Een marketeer of data-analist die concurrentieprijzen verzamelt, doet in feite drie dingen: prijzen en aanbiedingen opzoeken, ze naast elkaar leggen volgens een vast criterium, en de uitkomst bruikbaar maken voor een beslissing over de eigen prijsstelling. Dat is een taak die grotendeels bestaat uit gegevens ophalen en ordenen, en dat is precies het soort werk waar AI vandaag al een groot deel van kan overnemen, mits een aantal voorwaarden op orde is.
Drie assen geven hier de doorslag: gestructureerdheid, volume en oordeelsruimte. Prijzen zijn getallen, aanbiedingen staan op webpagina's met een herkenbare opbouw, en de vergelijking zelf volgt een criterium dat vooraf is vastgesteld: dezelfde productcategorie, dezelfde eenheid, dezelfde periode. Dat maakt de taak gestructureerd genoeg om te automatiseren. Het volume helpt ook: tien concurrenten, honderd producten, wekelijks herhaald, is precies het soort herhaalde verzamelwerk waar een systeem geen vermoeidheid bij krijgt en een mens wel. En de oordeelsruimte is bewust ingeperkt: een agent past een vaste vergelijkingslogica toe, hij bedenkt geen nieuwe strategie.
De overige assen bevestigen dat beeld. Er is geen klantcontact, geen fysieke handeling, en de compliance-gevoeligheid is laag: het gaat om openbare informatie die iedereen kan raadplegen. De foutkosten zijn gematigd — een verkeerd vergeleken prijs leidt tot een vertekend beeld, niet tot een geschonden contract of een boze klant. Creativiteit speelt een rol bij het interpreteren van ongewone aanbiedingen (een bundelkorting, een tijdelijke actie, een andere maatvoering), maar dat is eerder uitzondering dan regel.
Het is een taak voor een agent: een systeem dat zelfstandig prijspagina's raadpleegt, gegevens uit tekst en structuur haalt, ze onderbrengt in de vastgestelde vergelijkingscriteria en het resultaat aanlevert als overzicht. Dat werkt onder twee voorwaarden. Eerst: toegang tot openbare prijsdata, wat betekent dat de informatie vindbaar en leesbaar moet zijn — geen inlogmuur, geen prijs die alleen telefonisch wordt gegeven. Twee: vergelijkingscriteria die vooraf vastliggen. Zonder die afspraak — wat is 'vergelijkbaar', welke eenheid, welke periode — levert een agent een verzameling getallen op zonder dat iemand weet of ze naast elkaar mogen staan.
Dat is meteen ook waar het beeld genuanceerd wordt. Verzamelen en ordenen is voor AI. De vertaling van die vergelijking naar een prijsbeslissing — verhogen, verlagen, een actie starten — blijft mensenwerk, met oordeel over marge, positionering en klantrelatie. De taak in deze scan gaat over het opstellen van de vergelijking, niet over het besluit dat erop volgt.
Een webshop die wekelijks de prijzen van vijftien concurrenten voor honderd productcategorieën volgt, kan dat proces grotendeels aan een agent overlaten: die verzamelt de gegevens, herkent aanbiedingen, en zet alles in een vast overzicht. Een marketeer beoordeelt vervolgens de uitkomst — klopt de vergelijking, is er iets vreemds aan de hand met een concurrent die plotseling een derde goedkoper is — en keurt goed of stuurt terug met een reden. Dat is de tweede categorie uit de taxonomie: AI doet het werk, een mens houdt toezicht met een oordeel erbij.
Bij een B2B-dienstverlener waar prijzen alleen op aanvraag beschikbaar zijn, offertes maatwerk zijn en 'vergelijkbaar' geen eenduidige betekenis heeft, verschuift het beeld. De gestructureerdheid daalt, de oordeelsruimte stijgt, en het werk leunt zwaarder op een analist die telefonisch of via een netwerk informatie verzamelt en zelf inschat wat vergelijkbaar is. Dat is dan minder een taak voor een agent en meer een taak waarbij AI ondersteunt — bijvoorbeeld door aantekeningen te structureren — terwijl het oordeel bij de mens blijft.
Deze verschuiving raakt meer plekken in een bedrijf dan alleen prijsmonitoring. Wie advertentiebudget wil laten bijsturen op basis van resultaten ziet een vergelijkbaar patroon: gestructureerde data, hoog volume, beperkte oordeelsruimte, en een agent die het merendeel van het werk aankan zolang de criteria vaststaan. Ook wie kijkt naar hoe websitestatistieken geanalyseerd worden ziet dezelfde combinatie van verzamelen, ordenen en pas daarna interpreteren. Waar meer creatief werk in het spel is, zoals bij het schrijven van een socialmediapost, ligt de verhouding tussen automatisering en toezicht weer anders. Het patroon is steeds hetzelfde: hoe gestructureerder de invoer en hoe hoger het volume, hoe eerder een agent het grootste deel van het werk kan doen, met een mens die de uitkomst beoordeelt in plaats van het werk zelf te doen.
Dit is geen uitspraak over de functie van marketeer of data-analist, en geen basis om personeelsbeslissingen op te bouwen. Voor besluiten over functies en formatie gelden eigen wettelijke vereisten, los van wat een taakanalyse als deze laat zien. Deze pagina beschrijft een taak, niet een rol, en een rol bestaat doorgaans uit veel meer dan één taak.
Om te zien hoe dit voor uw eigen bedrijf ligt, is de vrijblijvende quickscan een eerste stap: twaalf vragen, zonder account, met als uitkomst een indicatie van welk deel van de uren in dit soort werk vandaag door AI is over te nemen. De volledige werkscan, die het werk van uw bedrijf in taken uiteenlegt langs deze acht assen, is nog in aanbouw en wordt hier later aangeboden.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.