Het verhaal achter Mel: een slimme AI-assistent voor Melba.

Het verhaal van de ondernemers:

Saar en ik kennen elkaar al sinds onze tijd bij TNO, waar we ons bezighielden met onderzoek naar menselijk gedrag, meestal in de context van veiligheid. Daarna gingen onze carrières ieder hun eigen kant op, maar er bleef altijd een lijntje. Tot Saar me een bericht stuurde met de vraag of we weer eens zouden bijpraten. Dat werd een middag op een terras, waar ze me vertelde dat ze al een tijd rondliep met een idee. Ze had me op LinkedIn gevolgd en zag dat ik steeds dieper de wereld van AI in dook. En toen vroeg ze zich af: zou AI kunnen helpen om Melba gebruikers te ondersteunen bij de toepassing van Melba in hun dagelijkse werk?

Wat Melba doet

Saar is, samen met Joyce, licentiehouder van Melba NL, een organisatie die professionals ondersteunt die werken met mensen die extra begeleiding nodig hebben om hun plek op de arbeidsmarkt te vinden. Denk bijvoorbeeld aan jongeren met een afstand tot de arbeidsmarkt, volwassenen die moeite hebben met structuur of concentratie, of mensen die door fysieke, psychische of verstandelijke uitdagingen ondersteuning nodig hebben bij werk.

Die professionals observeren hoe iemand zich gedraagt tijdens werk of werkgerelateerde activiteiten: denk aan hoe iemand samenwerkt, omgaat met veranderingen of stress, hoeveel initiatief iemand neemt, hoe precies of zelfstandig iemand werkt, en nog veel meer. Dat gedrag wordt vertaald naar 29 vaste Melba-kenmerken die samen een helder beeld geven van iemands arbeidsvaardigheden.

Deze vertaling vraagt om zorgvuldig kijken, genuanceerd interpreteren en begrip van de doelgroep. Maar juist daarom is het Melba referentiekader zó belangrijk: het helpt professionals om gerichter en meer onderbouwd de juiste ondersteuning te bieden en om te bepalen welke werkomgeving voor iemand duurzaam, passend en haalbaar is.

Een logisch idee, maar voorzichtigheid van belang

Toen Saar haar idee toelichtte, werd ik meteen enthousiast. Ik zag de mogelijkheid om begeleiders te helpen om een deel van het denkwerk te ondersteunen met AI. Maar tegelijkertijd voelde ik ook meteen hoe complex dit zou worden. Het gaat over menselijk gedrag, over nuance en interpretatie. AI is goed in taal, maar niet vanzelfsprekend goed in subtiele duidingen. We moesten dus goed blijven opletten dat AI niet dingen zou invullen die niet gezegd waren.

Die combinatie van enthousiasme en voorzichtigheid werd eigenlijk meteen het startpunt van ons project.

De eerste proef : een reality check

Ik deed een eerste experiment met ChatGPT om te testen hoe ver een generiek model zou komen. Zonder structuur, zonder extra sturing. Het resultaat was hoopvol maar tegelijk ongeschikt. Het model kon wel labels toekennen, maar deed dat te snel en te vrij. De nuance ontbrak en de consistentie ook.

Dat moment bevestigde wat we al vermoedden: AI kan bij de vertaling van gedrag naar kenmerken zeker helpen, maar alleen als we AI heel zorgvuldig in een duidelijke structuur plaatsen. Dit kon geen losse prompt worden; hier moesten we iets bouwen.

We vormden een klein team en gingen de diepte in

Niet veel later schoof ook Joyce aan. Vanaf dat moment waren wij echt een team. Ik begon met grondig onderzoek naar hoe begeleiders nu werken. Ik las observatieverslagen, bestudeerde de methode, en we spraken samen uitgebreid over welke stappen begeleiders bewust en onbewust doorlopen. Ook vroegen we ons af wat een AI-assistent precies zou moeten vragen om te begrijpen wat een begeleider normaal gesproken uit een verslag of gesprek haalt.

In onze gesprekken kwamen we erachter dat niet alles wat belangrijk was letterlijk in de documentatie stond. Een deel van de kennis zit in hoofden, in ervaring, in routine. Dit project dwong ons om alles expliciet te maken en om de methode scherp te formuleren. Daar werd niet alleen de AI assistent zelf beter van, maar ook de methode zelf.

We ontwierpen een gespreksflow die niet mocht lekken

Daarna begonnen we aan het hart van het project: het ontwerpen van een volledig uitgewerkte gespreksflow. We moesten bepalen welke vragen eerst gesteld moesten worden, welke informatie onmisbaar is voordat je verder kunt, en hoe we kunnen voorkomen dat een conversatie te breed of te rommelig wordt. Het doel moet altijd helder voor ogen blijven.

De bouwfase en het eindeloze pielen met scoren

Toen de inhoudelijke kant stevig stond, ben ik gaan bouwen in Botpress. Dat platform gaf ons genoeg flexibiliteit om complexe vraagstructuren te maken, en bood tegelijkertijd een goede basis voor privacy en databeveiliging.

Het bouwen zelf was soms een puzzel van millimeterwerk. Vooral het toekennen van profielwaardes aan de 29 kenmerken bleek ingewikkeld. Die profielwaardes volgen geen exacte logica; ze hangen af van nuance, en precies daar moet je AI tegen zichzelf beschermen. We hebben hier lang aan gesleuteld. Soms werkte het bijna goed, en dan weer helemaal niet. Het was testen, terugdraaien, herschrijven, opnieuw proberen. Het was intensief, maar nodig was om Mel werkbaar te maken.

En toen ging Mel ‘leven’

Toen de eerste volledige versie klaar was, hebben Joyce en Saar uitgebreid getest. En daarna ging een pilotgroep ermee aan de slag. Op dat moment zagen we dat het werkte. Niet perfect, net zoals mensen overigens, maar goed genoeg om begeleiders echt te ondersteunen.

Het mooie is dat Mel nooit bedoeld is als vervanger. Ze is een assistent die mee-ademt met de begeleider, een meedenker die helpt orde te brengen in complex gedrag en veel tijd bespaart. Zij maakt het proces sneller, consistenter en toegankelijker, zonder de menselijke interpretatie uit het proces te halen.