Refront: Hoe We AI-Workflow Automatisering Bouwden

Introductie

Toen we AVARC Solutions startten, bouwden we steeds dezelfde automatiseringslagen voor verschillende klanten: data binnenhalen, classificeren met AI, routeren naar de juiste persoon en vervolgacties triggeren. Na de derde keer dat we dezelfde pipeline from scratch herbouwden, wisten we dat het tijd was om het te productiseren.

Dat product werd Refront — een AI-native workflow-automatiseringsplatform waarmee teams intelligente automatiseringen kunnen ontwerpen, deployen en monitoren zonder een dozijn SaaS-tools aan elkaar te knopen. In dit artikel delen we de technische reis van idee tot productie.

Het Probleem Dat Refront Oplost

Moderne bedrijven draaien op workflows. Een supportticket komt binnen, moet worden gecategoriseerd, toegewezen aan de juiste agent en beantwoord binnen een SLA. Een nieuwe lead vult een formulier in en heeft scoring, verrijking en een gepersonaliseerde follow-up nodig.

De meeste bedrijven lossen dit op met een mix van Zapier, Make, custom scripts en handmatig werk. Het resultaat is fragiel, moeilijk te debuggen en onmogelijk te schalen. Refront vervangt die lappendeken met één platform waar AI de besluitvorming en orkestratie verzorgt.

De belangrijkste onderscheidende factor is dat Refront AI als eersteklas onderdeel van de workflow behandelt. In plaats van een LLM-call op een traditionele automatisering te plakken, wordt de volledige routing- en classificatielogica aangedreven door taalmodellen die in de loop van de tijd verbeteren.

Architectuur en Technologie Stack

Refront is gebouwd op een moderne event-driven architectuur. In de kern zit een workflow engine die events verwerkt via een directed acyclic graph (DAG) van stappen. Elke stap kan een transformatie zijn, een AI-inferentie-aanroep, een conditionele vertakking of een externe API-call.

De backend draait op Node.js met Supabase voor datapersistentie en real-time subscriptions. We kozen Supabase omdat het ons Postgres, authenticatie, opslag en real-time gaf zonder dat we het zelf hoefden te beheren.

Voor de AI-laag bouwden we een abstractie die meerdere providers ondersteunt — OpenAI, Anthropic en Google — zodat klanten nooit vastzitten aan één model. De abstractie handelt retries, fallbacks en kostentracking transparant af.

De frontend is een Next.js-applicatie met een visuele workflow builder. Gebruikers slepen stappen, configureren AI-prompts en verbinden externe services. Elke wijziging is geversioned zodat teams zonder angst kunnen terugdraaien.

De AI-Classificatie Engine Bouwen

Het hart van Refront is de classificatie-engine. Wanneer een event een workflow binnenkomt — bijvoorbeeld een inkomende e-mail — gebruikt de engine een fine-tuned model om intentie te bepalen, entiteiten te extraheren en de volgende stap te beslissen.

We begonnen met prompt engineering met GPT-4 en leerden al snel dat generieke prompts inconsistente resultaten opleveren op schaal. Dus bouwden we een feedbackloop: elke keer dat een mens een classificatie corrigeert, voedt die correctie een trainingsset voor de volgende modeliteratie.

Na drie maanden productiedata zagen we de classificatienauwkeurigheid springen van 78 procent naar 94 procent. De overige zes procent zijn edge cases die naar een menselijke reviewer worden gerouteerd, wat weer meer trainingsdata genereert. Het is een positieve spiraal.

Lessen uit Productie

Een AI-gedreven platform in productie draaien leert je dingen die geen hoeveelheid prototyping kan. De grootste les ging over latency. Gebruikers verwachten dat automatiseringen instant aanvoelen, maar een LLM-call kan twee tot vijf seconden duren. We losten dit op door classificatie asynchroon uit te voeren en een "verwerken"-status in de UI te tonen.

De tweede les ging over kosten. LLM-inferentie is niet gratis, en een klant die 50.000 events per maand verwerkt kan aanzienlijke API-kosten opbouwen. We bouwden een caching-laag die identieke inputs dedupliceert en een model-routing-systeem dat eenvoudige taken naar goedkopere modellen stuurt.

De derde les ging over observability. Wanneer een automatisering faalt bij stap zeven van een twaalfstappenworkflow, moet de gebruiker precies weten wat er is gebeurd. We investeerden fors in gestructureerde logging en een visuele debugger die de staat van elke variabele bij elke stap toont.

Conclusie

Refront bouwen leerde ons dat de toekomst van automatisering niet gaat over het verbinden van APIs — het gaat over AI de context geven die het nodig heeft om goede beslissingen te nemen. Het platform draait nu in productie bij meerdere klanten en verwerkt tienduizenden events per week.

Als je verdrinkt in handmatige workflows of je huidige automatiseringstools ontgroeid bent, neem contact met ons op. We laten je graag zien wat Refront voor jouw team kan doen.