Wie is
Yordi Stoop?

Yordi is Automation Engineer bij Solid Partners en heeft het al jaren naar zijn zin bij ons. Lees hieronder zijn verhaal.

Yordi Stoop Kleiner

Wat doe je graag als je niet bezig bent met AI, automatisering of het bouwen van slimme oplossingen?

Dan kook ik graag, het liefst achter de kamado, waar geduld meestal beloond wordt met iets lekkers. Ik heb een flinke verzameling kamerplanten, van Monstera’s tot vleesetende exemplaren, en ik ga graag op de bank zitten met een goed fantasyboek. Daarnaast ben ik gek op bordspellen, het liefst met mijn vriendengroep, waar we een eiland verdedigen of een planeet bewoonbaar maken, en de snacktafel altijd beter bevoorraad is dan de planeet. Om fit te blijven doe ik aan krachttraining en hardlopen, en de racefiets mag ik van mezelf weer vaker pakken. Bijna dagelijks trek ik er ook in mijn eentje op uit met de wandelschoenen voor een lekkere ronde na het avondeten.

Waar kunnen we jou in het weekend meestal vinden?

Mijn weekend draait vooral om mijn gezin. Met mijn vrouw en kinderen ben ik graag buiten, bijvoorbeeld in een speeltuin of een kabouterbos in de buurt. Thuis sta ik regelmatig in de keuken met onze oudste, die niet alleen graag bakt maar vooral graag proeft. Ik doe dan net of ik het niet zie. Soms trek ik me ook even terug om met mijn eigen projecten bezig te zijn, dan kun je me vinden op zolder, waar het prutsen meestal wat langer duurt dan gepland.

Je noemt jezelf een echte bouwer. Ben je thuis ook altijd bezig met projecten, klussen of nieuwe ideeën?

Ja, eerlijk gezegd wel. Mijn huis draait op Home Assistant. Daarmee heb ik bijna alles in kaart, en op dit moment zoek ik uit hoe we het huis verder kunnen verduurzamen. Binnenkort ga ik ook 3D-printen: functionele dingen voor in en om het huis, en speelgoed voor de kinderen. Ook bij de kamado kan ik het niet laten. Zelfs die heeft een BBQ-computer naast staan, die de luchttoevoer automatisch regelt om de temperatuur constant te houden. Met meerdere probes volg ik alles op afstand, zodat mijn avondeten ook slim gebouwd is. Er ligt bijna altijd wel een nieuw idee op de loer, en mijn vrouw ziet me weer aankomen.

Waar kun je jou ‘s nachts voor wakker maken?

Liever niet, want ik hou van slapen. Maar voor een goed idee sta ik meteen aan, en dan stopt mijn hoofd ook niet meer en moet ik het direct uitwerken voordat ik weer kan slapen.

Je gebruikt AI ook veel privé. Waarvoor zet je AI thuis in en wat is de leukste of meest verrassende toepassing die je hebt ontdekt?

Thuis gebruik ik AI voor van alles: weekmenu’s, kooktijden en ovenstanden, Home Assistant-automatiseringen en als sparringpartner bij projecten. Ik bouw nu zelf een voedingstracker die precies doet wat ik nodig heb, en dat werkt een stuk fijner dan een generieke app. Het leukste experiment momenteel is AI-gegenereerde muziek. Hier werk ik complete playlists uit, van een ode aan mijn favoriete boekenseries tot een workoutmix.

5 best practices:
Hoe je jouw digitale werkplek veilig, efficiënt en altijd bereikbaar maakt

Deze whitepaper biedt een praktisch stappenplan voor organisaties die de transitie willen maken naar een veilige digitale werkplek.
Het behandelt onder andere:

  • Het belang van een roadmap en goede IT strategie

  • Handvatten voor de technische realisatie en migratie

  • Waarom je adoptie door medewerkers niet moet onderschatten

Whitepaper Digitale Werkplek front schuin.png

Bewijs uit de praktijk

Case 1 – AI-triage van werkorders

Situatie

De servicedesk ontvangt 600 à 700 werkorders per maand, vaak als lange mailwisselingen. Elke werkorder moest handmatig worden gelezen, samengevat, geclassificeerd, van impact en urgentie voorzien en aan de juiste contractdienst gekoppeld. Dat kost tijd en de uitkomst verschilt per collega.

Oplossing

Ons automatiseringsplatform (Rewst) stuurt een reeks gespecialiseerde AI-agents in Microsoft Azure aan, elk met één taak:

  • Een agent vat de mail samen in maximaal vijf Nederlandse zinnen.

  • Drie agents werken daarna parallel:

– classificatie, impact, urgentie en deadline (inclusief feestdagen);

– koppeling aan de juiste contractdienst;

– zoeken naar gerelateerde werkorders en projecten.

  • Een agent maakt van de onderwerpregel een duidelijke, actiegerichte titel.

  • Afhankelijk van het type volgt een vervolgstap:

– bij een incident een eerste analyse met mogelijke oorzaken, diagnosestappen en een tijdsinschatting;

– bij een niet-standaardwijziging een risicoanalyse;

– waar nodig een goedkeuringsmail naar de juiste contactpersoon.

Alle resultaten worden direct teruggeschreven in ons ticketsysteem.

Resultaat

  • Sinds maart 2026 live op alle werkorders.

  • Meer dan 95% wordt correct geclassificeerd. Bij ongeveer 10% hoeft alleen de gekoppelde dienst nog aangepaste worden.

  • Alleen de classificatie scheelt al zo’n 5 minuten per werkorder. Dat is 50 à 60 uur per maand, ruim een derde FTE.

  • Engineers beginnen met een samenvatting, een duidelijke titel, gerelateerde tickets en bij incidenten een eerste analyse, in plaats van met een ruwe mail.

Case 2 – AI bij securitymeldingen (MDR)

Situatie

Voor onze MDR-dienst (24/7 beveiligingsmonitoring) ontvangen we zo’n 50 escalaties per maand van het Security Operations Center: het team dat de beveiliging van klanten continu bewaakt. Die zijn technisch, in het Engels en vragen snel handelen. Je moet beoordelen of het een echte dreiging is, de klant informeren en bijhouden of meldingen over hetzelfde incident gaan.

Oplossing

  • Een keten van AI-agents:

  • Een agent classificeert de melding op basis van vaste indicatoren, zoals inloggen vanaf twee ver uit elkaar liggende locaties kort na elkaar, malware die echt is uitgevoerd of geblokkeerde inlogpogingen met tweestapsverificatie.

  • Een agent maakt een heldere Nederlandse samenvatting.

  • Een agent bepaalt de status: afgehandeld, actie nodig, wachten op de klant of een bekend vals alarm.

  • Een agent herkent duplicaten en koppelt ze aan de bestaande werkorder.

  • Bij updates van het Security Operations Center bepaalt een agent of de samenvatting of classificatie moet worden bijgewerkt.

  • Een agent stelt een klantvriendelijke mail op, afgestemd op de ernst.

Resultaat

  • De klant krijgt direct bericht zodra er een melding binnenkomt, 24/7, met een begrijpelijke uitleg in het Nederlands.

  • Meldingen over hetzelfde incident worden met meer dan 95% nauwkeurigheid gekoppeld.

  • Er zijn geen dubbele tickets of versnipperde communicatie meer. De engineer richt zich op de opvolging.

Case 3 – Solid Support Assistant: krachtig, maar nog weinig gebruikt

Situatie

Wie een ticket oppakt, zoekt informatie op veel plekken bij elkaar: ticketnotities, apparaatgegevens, de kennisbank en Microsoft-documentatie. Ook is niet altijd duidelijk of iets een storing is of een wijziging die Microsoft zelf doorvoert, of welk ticket eerst moet.

Oplossing

Een AI-assistent in Microsoft Copilot die deze bronnen combineert:

  • onze centrale database met ticket- en contractgegevens (Microsoft Fabric);

  • ons beheersysteem voor apparaten (N-central), alleen-lezen;

  • de interne kennisbank en werkinstructies;

  • de technische documentatie van Microsoft;

  • binnenkort ook de aangekondigde wijzigingen van Microsoft (de Microsoft 365-roadmap).

De assistent werkt volgens een vaste stappenmethode: van context en mogelijke oorzaak naar oplossing, controle en zo nodig escalatie. Daarnaast helpt hij met prioriteren, escalaties voorbereiden en communicatie in onze eigen schrijfstijl. Hij adviseert alleen en wijzigt niets.

Resultaat

Dit is een mooi voorbeeld van een agent die heel krachtig is, maar in de praktijk nog weinig wordt gebruikt. Omdat hij zoveel koppelingen heeft en moet redeneren, reageert hij traag. Voor veel collega’s die hem hebben geprobeerd, was dat een reden om af te haken.

De les: een slimme oplossing is pas waardevol als mensen hem ook gebruiken. Snelheid en gebruiksgemak wegen net zo zwaar als wat de agent allemaal kan.

Case 4 – Dienstencatalogus opnieuw uitgewerkt met een AI-agent

Situatie

We hebben onze complete dienstencatalogus opnieuw uitgewerkt. Voor elke dienst moest de technische inrichting worden beschreven, vaak door meerdere collega’s aan één document. Dat is veel werk, en er ontstonden lege secties, afwijkingen van de Dienstbeschrijving en verschillen in toon en opbouw.

Oplossing

Een AI-agent in Teams en Copilot met twee standen:

  • Reviewmodus toetst een document op volledigheid, scope, standaardwijzigingen, monitoring en toon. Hij gebruikt de Dienstbeschrijving als bron en geeft een score met de belangrijkste gaten.

  • Ontwikkelmodus denkt mee over nieuwe diensten en controleert eerst op overlap met bestaande diensten.

De agent kent de Dienstbeschrijvingen en stelt gerichte vragen, zodat engineers de technische inrichting van elke dienst gestructureerd uitwerken. Ingevulde inhoud van collega’s overschrijft hij nooit.

Resultaat

De agent vond dat het overzicht van onze diensten er twee uit de Dienstbeschrijving miste, en dat documenten nog naar een oude versie verwezen. Zulke fouten vind je handmatig niet snel.

Alle engineers die aan de dienstbeschrijvingen hebben gewerkt, hebben de agent gebruikt. Ze zeggen dat hij enorm heeft geholpen. De algemene Copilot had niet de juiste context, en zelf alles uitwerken had veel meer tijd gekost.

Kader: zo pakken we het aan

  • Eigen, gecontroleerde data: ticket- en contractgegevens komen samen in één centrale, opgeschoonde database. De agents halen hun antwoorden daaruit.

  • Rechten per gebruiker: medewerkers loggen in met hun eigen account. De agent ziet nooit meer dan de medewerker zelf mag zien.

  • Security vanaf het ontwerp: elke agent wordt getoetst aan de beveiligingsnormen ISO 27001 en NIS2:

– koppelingen zijn alleen-lezen, met minimale rechten;

– er gaan geen klant- of persoonsgegevens naar externe bronnen;

– de bronnen zijn geclassificeerd;

– voor livegang controleren we of documenten niet te breed gedeeld zijn.