Waarom handgeschreven werkbonnen zo veel tijd kosten
Een gedrukte inkooporder heeft een vaste lay-out: leveranciersnaam altijd linksboven, bedrag rechtsonder. Dat maakt templates mogelijk. Een handgeschreven werkbon heeft die luxe niet. Monteur A schrijft zijn uren bovenin, monteur B schrijft ze onderaan. De ene bon heeft aparte regels voor materiaal, de andere gooit alles op één regel. En dan zijn er de kanttekeningen: meerwerk in de marge, een telefoonnummer omcirkeld, een aanvulling van de klant op de achterkant. Precies die variatie maakt handmatige verwerking zo tijdrovend en klassieke OCR zo kwetsbaar.
Aanpak 1: handmatig overtypen van werkbonnen
Bij kleinere volumes is overtypen soms nog de minst slechte optie, maar de kosten worden snel onderschat. Een administratief medewerker die tachtig werkbonnen per week verwerkt, typt niet alleen uren en materialen over: die persoon leest ook onleesbaar handschrift, belt monteurs terug voor onduidelijkheden en corrigeert fouten die pas bij de facturatie opduiken. De doorlooptijd van werkbon naar factuur loopt daardoor op tot dagen. Dat betekent later betaald worden en minder grip op openstaande orders. Overtypen is schaalbaar naar beneden, niet naar boven.
Aanpak 2: klassieke scan-en-herken-software met templates
Traditionele OCR-software werkt goed op gedrukte tekst in een vaste lay-out. Je maakt per formuliertype een template: dit veld is de projectcode, dat veld zijn de uren. Zolang elke bon er hetzelfde uitziet, loopt het. Zodra handschrift in beeld komt, loopt het vast. Klassieke OCR herkent gedrukte tekst door patronen te matchen; handschrift varieert te veel in lettervorm, doorhaling en afstand om die aanpak betrouwbaar te laten werken. Bovendien kost het inrichten van een template per formuliertype tijd, en als een monteur een nieuw eigen bon meeneemt van de klant breekt het systeem opnieuw. De conclusie: klassieke scan-en-herken-software is het breekpunt bij handgeschreven veldformulieren.
Aanpak 3: document-AI met handschriftherkenning
Document-AI leest de context van een document in plaats van pixelpatronen te matchen. Dat maakt handschriftherkenning mogelijk ook als de lay-out wisselt: het systeem begrijpt dat 'uren: 4,5' een urenregel is, ongeacht waar die op de bon staat. Meerwerkaantekeningen in de marge worden herkend als afwijking van de standaard en gemarkeerd voor controle door een mens, niet stilzwijgend genegeerd. Wisselende bonformaten van verschillende klanten hoeven niet elk een eigen template te krijgen. De trade-offs zijn eerlijk te benoemen: als het handschrift structureel onleesbaar is (erg slordig, nat papier, doorgehaald zonder correctie) daalt de betrouwbaarheid en neemt het meerwerk voor de accorderende medewerker toe. Ook bij heel lage volumes, zeg minder dan dertig werkbonnen per week, is de investering lastig terug te verdienen. En het proces moet redelijk vastliggen: als elke monteur compleet andere velden invult zonder enige consistentie, is eerst het formulier zelf verbeteren zinvoller dan automatisering.
Wanneer is welke aanpak zinvol voor werkbonnen verwerking?
Overtypen is redelijk als je minder dan twintig à dertig werkbonnen per week verwerkt en de administratie toch al de bon doorleest voor goedkeuring. Klassieke scan-en-herken-software is zinvol als je werkbonnen volledig gedrukt of digitaal ingevuld worden en de lay-out per klant vastligt. Document-AI loont zodra het volume groeit, de bons wisselende lay-outs hebben of handschrift een vast onderdeel is van het formulier. De combinatie die in de praktijk het meeste oplevert: document-AI legt het leeswerk en de dataextractie vast, een medewerker accordeert en stuurt gecorrigeerd door naar het ERP of werkbonnensysteem. Zo verdwijnt het overtypen, maar blijft de menselijke controle op meerwerk en afwijkingen.
Wat doe je met meerwerkaantekeningen en margenotities?
Dit is het punt waar veel bedrijven zich vergissen. Een werkbon is zelden alleen een formulier met vaste velden: de monteur schrijft erbij wat er afweek, de klant parafeert een extra opdracht op de achterkant, iemand noteert een materiaalwissel. Klassieke templates negeren alles wat buiten de vaste velden valt. Document-AI kan dat soort afwijkingen signaleren en als aparte extractie meegeven, zodat de accorderende medewerker ze expliciet ziet. Dat is geen automatische beslissing: meerwerk heeft bijna altijd een commerciële of contractuele implicatie, en die hoort bij een mens te liggen. Goede automatisering maakt de uitzondering zichtbaar, ze lost hem niet stiekem op.