Veel teams willen ChatGPT inzetten voor werk dat ze in Salesforce toch al doen: een samenvatting van een case, een conceptmail na een gesprek, een eerste classificatie van een binnenkomende aanvraag. Het lastige is zelden het taalmodel zelf. Het lastige is de koppeling. Wie een taalmodel wil aanroepen vanuit een Flow, denkt al snel aan Apex, named credentials en een ontwikkelaar die er een week mee bezig is. Dat kan ook anders.

Waarom een Flow de logische plek is

Een Flow bepaalt in Salesforce al wanneer iets gebeurt en met welke gegevens. Een record wordt aangemaakt, een gebruiker doorloopt een scherm, een geplande taak draait ’s nachts. Als de AI-stap in dezelfde Flow zit, hoeft u geen apart systeem te onderhouden dat weet wanneer het moet starten. De uitkomst komt bovendien terug als gewone variabele, die u kunt tonen, opslaan of doorgeven.

Dat geldt voor alle drie de Flow-typen: Screen Flows voor handmatig werk, Record-Triggered Flows voor automatisering bij wijzigingen en Auto-Launched Flows voor processen op de achtergrond.

De opbouw in vier stappen

  1. Bepaal wat de Flow moet opleveren. Een concrete uitkomst, zoals “een opvolgmail van maximaal 120 woorden”, werkt beter dan “iets met AI”.
  2. Haal de benodigde gegevens op. Een Get Records-element of een record-variabele levert de velden die het model nodig heeft, bijvoorbeeld accountnaam, branche en de laatste notitie.
  3. Bouw een prompt template. Vaste instructietekst, aangevuld met merge fields uit uw Flow. De instructie blijft gelijk, de gegevens verschillen per record.
  4. Gebruik de uitkomst. De respons staat als variabele in uw Flow. Toon hem op een scherm, schrijf hem weg naar een veld of verstuur hem in een e-mail.

Waar het mis kan gaan

Een Flow die een taalmodel aanroept, gedraagt zich anders dan een Flow met alleen formules. Houd rekening met een paar punten:

  • Geef het model alleen de gegevens die het nodig heeft. Meer context maakt een antwoord niet altijd beter, en u stuurt dan ook meer data naar een externe partij.
  • Laat een mens meekijken bij uitgaande tekst. In een Screen Flow kunt u de uitkomst eerst tonen, zodat een collega hem kan aanpassen voordat hij de deur uit gaat.
  • Behandel invoer van buiten als onbetrouwbaar. Tekst uit een webformulier of e-mail kan instructies bevatten die uw prompt proberen te overrulen. Gebruik zulke tekst als gegevens, niet als opdracht, en laat de Flow niet zelfstandig acties uitvoeren op basis van de output.
  • Kies bewust welk model u gebruikt. Het gekozen model bepaalt welk privacy- en dataretentiebeleid van toepassing is. Leg dat vast voordat klantgegevens erdoorheen gaan.

Hoe wij dit oplossen met de AI Prompt Builder

Onze AI Prompt Builder is een Managed Package dat een taalmodel beschikbaar maakt als invocable action in uw Flow. Beheerders bouwen prompt templates met merge fields, zonder Apex. U kiest tussen OpenAI, Anthropic, Google Gemini en Azure Co-Pilot, en een eigen LLM kunt u ook koppelen.

Over de kosten zijn we concreet: een vaste maandelijkse fee van €150 inclusief 1.500 callouts, daarna vanaf €0,10 per aanroep. Koppelt u uw eigen taalmodel, dan betaalt u geen kosten per callout. Resolve IT verzorgt de installatie, de configuratie en een training voor uw team.

Wilt u weten welke van uw processen zich lenen voor een AI-stap in een Flow? Neem contact met ons op, dan kijken we samen naar een eerste toepassing die snel waarde oplevert.