Hoe we voor ACOND het maken van content hebben geautomatiseerd

ACOND behoort tot de toonaangevende Tsjechische fabrikanten van warmtepompen en is sinds 1998 actief op de markt. De ontwikkeling, het testen en de productie van de warmtepompen vinden plaats in de fabriek in Milevsko en het bedrijf verzorgt naast de producten zelf ook onderhoud en andere diensten in verband met de installatie en het gebruik ervan. Ondanks zijn sterke marktpositie kampte ACOND tot voor kort met een uitdaging die niet direct verband hield met de kwaliteit van zijn producten: het bedrijf beschikte over aanzienlijk meer vakkennis dan het in de publieke ruimte wist over te brengen.

ACOND heeft technische fiches, handleidingen, productspecificaties, interne knowhow en ander vakmateriaal opgesteld. Er ontbrak echter systematisch opgebouwde inhoud die deze informatie zou omzetten in artikelen, antwoorden op vragen van klanten of materiaal voor de media. Dit wordt in het tijdperk van klassieke zoekmachines en generatieve AI steeds belangrijker. Als een bedrijf op lange termijn hoogwaardige en feitelijke inhoud over een bepaald onderwerp publiceert, creëert het daarmee een openbaar toegankelijke informatiebron waaruit mensen, zoekmachines en systemen die gebruikmaken van generatieve AI putten.

Voor ACOND hebben we daarom een compleet systeem ontworpen, het zogenaamde Content Brain, dat de knowhow van het bedrijf kan ophalen, deze kan gebruiken bij het maken van content en vervolgens het resultaat kan controleren en valideren. Het resultaat is een workflow waarmee in minder dan twee minuten een nieuw vakartikel kan worden opgesteld.

Hoe kunnen we informatie bij de klanten krijgen?

Bij TRITON IT werken we op grote schaal samen met B2B-technologiebedrijven. Het valt ons op dat er bij bedrijven die al jarenlang technische producten ontwikkelen, vaak een bijzondere situatie ontstaat. Binnen het bedrijf is er een aanzienlijke hoeveelheid kennis aanwezig, maar slechts een klein deel daarvan komt terecht bij potentiële klanten. ACOND is hier een goed voorbeeld van. Het bedrijf beschikte over gedetailleerd productmateriaal en technische documentatie. Dat is een voldoende basis voor een technicus, ontwerper of servicemedewerker, maar niet noodzakelijkerwijs voor iemand die op Google of via kunstmatige intelligentie vragen stelt als: ‘Hoe kies ik een warmtepomp?’, Hoe luidruchtig is een warmtepomp?, Wat is het rendement van een warmtepomp? of Hoe werkt een warmtepomp in de winter?

Juist dit soort vragen biedt ruimte waarin vakinhoudelijke informatie op de lange termijn tot zijn recht kan komen. ACOND beschikte echter al over antwoorden op een groot aantal van deze vragen. Deze waren alleen verspreid over verschillende documenten en werden niet systematisch gepubliceerd.

De kennisbank als basis voor de gehele automatisering

De meest voorkomende misvatting bij het overwegen van automatisering van contentcreatie is dat het volstaat om ChatGPT of een ander taalmodel aan te sluiten en het te vragen: „Schrijf een artikel over ACOND-warmtepompen.” Het model zal weliswaar een artikel opstellen, maar het weet niet per se welke informatie over ACOND correct is, welke actueel is, welke parameters de afzonderlijke producten daadwerkelijk hebben of op welke manier het bedrijf over zijn producten wil communiceren.

Daarom zijn we het hele proces begonnen met het opbouwen van een kennisbank. Daarin hebben we eerst het beschikbare vakmateriaal van ACOND opgenomen – met name technische fiches, handleidingen, productparameters en andere documentatie. Daarnaast hebben we ook het gedigitaliseerde boek „Atlas dekarbonizace“ toegevoegd, dat uitgebreide informatie bevat over de energiesector, decarbonisatie en aanverwante technologieën, waaronder warmtepompen.

Een deel van het bronmateriaal was echter moeilijk te verwerken door machines. Een lastig punt waren bijvoorbeeld pagina's met grafieken, tabellen of anderszins gestructureerde informatie, die bij een gewone conversie van het document naar tekst hun betekenis verliezen. Daarom hebben we de documenten eerst met behulp van AI verwerkt en aangepast naar een structuur die geschikt is voor machinale verwerking. Het doel was om een dergelijke weergave van de informatie te verkrijgen waarmee een geautomatiseerd systeem vervolgens kan werken. Dit is een fundamenteel verschil ten opzichte van het gebruikelijke gebruik van een taalmodel, dat zo niet gedwongen wordt om informatie te „onthouden“, maar bij het opstellen van een specifiek artikel relevante bronnen uit een uitgebreide kennisbank opzoekt.

Wat is een kennisbank?

Een kennisbank is een gecentraliseerde database met informatie waaruit AI put bij het genereren van inhoud. Het is niet alleen een productdatabase. Het bevat ook technische informatie, uitleg, documentatie, interne knowhow en andere bronnen die het systeem in staat moeten stellen vragen te beantwoorden op basis van concrete en gevalideerde informatie.

Dat is een fundamenteel verschil met het gebruikelijke gebruik van een taalmodel. Het model hoeft de informatie niet te „onthouden“. Bij het opstellen van een specifiek artikel zoekt het relevante informatie op uit een uitgebreide kennisbank.

AI zoekt eerst informatie en schrijft daarna

Technologisch gezien vormt juist het RAG-principe (Retrieval-Augmented Generation) een belangrijk onderdeel van de oplossing. Het basisidee is eenvoudig: in plaats van dat het taalmodel een antwoord genereert op basis van wat het tijdens de training heeft geleerd, krijgt het vóór het genereren van het antwoord relevante informatie uit een externe kennisbank.

Als de workflow dus de opdracht krijgt „Schrijf een artikel over het geluidsniveau van ACOND-warmtepompen”, hoeven we niet handmatig de volledige productdocumentatie in de prompt in te voeren. Het systeem zoekt eerst de relevante delen van de kennisbank op. Het kan bijvoorbeeld informatie vinden over specifieke modellen, hun akoestische parameters, de meetmethode en andere gerelateerde documentatie. Deze informatie wordt vervolgens doorgegeven aan de medewerker die het artikel zal schrijven.

Wat is RAG?

RAG (Retrieval-Augmented Generation) is een manier om met AI te werken waarbij het model, voordat het een antwoord genereert, relevante informatie uit een externe database of kennisbank haalt. Het model hoeft zich dus niet uitsluitend op zijn algemene kennis te baseren.

In de praktijk betekent dit dat hoe meer vaktechnische documenten er in de kennisbank staan, hoe minder informatie iemand handmatig in elke nieuwe opdracht hoeft in te voeren.

De kennisbank bespaart tijd bij het schrijven van lange prompts

Zonder onze Content Brain verloopt het schrijven van een hoogwaardig vakartikel zo dat men de AI telkens het volgende moet aanreiken:

• informatie over ACOND,
• informatie over een specifiek product,
• technische specificaties,
• achtergrondinformatie over dit onderwerp,
• de gewenste communicatiestijl,
• doelgroep,
• de structuur van het artikel,
• een lijst met informatie die niet mag ontbreken,
• en verdere instructies.

Zo’n prompt kan enorm groot worden en bij grote hoeveelheden inhoud onpraktisch worden. In onze workflow is deze informatie verdeeld over twee basislagen. De kennisbank bevat informatie over de wereld waarover het systeem moet schrijven. De systeeminstructies voor de agenten bepalen hoe erover geschreven moet worden. Als bijvoorbeeld een technische parameter van een product verandert, hoeft de prompt van elk artikel niet te worden herschreven. De broninformatie in de kennisbank wordt bijgewerkt en bij het volgende genereren kan al met de nieuwe gegevens worden gewerkt.

De workflow bestaat uit meerdere agenten

De volledige workflow is gebaseerd op het n8n-platform, dat dient om de afzonderlijke stappen te coördineren. N8n verbindt de kennisbank, AI-modellen, de database en de communicatie-interface tot één proces. Voor het werken met de kennisbank maken we gebruik van Ragflow, dat documenten verwerkt en het vervolgens mogelijk maakt om daarin relevante informatie te zoeken op basis van betekenisovereenkomst, en niet alleen op basis van exacte woordovereenkomst. Dit is bijvoorbeeld belangrijk wanneer de opdracht het heeft over de efficiëntie van warmtepompen in de winter, terwijl de brondocumenten termen gebruiken als COP, energieverbruik of bedrijfsmodi. De workflow kan zo informatie die inhoudelijk verband houdt met elkaar koppelen, ook al is deze niet met dezelfde woorden geformuleerd. 

Het hele proces kan daarbij eenvoudig via WhatsApp of e-mail worden afgehandeld. De gebruiker hoeft dus niet rechtstreeks met n8n, Ragflow of afzonderlijke AI-modellen te werken. Het volstaat bijvoorbeeld om de volgende opdracht te sturen: „Maak een artikel over het geluidsniveau van ACOND-warmtepompen en leg de nadruk op de verschillen tussen de afzonderlijke modellen“. De workflow neemt de aanvraag in behandeling, verwerkt deze, zoekt relevante informatie op in de kennisbank, stuurt deze door naar de betreffende medewerkers en levert vervolgens het eindresultaat op. Als de informatie die nodig is voor de verwerking niet in interne bronnen te vinden is, kan de workflow volgens vooraf gedefinieerde regels ook gebruikmaken van openbare internetbronnen. Dit onderscheidt het van het gebruikelijke gebruik van generatieve AI: de gebruiker communiceert niet met één chatbot, maar zet via een eenvoudige interface een hele reeks geautomatiseerde processen in gang.

Een ander belangrijk onderdeel van de oplossing is dat de workflow niet is gebaseerd op één AI-agent waaraan we een onderwerp opgeven en vervolgens wachten tot de tekst klaar is. We hebben gebruikgemaakt van onze beproefde agenten voor het genereren van content, die we zowel intern als bij andere klanten inzetten, en deze aangepast aan de behoeften van ACOND.

In de systeeminstructies staat bijvoorbeeld vastgelegd hoe de contentagent moet communiceren, welke toon hij moet aanslaan, hoe hij met vakinformatie moet omgaan en hoe hij de uiteindelijke tekst moet structureren. Dit betekent dat bij het toewijzen van een nieuw onderwerp niet opnieuw hoeft te worden uitgelegd wat ACOND is, met wie het communiceert en op welke manier het zich moet presenteren.

Het resultaat is een consistentere output. Zowel een artikel over een specifiek model warmtepomp, een algemene informatieve tekst over verwarming als een persbericht kunnen in één geautomatiseerde omgeving worden opgesteld en toch aan dezelfde basisregels voor communicatie voldoen.

De automatisering van contentcreatie kan echter niet alleen berusten op het feit dat één model een tekst genereert die vervolgens wordt gepubliceerd. Bij gespecialiseerde content is het risico op fouten aanzienlijk groter dan bij algemene lifestyle-content. Een verkeerd vermelde prestatie, geluidsniveau, koelmiddeltype of andere technische parameter kan de betekenis van het hele artikel veranderen. Daarom maakt ook een Quality Control-medewerker deel uit van de workflow.

Deze persoon ontvangt het opgestelde artikel en voert een eerste controle uit van de informatie die het bevat. Hij of zij vergelijkt deze met de beschikbare bronnen en zoekt bijvoorbeeld naar tegenstrijdigheden, onnauwkeurigheden of informatie die niet wordt ondersteund door de kennisbank. Dit wil natuurlijk niet zeggen dat automatische controle de expert vervangt. Bij gevoelige technische informatie blijft menselijke controle noodzakelijk, maar automatisering vermindert aanzienlijk de hoeveelheid werk die een mens bij elk artikel moet verrichten.

Een ander voordeel is dat het ontwikkelde systeem niet beperkt blijft tot de blog. Voor ACOND hebben we de workflow ook gebruikt voor het opstellen van algemene persberichten, die we vervolgens via ČTK naar de media sturen, en voor het maken van berichten op sociale media zoals Facebook, Instagram en LinkedIn.

In plaats van werkuren: minder dan twee minuten

De meest opvallende verandering is de snelheid. Voordat de workflow werd opgezet, moest men bij de voorbereiding van elk artikel onderzoek doen, bronnen opzoeken, met productdocumentatie werken en de tekst zelf schrijven.

Nu voert de workflow, nadat een onderwerp is opgegeven, automatisch de nodige stappen uit: van het verzamelen van relevante informatie en het genereren van tekst tot de eerste controle ervan. Het schrijven van een artikel zelf duurt tegenwoordig minder dan twee minuten. Daardoor is ACOND niet langer gebonden aan de tijd die het schrijven van elk artikel kost en kan het grote hoeveelheden content publiceren via verschillende kanalen.

De contentstrategie heeft in dit geval nog een extra dimensie. Als een bedrijf geen openbaar beschikbare informatie over een bepaald onderwerp heeft, beschikt een zoekmachine of AI-systeem over minder gegevens waarop het zich bij het verwerken van een zoekopdracht kan baseren om het merk als een zogenaamde autoriteit te beschouwen.

Als een bedrijf daarentegen op lange termijn vakinformatie publiceert, ontstaat er rond haar website een uitgebreidere informatielaag. Deze kan vragen behandelen waarop gebruikers antwoorden zoeken, en tegelijkertijd de relatie tussen het bedrijf, haar producten en specifieke onderwerpen toelichten. Het doel is om een voldoende hoogwaardige en consistente openbare informatiespoor te creëren, waardoor het merk beter vertegenwoordigd is op gebieden waarop het daadwerkelijk over expertise beschikt.

In de eerste drie maanden van de daadwerkelijke ingebruikname hebben we via de workflow 12 vakartikelen en 3 persberichten opgesteld, die we via ČTK hebben verspreid en waarvan de inhoud door tientallen media is overgenomen. De kennisbank werkt daarbij met honderden pagina’s aan product- en vaktechnische documentatie en het opstellen van een nieuw artikel, van opdracht tot voltooid resultaat, duurt tegenwoordig minder dan twee minuten. In de eerste drie maanden heeft de automatisering zo bijna 50 uur aan menselijke arbeid bespaard. En het resultaat is nu ook zichtbaar in de cijfers: het organische verkeer naar de website van ACOND is met bijna 15 % gestegen.