Hoe we bij TRITON IT het maken van content automatiseren

Contentmarketing ondergaat een van de grootste veranderingen van de afgelopen twintig jaar. Nog niet zo lang geleden richtten de meeste bedrijven zich vooral op klassieke zoekmachines, zoekmachineoptimalisatie voor Google en het schrijven van artikelen op basis van trefwoorden. De manier waarop mensen naar informatie zoeken, verandert vandaag de dag ingrijpend. Grote taalmodellen (LLM’s) zoals ChatGPT, Claude, Gemini of Perplexity komen op de voorgrond en gebruikers zoeken steeds vaker niet naar links naar landingspagina’s, maar direct naar antwoorden op hun vragen.

Uit onderzoek blijkt dat mensen LLM’s steeds vaker gaan gebruiken als een nieuwe manier om met informatie om te gaan, met name bij complexere zoekopdrachten, onderzoek of het vergelijken van producten. De studie *The Impact of LLM Adoption on Online User Behavior*, gepubliceerd op SSRN, toont bijvoorbeeld aan dat na de invoering van LLM-tools bij een deel van de gebruikers het klassieke zoeken op traditionele platforms zoals Google met meer dan 20 % afneemt. Het onderzoek bevestigt tevens dat gebruikers klassiek zoeken combineren met conversatiegerichte AI-systemen en daarmee de manier waarop ze inhoud consumeren veranderen.

Dit heeft een ingrijpende invloed op het creëren van content. Het volstaat niet langer om teksten uitsluitend voor zoekmachinealgoritmen te schrijven. De content moet gestructureerd, inhoudelijk nauwkeurig, contextueel rijk en machinaal begrijpbaar zijn, ook voor taalmodellen die er vervolgens antwoorden voor hun gebruikers mee genereren. Inhoud concurreert niet langer alleen om een positie in de zoekresultaten, maar ook om de vraag of deze door AI-systemen zelf zal worden geciteerd of gebruikt.

Hoe we bij TRITON IT de automatisering van contentcreatie hebben aangepakt

Bij TRITON IT hebben we een eigen geautomatiseerde workflow voor het creëren van content ontwikkeld. Het doel was niet om copywriters te vervangen door kunstmatige intelligentie, maar om een systeem te ontwikkelen dat de productie van hoogwaardige content aanzienlijk kan versnellen, de consistentie van de output kan waarborgen, het aantal fouten tot een minimum kan beperken en tegelijkertijd een hoog niveau van gegevensbeveiliging kan handhaven.

Onze workflow is voornamelijk gebaseerd op het n8n-platform, dat we op onze eigen servers draaien. Dat is voor ons van cruciaal belang. Veel bedrijven worstelen tegenwoordig met de vraag of hun interne gegevens in anonieme opslagplaatsen terechtkomen of dat ze worden gebruikt voor het verder trainen van modellen. Wij hebben vanaf het begin gekozen voor maximale controle over zowel de gegevens als de infrastructuur. De workflow draait dus volledig in onze eigen omgeving en stelt ons in staat om op veilige wijze grote taalmodellen, vector-databases, multimediabestanden, internetbronnen, communicatietools en andere interne systemen van de klant met elkaar te koppelen.

We hebben de bediening van de workflow zelf bewust zo eenvoudig mogelijk gehouden. De gebruiker kan het hele systeem bedienen via WhatsApp (zowel via gewone tekstberichten als via spraakberichten) of via e-mail, indien de interne veiligheidsregels van het bedrijf dit vereisen. Vanuit het oogpunt van de gebruiker is het hele proces uiterst eenvoudig. Hij of zij geeft bijvoorbeeld een instructie als: „Maak een artikel over onderwerp X, richt je vooral op Y en Z, maak tot slot een vergelijking tussen product 1 en 2 en stel vijf veelgestelde vragen op voor twijfelende klanten.“ Zodra de aanvraag in de workflow binnenkomt, wordt een zeer uitgebreide reeks processen in gang gezet.

Kennisbank

Het hart van het hele systeem is de kennisbank. Deze stellen we voor elke klant afzonderlijk samen, omdat juist een goede context bepalend is voor de kwaliteit van de resultaten. De kennisbank bevat alle belangrijke informatie die het bedrijf over zijn activiteiten heeft: productfiches, catalogusdocumentatie, handleidingen, interne knowhow, de bedrijfswiki, contractdocumentatie, brochures, tijdschriften, technische specificaties of bijvoorbeeld servicedocumentatie.

Deze gegevens zetten we vervolgens om in een vector-database. Juist vector-databases vormen tegenwoordig een van de belangrijkste bouwstenen van moderne AI-systemen. In tegenstelling tot klassieke databases zoeken ze namelijk niet alleen naar exacte overeenkomsten tussen woorden, maar werken ze met semantische gelijkenis. De informatie wordt omgezet in wiskundige representaties (embeddings), waardoor het systeem inhoud kan vinden die qua betekenis vergelijkbaar is, zelfs als de gebruiker een heel andere zoekopdracht gebruikt. Als een gebruiker bijvoorbeeld vraagt om een artikel over de efficiëntie van warmtepompen in de winter, hoeft de workflow niet alleen te zoeken naar de exacte zin „efficiëntie van warmtepompen“. Het kan ook relevante documenten vinden over COP, energieverbruik, bedrijfsmodi of verwarmingsoptimalisatie, omdat het de betekenisvolle samenhang tussen deze onderwerpen begrijpt.

Zodra de workflow de opdracht voor een nieuw artikel ontvangt, begint deze eerst de kennisbank van de klant te analyseren. Hij zoekt naar relevante verbanden, interne knowhow, technische informatie en alle bronnen die de informatieve waarde van de uiteindelijke tekst kunnen verhogen. Pas als bepaalde informatie niet in de interne database wordt gevonden, gaat de workflow op internet op zoek. De workflow hanteert nauwkeurig gedefinieerde regels op basis waarvan relevante bronnen worden geselecteerd, de betrouwbaarheid ervan wordt beoordeeld en wordt bepaald uit welke bronnen informatie wordt gehaald. Dit stelt ons in staat om de hoge kwaliteit van de informatie te handhaven en tegelijkertijd het risico op ‘hallucinaties’ of slechte bronnen te minimaliseren, wat tegenwoordig een van de grootste problemen is van generatieve AI.

Hoe verloopt het geautomatiseerde proces van het schrijven van een artikel?

Zodra de workflow over voldoende informatie beschikt, gaat deze over naar de fase van de daadwerkelijke inhoudscreatie. In dit deel komen de grote taalmodellen in beeld. In ons geval is de combinatie van ChatGPT en Claude op de lange termijn het meest succesvol gebleken. Elk van de modellen heeft iets andere sterke punten en juist door ze te combineren kunnen we betere resultaten behalen dan bij het gebruik van één universeel model.

Het hele proces is echter niet gebaseerd op een simpele opdracht als „schrijf een artikel“. In de workflow hebben we tientallen regels en beoordelingsparameters vastgelegd. We hebben zowel de ideale resultaten als de resultaten die voor ons onaanvaardbaar zijn nauwkeurig beschreven. We definiëren de tone of voice, de structuur van de artikelen, de lengte van de teksten, de regels voor citaten en verwijzingen, de stijl van het omgaan met koppen, het omgaan met FAQ-secties en de benadering van verschillende doelgroepen. Hierdoor produceert de workflow niet telkens een totaal andere tekst. Integendeel. De workflow kan op de lange termijn een consistente communicatiestijl voor een specifiek merk handhaven, een probleem waar veel bedrijven tegenwoordig mee worstelen bij het gebruik van AI.

Kwaliteitscontrolesysteem

Zodra de eerste versie van het artikel klaar is, volgt een van de belangrijkste onderdelen van het hele proces: kwaliteitscontrole. We hebben hiervoor een meerfasig systeem van agenten ontworpen, waarbij elke agent een specifiek controlegebied voor zijn rekening neemt.

De eerste fase is gericht op de feitelijke juistheid. De medewerker doorloopt het hele artikel zin voor zin, toetst de afzonderlijke beweringen aan de hand van de kennisbank en openbare bronnen, en controleert of er geen verkeerde interpretaties van gegevens of onnauwkeurigheden zijn ontstaan. Als hij een probleem ontdekt, stelt hij concrete aanpassingen voor.

Pas wanneer het artikel inhoudelijk correct is, gaat het door naar de volgende controlefase. Een tweede medewerker analyseert de structuur van de tekst, de toon, de leesbaarheid, de argumentatie en of aan alle vastgestelde regels is voldaan. Onderdeel van de workflow zijn ook onze eigen beoordelingsschalen, waarmee we de kwaliteit van de output kunnen meten. Deze schalen werken volgens het principe van duidelijk gedefinieerde ideale en onvoldoende toestanden, waardoor we vrij nauwkeurig kunnen beoordelen of de tekst aan de vereiste norm voldoet.

Als het artikel niet wordt goedgekeurd, stelt de workflow automatisch aanpassingen voor en wordt het hele proces opnieuw doorlopen. Er kunnen meerdere van deze herhalingen plaatsvinden, totdat het resultaat aan alle eisen voldoet. Pas daarna kan het proces verdergaan.

Artikelen, persberichten en berichten op sociale media

In de voorlaatste fase van de workflow voegen we een extra proces toe: het maken van content voor sociale media. Voor elk artikel wordt automatisch een reeks op maat gemaakte voorstellen voor posts op verschillende platforms gegenereerd. Ook hier weer volgens vooraf vastgestelde regels, de tone of voice en de doelgroepen van de klant. Dit is niet alleen belangrijk om tijd te besparen, maar ook om de reeds gecreëerde content optimaal te benutten. Eén kwalitatief hoogstaand artikel blijft dus niet beperkt tot de blog, maar wordt automatisch omgezet voor gebruik op andere communicatiekanalen.

De uiteindelijke distributie van de resultaten verschilt vervolgens naargelang de voorkeuren van de klant. In sommige gevallen slaat de workflow het voltooide materiaal op de schijf op en verstuurt hij links naar artikelen die in Markdown-formaat zijn opgeslagen via WhatsApp of e-mail. Bij andere klanten communiceert de workflow rechtstreeks met het CMS-systeem en slaat de artikelen direct op als concepten die klaar zijn voor goedkeuring.

Waarom is het automatiseren van contentcreatie zo effectief?

We gebruiken dit hele systeem intern al meer dan een jaar en breiden het geleidelijk uit naar onze klanten. De laatste tijd bijvoorbeeld voor bedrijven als ACOND, Alutech Bohemia en Lázně Travel. We zien de grootste voordelen op drie gebieden. 

1. Een enorme tijdwinst. De workflow elimineert een groot deel van het repetitieve werk dat tegenwoordig bij het maken van content komt kijken, van onderzoek en het opzoeken van bronmateriaal tot het maken van verschillende uitvoeringen voor sociale media.
2. Kwaliteit en consistentie. Dankzij onze kennisbasis en een meerfasige kwaliteitscontrole slagen we erin om de nauwkeurigheid van de informatie aanzienlijk te verhogen en een consistente communicatiestijl te handhaven.
3. Beveiliging. Voor veel bedrijven is het tegenwoordig onaanvaardbaar dat interne documentatie of knowhow in externe clouddiensten terechtkomt zonder dat ze controle hebben over de gegevens. Doordat we de workflow op onze eigen infrastructuur draaien, kunnen we onze klanten een aanzienlijk hoger niveau van controle bieden, zowel over de gegevens als over het hele proces.

Contentmarketing ontwikkelt zich tot een technologische discipline waarin taalmodellen, gegevensstructuren, automatisering, interne knowhow en goed ontworpen workflows met elkaar worden verbonden. Bedrijven die deze verschuiving tijdig begrijpen, behalen een voorsprong, niet alleen door een hogere snelheid bij het creëren van content en lagere kosten per eenheid, maar vooral door de kwaliteit, consistentie en het vermogen om te functioneren in een omgeving waarin een steeds groter deel van de informatie juist door grote taalmodellen wordt overgebracht.