Van storing tot oplossing in minuten: hoe AI-gedreven monitoring het werk van engineers transformeert
- Verstoringen in integraties worden automatisch gedetecteerd — zonder dat iemand het hoeft te melden
- Een AI-agent interpreteert elk ticket, stelt de urgentie vast en wijst het toe aan de juiste engineer, inclusief oplosrichting
- Novictus bouwt monitoring standaard in bij elke oplossing die ze voor klanten opleveren
- De gecumuleerde ticketdata onthult structurele zwaktes — en verschuift de samenwerking van reactief naar proactief
Novictus combineert continue monitoring, automatische ticketaanmaak in Azure DevOps of Jira, en een AI-agent die interpreteert, prioriteert en toewijst. Engineers hoeven niet te zoeken — ze kunnen direct oplossen. Over tijd levert de tickethistorie inzicht in structurele kwetsbaarheden, waardoor problemen proactief worden aangepakt in plaats van reactief opgelost.
Elke organisatie die serieus werkt met systeemintegraties kent het patroon. Een koppeling loopt vast. Ergens in de keten gaat iets mis. En dan begint het echte werk — niet het oplossen van het probleem, maar het uitzoeken wát er precies mis is, wie dat moet weten, hoe urgent het is, en wie het op moet pakken.
In die triage-fase gaat ontzettend veel tijd verloren. Bij Novictus hebben we dit proces van begin tot eind geautomatiseerd — voor onze eigen operatie én voor klanten in de maakindustrie en logistiek. In deze blog leggen we uit hoe dat werkt, welke technologie we inzetten, en wat het oplevert.
Monitoring die verder kijkt dan een statuslampje
Monitoring bestaat al lang. Maar traditionele monitoring stopt vaak bij het signaleren. Er verschijnt een alert, een e-mail of een notificatie — en daarna begint het handmatige werk.
Wij beginnen waar traditionele monitoring stopt.
Onze monitoring-laag draait continu op alle integraties en geautomatiseerde processen die we beheren. Zodra een verstoring optreedt — een foutieve API-response, een mislukte bestandsoverdracht, een integratie die vastloopt op een validatiefout — wordt dat automatisch waargenomen. Geen drempel van “iemand moet het melden”, geen vertraging omdat een beheerder pas de volgende ochtend inlogt.
Wat direct daarna gebeurt is waar het interessant wordt.
Automatische ticketaanmaak: volledig gedocumenteerd van meet af aan
Bij elke gedetecteerde verstoring wordt automatisch een ticket aangemaakt in het ticketsysteem. Wij werken zelf met Azure DevOps, maar dezelfde aanpak werkt net zo goed met Jira, ServiceNow of een ITSM-platform zoals TOPdesk of Freshservice.
Wat dat ticket bevat, is precies wat een engineer nodig heeft om direct aan de slag te gaan:
- De exacte foutmelding, zoals die is opgetreden in het systeem
- De bijbehorende error code
- Het betrokken systeem of de betrokken integratie
- Het tijdstip van optreden en eventuele voorafgaande waarschuwingen
- Relevante contextinformatie: was er eerder een soortgelijke fout, welke processen liepen gelijktijdig, wat was de laatste succesvolle run?
Dit laatste onderdeel — de context — is wat het verschil maakt. Een ticket met alleen een foutmelding is een startpunt. Een ticket met context is een diagnose in wording. Hoe volwassener je automatiseringslandschap, hoe waardevoller deze context wordt — meer hierover in ons Automation Maturity Model.
Waar AI en agentic werken het verschil maken
Tot hier is alles nog grotendeels “klassieke” automatisering: detecteren, loggen, aanmaken. Krachtig, maar nog niet intelligent.
Het intelligente deel zit in de laag die daarna komt: een AI-agent die elk nieuw ticket analyseert en een reeks beslissingen neemt zonder menselijke tussenkomst.
Wij werken momenteel met OpenAI als taalmodel voor deze laag, maar zijn actief aan het evalueren richting Claude (Anthropic) en Mistral. De keuze van het model heeft invloed op nauwkeurigheid van interpretatie, kosten per analyse en — in het geval van Mistral — de mogelijkheid om het model on-premise of in een Europese cloud te draaien, wat relevant is voor klanten met strikte datavereisten.
Wat de AI-agent concreet doet:
Interpretatie: begrijpen wat er aan de hand is
De agent leest de volledige inhoud van het ticket: de foutmelding, de error code, de context en eventuele historische data van eerder opgetreden fouten in hetzelfde systeem. Op basis daarvan stelt de agent vast wat het type probleem is — geen keyword-matching, maar inhoudelijk redeneren. De agent onderscheidt symptomen van oorzaken, wat bij complexe integraties regelmatig twee verschillende dingen zijn.
Prioritering: hoe urgent is dit werkelijk?
Niet elke fout is even kritisch. De AI-agent kent een prioriteit toe en weegt daarin mee: wat is de impact op het primaire proces, zijn er afhankelijkheden met andere systemen, hoe snel escaleert dit als het niet wordt opgepakt? De prioritering wordt direct meegeschreven in het ticket — inclusief een korte motivatie, zodat de engineer begrijpt waarom iets als P1 of P3 is geclassificeerd.
Toewijzing: de juiste persoon, direct
Op basis van het type probleem en de betrokken systemen bepaalt de agent wie het beste gepositioneerd is om dit ticket op te pakken — op basis van expertise, beschikbaarheid of escalatiepad. In Azure DevOps of Jira wordt het ticket vervolgens automatisch toegewezen. Geen triage-meeting, geen doorsturen.
Oplosrichting: een vliegende start
De agent genereert een concrete oplosrichting: wat is de waarschijnlijke oorzaak, wat zijn de eerste stappen om de hypothese te verifiëren, en — als het een bekend patroon is — wat was de oplossing de vorige keer? De engineer die het oppakt, begint met een hypothese in plaats van een blanco vel.
Agentic werken: meer dan automatisering
Klassieke automatisering voert een vaste reeks stappen uit: als A, dan B. Krachtig, maar rigide. Agentic AI gaat verder: de agent krijgt een doel — analyseer dit ticket en zorg dat het op de juiste plek terechtkomt met voldoende informatie — en bepaalt zelf welke stappen hij neemt om dat doel te bereiken.
In ons geval: de agent leest het ticket, raadpleegt historische data, redeneert over impact en urgentie, trekt een conclusie over de oorzaak, bepaalt wie het moet oppakken en schrijft een advies. Dat is een keten van redeneer- en beslismomenten die bij traditionele automatisering simpelweg niet bestaat.
Het maakt het systeem ook robuuster bij uitzonderingen. Een klassieke rule-engine weet niet wat te doen met een fout die hij nog nooit heeft gezien. Een AI-agent redeneert op basis van context en komt tot een bruikbare uitkomst — ook bij nieuwe situaties.
Welk ticketsysteem past bij jouw organisatie?
De aanpak is platformonafhankelijk. De AI-agent en de monitoring-laag integreren met het systeem dat jouw organisatie al gebruikt.
Sterk als je organisatie al werkt in het Microsoft-ecosysteem. Goede integratie met Azure-omgevingen, CI/CD-pipelines en interne ontwikkelteams.
Breed ingezet in softwareontwikkeling en IT-organisaties. Flexibel in workflows en goed te koppelen aan andere Atlassian-tools.
De standaard in grotere enterprise-omgevingen, met uitgebreide ITSM-functionaliteit en sterke rapportagemogelijkheden.
Populair bij Nederlandse organisaties in de mid-market, met een lage drempel en goede ondersteuning voor zowel IT- als facilitaire processen.
Laagdrempelig alternatief met moderne UI en sterke automatiseringsmogelijkheden, ook interessant voor kleinere IT-teams.
De keuze hangt af van je bestaande tooling, teamgrootte en de mate van integratie die je nodig hebt. Wij adviseren daarin op basis van de specifieke situatie. Lees ook onze introductie over Workato en iPaaS voor meer achtergrond over het integratieplatform dat wij het meest inzetten.
Monitoring als standaard onderdeel van onze oplossingen
Veel organisaties zien monitoring als iets wat je achteraf inregelt — een laag die je er later bij bouwt als er een keer iets misgaat. Wij denken daar anders over.
Voor klanten waarvoor wij integraties of geautomatiseerde processen bouwen, bieden we monitoring aan als integraal onderdeel van de oplossing. Niet als optionele extra, maar als logisch sluitstuk van elk traject. Als wij een koppeling bouwen tussen twee systemen, bouwen we ook in hoe verstoringen in die koppeling worden waargenomen, geregistreerd en opgevolgd.
Wat dat betekent in de praktijk: zodra een oplossing live gaat, is de monitoring al actief. Fouten worden direct gesignaleerd, tickets worden automatisch aangemaakt — in het systeem van de klant, of in ons eigen systeem als wij het beheer voeren — en de AI-agent doet zijn werk.
De klant hoeft daar niets voor te doen. Het werkt van dag één.
Klanten krijgen van meet af aan zichtbaarheid op hoe hun integraties presteren. Ze zien niet alleen wat er misgaat, maar ook hoe vaak, wanneer en in welke context. Voor ons als Novictus betekent het dat we proactief kunnen signaleren en adviseren — de basis voor een structureel partnerschap in plaats van een reactieve supportrelatie.
Van incidentbeheer naar structurele verbetering: de waarde van geregistreerde tickets
Elk ticket dat automatisch wordt aangemaakt is meer dan een actiepunt voor een engineer. Het is ook een datapunt.
Doordat elke verstoring consistent wordt geregistreerd — met hetzelfde detailniveau, dezelfde classificatie en dezelfde context — bouw je over tijd een gestructureerd overzicht op van alles wat er mis is gegaan. Niet gefragmenteerd in e-mailthreads, Slack-berichten of de hoofden van individuele medewerkers, maar gecentraliseerd en doorzoekbaar in Azure DevOps, Jira of welk systeem je ook gebruikt.
Dat maakt iets mogelijk wat bij ad-hoc incidentbeheer structureel ontbreekt: patroonherkenning.
Zwaktes in kaart, proactief handelen
Wanneer je periodiek — wekelijks, maandelijks of per kwartaal — terugkijkt op de tickethistorie, komen patronen naar boven die per incident onzichtbaar zijn. Vragen die je dan kunt beantwoorden:
- Welke integratie of welk systeem genereert structureel de meeste fouten?
- Zijn er specifieke fouttypen die steeds terugkomen, ook na oplossing?
- Zijn er periodes of omstandigheden (maandafsluiting, piekvolumes, updates) waarbij de foutfrequentie stijgt?
- Welke externe partijen of API’s zorgen disproportioneel voor verstoringen?
Met een gestructureerde tickethistorie wordt die analyse een standaard onderdeel van de operatie. Je ziet niet alleen wat er vandaag kapot is, maar wat structureel kwetsbaar is.
Van inzicht naar actie
Het echte doel van die analyse is niet rapporteren, maar handelen. Als blijkt dat een specifieke koppeling elke maand faalt vanwege een time-out bij een externe API, is dat geen incident-management-probleem — dat is een architectuurvraagstuk. Misschien moet er een retry-mechanisme komen, een fallback, of een gesprek met de leverancier.
Als een bepaald type validatiefout terugkomt in meerdere integraties, is dat een signaal dat er iets mis is in de datakwaliteit aan de bron. Dan is de oplossing niet het blijven oplossen van tickets, maar het aanpakken van de oorzaak.
Wij gebruiken deze inzichten in gesprekken met klanten als basis voor gerichte verbeteradviezen. Niet als lijst van klachten, maar als onderbouwde analyse: dit zijn de zwakste schakels in jullie landschap, en dit is wat we eraan kunnen doen. Dat verschuift de samenwerking van reactief naar proactief — van “wij lossen op wat stuk gaat” naar “wij helpen voorkomen dat het stukgaat”.
Wat dit oplevert in de praktijk
Minder tijd kwijt aan uitzoeken, meer tijd voor oplossen. Ze beginnen elk incident met context en een hypothese — dat versnelt de tijd-tot-oplossing significant.
Betere zichtbaarheid op wat er speelt, consistente prioritering onafhankelijk van wie dienst heeft, en een complete audittrail van elk incident.
Snellere reactietijden, minder impact van verstoringen op primaire processen, en transparantie over wat er is opgepakt en hoe.
Minder ruis, minder escalaties, minder “wist jij al dat…”-berichten. Het systeem werkt stil op de achtergrond.
Hoe we dit inrichten
De implementatie verloopt in fasen — geen big-bang, maar een laag die je stap voor stap uitbouwt.
We beginnen altijd met de vraag: waar is de impact van een verstoring het grootst? Daar richt je de monitoring als eerste op in.
De monitoring-laag wordt verbonden met Azure DevOps, Jira of het ITSM-platform van keuze. De AI-agent wordt geconfigureerd op de specifieke context: systemen, fouttypen, teamstructuur.
Tijdens een korte testperiode valideren we de output van de AI-agent en stellen we bij waar nodig. Daarna draait het systeem zelfstandig.
Het systeem bouwt context op naarmate het meer incidenten verwerkt. De kwaliteit van interpretatie en oplosrichtingen verbetert organisch.
De triage-fase is voorbij. De oplossing begint direct.
De tijd tussen een verstoring en de oplossing bestaat voor een groot deel uit werk dat geen waarde toevoegt: signaleren, documenteren, uitzoeken, doorsturen. Door monitoring, automatische ticketaanmaak en een AI-agent te combineren, comprimeer je die fase naar seconden — en zorg je dat de engineer die het oppakt direct kan beginnen met waar hij goed in is.
Maar het systeem levert meer op dan snelheid. Elk ticket dat wordt aangemaakt is ook een datapunt. Over tijd ontstaat een gestructureerd beeld van wat structureel kwetsbaar is — in jouw eigen landschap of dat van je klanten. Die inzichten zijn de basis voor gerichte verbeteringen en verschuiven de samenwerking van reactief naar proactief.
Wij passen dit toe voor onze eigen operatie en bouwen het standaard in voor klanten die hun integratielandschap serieus nemen. Of je nu werkt met Azure DevOps, Jira of een ander platform: de aanpak is toepasbaar.
Veelgestelde vragen over AI-gedreven monitoring
AI-gedreven monitoring is een aanpak waarbij verstoringen in integraties automatisch worden gedetecteerd, gedocumenteerd en door een AI-agent worden geanalyseerd. De AI interpreteert de fout, stelt een prioriteit vast, wijst het ticket toe aan de juiste persoon en genereert een oplosrichting — zonder menselijke tussenkomst.
Klassieke automatisering voert een vaste reeks stappen uit: als A, dan B. Agentic AI krijgt een doel en bepaalt zelf welke stappen nodig zijn om dat doel te bereiken. Bij incidentbeheer betekent dat: de agent leest het ticket, raadpleegt historische data, redeneert over impact en urgentie, bepaalt wie het moet oppakken en schrijft een advies — ook bij situaties die hij nog niet eerder heeft gezien.
De aanpak is platformonafhankelijk. Novictus werkt zelf met Azure DevOps. Dezelfde opzet werkt ook met Jira (Atlassian), ServiceNow, TOPdesk en Freshservice. De AI-agent en monitoring-laag integreren met het systeem dat jouw organisatie al gebruikt.
Elk automatisch aangemaakt ticket is ook een datapunt. Door de tickethistorie periodiek te analyseren worden patronen zichtbaar: welke integraties falen structureel, welke fouttypen komen steeds terug, welke externe API’s veroorzaken disproportioneel veel problemen. Die inzichten zijn de basis voor gerichte verbeteradviezen en architectuurkeuzes.
Ja. Voor klanten waarvoor Novictus integraties of geautomatiseerde processen bouwt, wordt monitoring aangeboden als integraal onderdeel van de oplossing — niet als optionele extra. Zodra een oplossing live gaat is de monitoring al actief. Tickets worden automatisch aangemaakt in het systeem van de klant of in het eigen systeem van Novictus als zij het beheer voeren.
Benieuwd wat dit voor jouw organisatie betekent?
We denken graag mee — zonder verkooppraatje, gewoon een goed gesprek over jouw integratielandschap.
Neem contact op
