Nieuwe Generatie Xtendis & AI

Goedemorgen.

We wachten nog eventjes een minuutje. We zien mensen binnenstromen en dan gaan we van start.

Weet dat je via de Q&A vragen kunt stellen. Ik kan niet beloven dat we alle vragen direct kunnen beantwoorden, maar dan weten we in ieder geval welke vragen er spelen.

Oké, laten we beginnen.

Leuk dat jullie er allemaal zijn en de tijd hebben genomen om even te luisteren waar het naartoe gaat als het gaat over Xtendis. Voor de mensen die de reeks niet volgen: dit is een webinar in een reeks waarin we jullie meenemen in de toekomst van Xtendis, de nieuwe generatie Xtendis die we in de loop van dit jaar gaan lanceren, Q3/Q4.

Ik neem jullie mee in allerlei ontwikkelingen en de richting die wij daaromheen zien in het landschap van document- en enterprise information management.

Waar gaan we het vandaag over hebben? Vandaag hebben we het over één van onze vijf AI-initiatieven die we voeren. En dat is misschien wel één van de belangrijkste als je kijkt naar Xtendis en hoe Xtendis zich altijd heeft gepositioneerd. Integratie is een heel belangrijk onderwerp geweest.

Dit is een AI-toepassing die in die categorie valt. Om een beetje een beeld te geven, zal ik alvast beginnen met een paar slides die een beeld schetsen van waar we het deze ochtend over gaan hebben.

Wat we hier zien is de Microsoft Copilot-interface in de vorm van een chatvenster waarin je op een conversationele manier omgaat met je applicaties.

Het voorbeeld dat je hier ziet is: de gebruiker stelt de vraag “Moet ik nog facturen goedkeuren in het centraal archief?” En de agent vertelt vervolgens: “Er zijn momenteel geen facturen goed te keuren in het centraal archief die op jou zaten te wachten.”

We weten allemaal hoe large language models werken. Ze verzinnen wel eens wat. Dus wat ik in dit voorbeeldje heb gevraagd is: “Hoe weet je dat zo zeker?”

“Ik heb in het centraal archief gezocht met documenten. Documenttype is factuur. Flowstatus is goed te keuren en autorisator is Harry van der Beek.”

Hierin zie je dat de agent de context van het archief begrijpt en begrijpt dat hier een bepaald proces gaande is, namelijk het goedkeuren van facturen.

We hebben een brede doelgroep. Het gaat niet altijd over het goedkeuren van facturen. Het kan ook een wijzigingsverzoek indienen zijn. Allerlei processen zijn te modelleren met onze workflowmodule. Ook de agent begrijpt deze context.

Je ziet ook: autorisator is Harry van der Beek. Dit large language model gaat naar Xtendis toe op basis van mijn eigen inloggegevens. Zoals jullie gewend zijn met single sign-on begrijpt Xtendis dat ik Harry van der Beek ben.

Nou, dit is nog een voorbeeldje.

Hierin stel ik de vraag: “Welke correspondentie hebben we met cliënt 45636?”

Xtendis kan deze vraag beantwoorden door te zeggen: “Ik heb in het centraal archief gezocht op basis van relatienummer 45636. Er zijn zes documenten gevonden.”

“Wat wil je weten?”

En de gebruiker stelt de vraag: “Waar ging deze correspondentie over?”

De agent kan de tekstinhoud analyseren en vertelt: “De correspondentie van deze cliënt ging over onenigheid in het nieuwe voorstel. De cliënt gaf aan het niet eens te zijn met de clausule,” enzovoort.

Wat ik zojuist vertelde is waar we met Xtendis naartoe gaan. Vandaag licht ik één van onze vijf AI-initiatieven uit waar we aan werken. Wat we hier zien is Microsoft Copilot die toegang heeft tot Xtendis en welke scenario’s daarin mogelijk zijn.

Hier hebben we een scenario waarin de agent in Xtendis zoekt en vervolgens de inhoud van de documenten direct kan analyseren.

Op de achtergrond zijn we druk bezig om ook de full-textdata waar dit op leunt nog beter te kunnen verwerken, waardoor de kwaliteit van herkende tekst — ook handgeschreven tekst en slecht ingescande teksten — veel beter naar voren gehaald wordt, zodat het large language model in staat is om over die tekst te redeneren.

Nog één laatste scenario om te schetsen waar we heen kunnen. Het scenario hier is: “Hoeveel dossiers zijn er nog niet compleet?”

Op een gewone conversationele manier ga je doen wat je anders direct op een dashboard in de applicatie ziet.

De agent begrijpt: “Er is een zoekmap van dossiers waarin de legitimatie nog ontbreekt en er zijn zes dossiers niet compleet. Zal ik het eerstvolgende dossier op je naam zetten om die in behandeling te nemen? Net als gisteren.”

Als je memory aanzet, zijn large language models in staat om die context mee te nemen van: “Gisteren deed je deze taak, waarschijnlijk wil je dat vandaag weer.”

“Graag, dossier heb ik op je naam gezet.”

Hier zie je weer een workflowactie die uitgevoerd kan worden. Net zoals het goedkeuren van facturen, kun je dus ook een dossier in behandeling nemen.

Omdat je door middel van OAuth-authenticatie naar Xtendis gaat met je eigen gebruikerscredentials, zal je zien dat ook als je zo’n dossier in behandeling neemt, er een audit trail-record wordt aangemaakt van: “Harry van der Beek heeft op 12 mei dit dossier in behandeling genomen.”

Dit zijn dus de scenario’s waar we het deze ochtend over gaan hebben.

Om nogmaals een beeld te geven van wat voor vragen je kunt gaan stellen en hoe je dan in Copilot of je andere chatbot naar keuze aan de slag kunt, kun je eenvoudige zoekvragen stellen zoals: “Waar vind ik die voorwaarden?”

Het large language model begrijpt in de context van je hele conversatie waar “die” naar verwijst. Het gaat op zoek naar metadata en begrijpt de archiefstructuur.

“Wat is de werkvoorraad voor team 2?” Dan kom je met wat meer analytische vragen.

Ook die data is op te vragen. Je hebt behandelteam als documentindex. Team 2 is een vaste waarde. Wat is de werkvoorraad?

Eenvoudige analytische vragen kun je stellen. Hoeveel dossiers zijn er nog niet compleet? Die zagen we net.

Maar uiteindelijk zit de echte kracht erin dat je door de context van Xtendis te ontsluiten aan AI ook acties kunt laten uitvoeren.

Bijvoorbeeld: “Zet dat als notitie bij het document.” Dan wordt die tekst als notitie aan het document in Xtendis toegevoegd zodat je collega dat later kan nalezen.

Workflowacties zoals: “Neem dit dossier in behandeling.” Of: “Bouw een dashboard om aanvragen te monitoren.”

Dit zijn de geavanceerdere scenario’s waar we in een volgend webinar verder op ingaan.

Dus een samenvatting: AI reduceert complexiteit. Maar hoe houd je het zelf simpel?

Grote organisaties racen om complexe problematiek in hun domein op te pakken met AI. Daar is AI uitermate geschikt voor.

Maar uiteindelijk zie je dat dit soort AI-trajecten best complex kunnen worden en dat je met veel zaken rekening moet houden.

Ik ben ervan overtuigd dat de oplossing die we vandaag laten zien — hoewel het nog een eerste stap is en verder ontwikkeld zal worden — een hele goede richting is om het eenvoudig te houden.

Even kort een stapje terug. Dit is een webinar in een reeks van webinars waarin we het hebben over de nieuwe generatie Xtendis die we Q3/Q4 dit jaar gaan lanceren en die we vormgeven samen met onze klanten.

Wat je in deze webinar ziet, ligt voor een groot deel ten grondslag aan heel wat uren aan interviews met jullie als klanten.

We gaan een duurzaam platform verder uitbouwen dat meegroeit met nieuwe standaarden, grotere informatiestromen en de kansen die AI biedt.

Nieuwe standaarden, maar ook bestaande standaarden, zodat Xtendis nog beter in staat is om te embedden in jullie IT-landschap.

Wij hebben als doel gesteld dat Xtendis klaar moet zijn voor de nieuwe generatie. We zijn op de werkvloer net aan het wennen aan generatie Z, maar over een paar jaar komt generatie Alpha al op de werkvloer.

Welke basisverwachtingen hebben zij? Dat je straks via Copilot of Claude direct tegen Xtendis kunt praten. Dat is straks gewoon de basisverwachting.

In de nieuwe generatie Xtendis ben je altijd up-to-date. Updates en upgrades zitten in het abonnement en je groeit mee met nieuwe ontwikkelingen.

Vandaag hebben we het specifiek over MCP.

Want dat is wat ten grondslag ligt aan de voorbeelden die ik net liet zien. Xtendis in Copilot. Maar vandaag zullen we zien dat het veel breder is dan alleen dat.

Dit zijn de drie pijlers waar we ons op richten in de nieuwe ontwikkelingen van Xtendis: grotere volumes, succesvolle integratie in het landschap en de toekomst van informatie.

Vorige webinar zagen we webhooks, waarin Xtendis actief externe systemen kan aansturen. Naast de REST API, waarin je een vraag stelt en antwoord terugkrijgt, kan Xtendis actief signalen sturen.

Ook voor onze ontwikkeling van vandaag is dat interessant, want Xtendis is in staat om proactief op basis van een gebeurtenis in het systeem een agent een opdracht te geven.

We zagen anonimiseren. Als large language models gaan redeneren en je beslissingen gaat nemen op basis van documentinhoud, dan wil je zeker weten dat die inhoud veilig beschikbaar is.

En we zagen contextual search: zoeken met natuurlijke taal in Xtendis zonder precies te hoeven begrijpen hoe het archief is opgebouwd.

Vandaag hebben we het over Xtendis toegepast in je bestaande AI-landschap.

De meest waardevolle informatie staat niet op het internet, maar veilig opgeslagen in je archief.

Wanneer wordt AI pas echt waardevol? Als je algemene kennis, taal, redeneren en samenvatten weet te combineren met je organisatiekennis op een verantwoorde en veilige manier.

Dat is wat we de MCP Connection noemen. De Xtendis MCP Connection is een brug tussen je organisatiekennis en AI.

Wat is dat precies? Het is een gestandaardiseerde toegangspoort waarmee AI-systemen veilig en gestructureerd met Xtendis communiceren.

MCP staat voor Model Context Protocol. Dus je large language model krijgt context mee in een officieel protocol.

Uiteindelijk is dat dus: “Hey Copilot, hey Claude, ik ben Xtendis. Hier heb ik een archief met facturen, hypotheekaanvragen, huurdersdossiers, schadeclaims of pensioendata.”

Het mooie van deze standaard is dat het een open standaard is. Niet alleen Microsoft Copilot ondersteunt dit, maar ook Google, Anthropic Claude en Mistral.

Je zet jezelf dus niet vast in een specifieke tool of richting.

Note: this transcript has been auto-corrected using AI, it may contain mistakes.