kwestie van een dagdeel meedenken, niet van een langlopende opdracht.

Wat wij vaak doen bij klanten is de vertaalslag naar buiten: uit de kennis die je toch al leest, halen we de onderwerpen waar jouw klanten naar zoeken. Dan wordt het lezen van vakinhoud ineens ook je vindbaarheid, in Google, op Meta en in AI-zoekmachines zoals ChatGPT en Perplexity. Dat is waar onze aanpak Triple Search Marketing over gaat.

De grens is simpel. Het gereedschap bedienen doe je zelf, want jij weet wat er in je vak toe doet. Het omzetten van die kennis naar zichtbaarheid is een vak apart, en daar mag je iemand voor vragen.

Wij zien bij veel dienstverleners dat vakkennis binnenkomt en daar blijft hangen, terwijl er buiten precies naar gezocht wordt. Wil je hier samen naar kijken en ontdekken welke kennis je zichtbaar kunt maken in Google, op Meta en in AI-zoekmachines? Plan een strategiegesprek. Geen verplichtingen, gewoon een uur samen kijken naar wat er ligt.