De vraag
Kun je portfoliobeslissingen beter onderbouwen met data, zonder dat iemand eerst wekenlang alle stukken hoeft te lezen en over te typen of copy-pasten in Excel?
Portfoliomanagers zijn veel tijd kwijt aan documenten verzamelen en lezen, informatie overschrijven naar lijstjes en scores, en scenario's uitwerken op basis van prioriteiten en beperkingen.
Dat voelt vaak als een rugzak die je moet vullen met projecten, terwijl elk project een ander formaat, gewicht en belang heeft. In de praktijk is dat nu vooral handwerk, met veel subjectieve keuzes, waardoor de optimale vulling niet te berekenen is.
De vraag voor dit PoC was simpel: Hoe ver kunnen we komen als we AI laten helpen bij het voorbereidend werk, zodat de portfoliomanager meer tijd heeft voor de keuzes zelf?
De data pipeline
Projectvoorstellen (.docx)
Ongestructureerde Word-documenten met projectinformatie
LLM extractie
AI extraheert relevante data: kosten, doorlooptijd, risico's, strategische doelen
Gestructureerde JSON
Uniforme datastructuur met vaste velden per project
Python script
Data uit JSON's in spreadsheet injecteren
Portfolio toolkit
Excel met automatische berekeningen en filters
Dashboard
Interactieve visualisatie met scenario's en stuurinformatie
Het dashboard
Pragmatische start
Voor dit PoC is de flow handmatig opgezet. In een productieomgeving kan dit eenvoudig geautomatiseerd worden met n8n of Azure Logic Apps, zodat nieuwe documenten automatisch de pipeline doorlopen.
Mens in de loop
Tussen elke stap zit een menselijke check. AI kan hallucineren en brondocumenten zijn niet altijd compleet. Garbage in = garbage out, daarom blijft validatie essentieel.
Wat dit PoC liet zien
AI neemt leeswerk uit handen
Je hoeft niet meer elke paragraaf handmatig te vertalen naar kolommen.
Portfoliomanagers houden de regie
AI doet de eerste invulling, maar de mens bepaalt wat zwaar weegt.
Scenario's zijn sneller te verkennen
Je kunt sneller spelen met "wat als" scenario's.
Visualisatie helpt bij het gesprek
Heldere overzichten maken het makkelijker om keuzes te onderbouwen.
Grenzen en aandachtspunten
Kwaliteit staat of valt met brondocumenten
Onvolledige of verouderde stukken leveren ook met AI geen goede input op.
Zachte factoren blijven lastig
Dingen als politiek, verandervermogen of cultuur laten zich lastig in een score vangen.
AI is niet foutloos
Elke extractie moet gecontroleerd kunnen worden. Dat hoort bij het proces.
Dit is geen druk-op-de-knop oplossing
Het is een hulpmiddel om sneller en beter onderbouwd tot scenario's te komen.
De winst
Voor Ruysdael was dit PoC vooral een manier om te zien wat er gebeurt als je hun vakgebied koppelt aan AI en data. Het resultaat is geen product dat morgen live kan, maar geeft wel een goed inzicht in wat AI kan bijdragen:
Minder tijd kwijt
aan voorbereidend werk
Meer tijd
voor het gesprek over keuzes
Beter onderbouwd
met cijfers en scenario's
OpenAI GPT-4 met custom prompts
JSON schema, Python processing
Excel met formules en pivot tables
Custom dashboard (React + D3)
n8n / Azure Logic Apps ready
Bekijk ook deze cases
Vergelijkbare uitdaging?
Heb je zelf een portfolio met stapels projectdocumenten en wil je verkennen of dit soort tooling kan helpen?
Dan is een vergelijkbare proof-of-concept een logische eerste stap.