“Moeten wij iets met AI?” Waarom dat de verkeerde vraag is

“Moeten wij iets met AI?”

Als ik een euro kreeg voor elke keer dat iemand mij die vraag heeft gesteld in het afgelopen kwartaal, dan kan ik een week langer op vakantie dit jaar.

En meestal zit er geen echte vraag achter. Iemand heeft gehoord dat een concurrent ermee bezig is. Het komt vanuit de directie. Het staat overal om je heen. Dus dan moet er “iets” met AI. Alleen wat dat “iets” is, weet niemand.

En dat is precies waar het misgaat.

In deze blog leg ik uit waarom “iets met AI doen” geen plan is, waar de echte AI-fout zit die nu door bijna iedere mkb’er gemaakt wordt, en met welke vraag je in plaats daarvan zou moeten beginnen.

Waarom is “iets met AI doen” geen strategie?

AI is geen doel. Het is een middel.

En als je niet weet welk probleem je oplost, maakt het ook niet uit hoe slim de technologie is. Dan voeg je alleen maar “iets” toe aan wat al niet duidelijk was.

Je ziet het nu massaal gebeuren. Bedrijven die een AI-chatbot lanceren zonder te weten welke klantvragen die eigenlijk moet beantwoorden. Teams die een “AI-pilot” starten omdat de directie het wil, maar niemand kan vertellen wat het probleem is dat opgelost moet worden. Tools die worden aangeschaft omdat ze “iets met AI doen”, waarna niemand weet hoe ze in de bestaande processen passen.

De druk is begrijpelijk. Snelheid. Meedoen. Vooral: bang zijn om achter te blijven.

Maar bang-zijn-om-achter-te-blijven is geen strategie. Dat is een gevoel. En een gevoel is een slechte basis om vijfcijferige bedragen aan softwareontwikkeling uit te geven.

Hoe groot is dit probleem eigenlijk?

Veel groter dan de meeste mensen denken.

Volgens Gartner wordt minstens de helft van de generatieve AI-projecten verlaten na de proof-of-concept-fase. Niet door techniek, maar door slechte datakwaliteit, onduidelijke business value, escalerende kosten en onvoldoende risicocontrole. Stuk voor stuk geen technologieproblemen, maar denkproblemen.

In Nederland is het AI-gebruik in het mkb in één jaar tijd vervijfvoudigd, van 6% in 2024 naar 33% in 2025. Klinkt indrukwekkend. Maar uit datzelfde onderzoek van Exact blijkt dat slechts 6% van de mkb’ers AI echt heeft geïntegreerd in de dagelijkse bedrijfsvoering. De rest experimenteert met losse tools, zonder dat het in een proces landt.

En dan is er nog de AI Act, de Europese wetgeving die vanaf 2 augustus 2026 algemene verplichtingen oplegt aan bedrijven die AI inzetten. Onderzoek van de KVK laat zien dat slechts 7% van de Nederlandse ondernemers daar goed van op de hoogte is. Boetes kunnen oplopen tot €35 miljoen of 7% van de wereldwijde jaaromzet.

Dat is geen AI-probleem. Dat is een denkprobleem.

Welke vraag moet je dan stellen?

Het betere vertrekpunt is verrassend simpel.

Waar loop je vandaag op vast?
Niet welke AI-tool je collega heeft gezien op LinkedIn. Niet wat de concurrent aan het bouwen is. Niet welke buzzwords er deze maand voorbijkomen.

Maar: welke processen in jouw bedrijf kosten te veel tijd? Waar maakt je team te veel fouten? Welke vragen krijgt je klantenservice elke dag opnieuw? Waar wacht je op informatie die er eigenlijk al zou moeten zijn?

Pas als je dat antwoord scherp hebt, kun je de volgende vraag stellen:

Wordt dat probleem écht opgelost met AI?
Soms is het antwoord ja. Een terugkerend patroon in klantvragen kun je laten afhandelen door een goede AI-assistent die getraind is op jouw documentatie. Repeterende administratie kun je automatiseren met AI die intelligent met uitzonderingen omgaat. Datasets waar mensen uren in zitten te zoeken kun je laten doorzoeken met een AI-laag.

Maar soms is het antwoord nee. Soms is je probleem geen AI-probleem. Soms is het een procesprobleem dat met slimme automatisering opgelost wordt, zonder dat er één AI-model aan te pas komt. Soms zit het probleem in je data, en daar verandert AI niks aan (slechte data in, slechte output uit). Soms zit het in de manier waarop je team werkt, en dan los je het op met betere afspraken en niet met technologie.

Het verschil tussen die twee antwoorden kun je niet zien als je begint bij de technologie. Je kunt het alleen zien als je begint bij het probleem.

Wat gebeurt er als je het wel andersom doet?

Drie patronen die ik vaak zie als bedrijven zonder duidelijk probleem aan AI beginnen.

1. Patroon één: de pilot die nergens landt
   Er wordt een AI-pilot opgestart. Tool geselecteerd, contract getekend, een paar mensen krijgen training. Drie maanden later weet niemand meer wie wat doet met het ding. De licentie loopt door. Niemand durft te zeggen dat het niet werkt, want “we doen toch iets met AI”.
2. Patroon twee: de Frankenstein-aanpak
   Vijf afdelingen experimenteren onafhankelijk met vijf verschillende AI-tools. Marketing draait Jasper. Klantenservice probeert een chatbot. Finance test een factuurscanner. Sales gebruikt een AI-notetaker. Niemand praat met elkaar. Data zit op vijf plekken. Niemand weet of het iets oplevert, want niemand meet hetzelfde.
3. Patroon drie: het “we gaan zelf bouwen” syndroom
   De directie besluit dat er een eigen AI-toepassing moet komen. Er wordt een ontwikkelaar gezocht, een specificatie opgesteld, een prototype gebouwd. Pas als het prototype er ligt, beseft iedereen dat het probleem dat het zou oplossen, eigenlijk niet zo groot was. Of dat het probleem heel anders zat dan gedacht.

In alle drie de gevallen is er geld uitgegeven, tijd verloren, en is het probleem er nog steeds.

Welk “iets” met AI is dan wel interessant?

Hier wordt het interessant. Als je wél eerst het probleem hebt benoemd, blijken een paar AI-toepassingen voor mkb-bedrijven écht waarde toe te voegen.

Een eigen AI-assistent die jouw bedrijfskennis kent.

Niet een generieke chatbot. Maar een assistent die getraind is op jouw documentatie, procedures, productinformatie en klantgeschiedenis. Voor je team, om sneller antwoorden te vinden. Of voor je klanten, om 24/7 vragen te beantwoorden die anders in de inbox zouden blijven hangen.

AI-laag op je bestaande processen.

Geen apart systeem, maar slimme uitbreiding van wat je al hebt. Denk aan automatische categorisatie van inkomende aanvragen, intelligente prioritering van leads, voorspellende waarschuwingen op basis van patronen in je data. Dit werkt het best als het ingebouwd zit in een maatwerk webapplicatie die al precies past bij jouw werkwijze.

Generatieve AI in je content- en offerteproces.

Niet om mensen te vervangen, wel om hen de saaie 70% van het werk uit handen te nemen. Eerste versies van offertes, productbeschrijvingen, contractteksten, gestandaardiseerde rapportages. Mits goed ingericht, levert dit echte tijdwinst op.

Workflow-automatisering met AI-beoordeling.

Klassieke automatisering werkt met regels: als A, dan B. AI-automatisering kan ook beoordelen: dit lijkt op A, maar er zit een nuance in die afwijkt, dus we doen B met een uitzondering. Voor processen met veel uitzonderingen kan dat het verschil maken tussen “automatisering die niet werkt” en “automatisering die wél werkt”.

Wat al deze toepassingen gemeen hebben: ze beginnen niet bij AI. Ze beginnen bij een proces dat helder genoeg is om te verbeteren.

Wat moet eerst op orde zijn voordat AI iets oplevert?

Drie dingen, en geen daarvan is sexy.

Je data moet vindbaar en betrouwbaar zijn.

AI is zo slim als de data die je erin stopt. Als je informatie versnipperd over zeven systemen staat, kan AI daar niet meer mee dan een mens. Het maakt dezelfde fouten, maar dan sneller. Voor veel mkb-bedrijven is digitale modernisering van het bestaande landschap de echte eerste stap voordat AI zin heeft.

Je proces moet expliciet zijn.

Als niemand precies weet hoe een offerte tot stand komt, of welke stappen klantenservice doorloopt bij een klacht, dan kun je het ook niet automatiseren of versterken met AI. AI is geen “uitvinder” van processen. Het is een versneller van bestaande processen.

Je team moet aan boord zijn.

AI die niet gebruikt wordt, levert niks op. Reken op 20-30% van je AI-budget voor training en adoptie. Niet alleen technische training, maar vooral inhoudelijk: waarom zetten we dit in, wat verwachten we eruit, en wat blijft mensenwerk?

Dit klinkt misschien tegenintuïtief. Want je wilde toch een blog over AI lezen. Maar dit is precies waarom 40% van de AI-projecten in het mkb mislukt: omdat deze drie dingen worden overgeslagen.

Hoe pakken we dit bij Prikr aan?

We beginnen met dezelfde vraag waarmee we elk traject beginnen, of er nu AI in voorkomt of niet.

Wat probeer je écht op te lossen?

Soms is het antwoord “we willen sneller offertes maken”. Dan kijken we naar je offerteproces. Als daar AI bij past, gebruiken we het. Als slimme automatisering volstaat, doen we dat.

Soms is het antwoord “we willen onze klanten beter bedienen”. Dan kijken we waar in de klantreis de pijn zit. Soms is dat een AI-assistent. Soms is het een betere FAQ. Soms is het iets compleet anders.

We adviseren altijd het simpelste dat werkt. Als dat AI is, prima. Als het geen AI is, ook prima. Onze waarde zit niet in het verkopen van AI. Onze waarde zit in het bepalen van de juiste digitale richting voordat er gebouwd wordt.

Pas als duidelijk is wat het probleem is, gaan we bouwen. Soms is dat een maatwerk webapplicatie met AI-laag, soms is dat een uitbreiding op je bestaande systeem, soms is dat een combinatie van meerdere oplossingen. Maar altijd met een duidelijk doel, een meetbare uitkomst, en een team dat snapt waarom we het doen.

Tot slot

“Moeten wij iets met AI?” is de verkeerde vraag.

De goede vraag is: “Waar loopt ons bedrijf vandaag op vast, en kan AI daar iets aan veranderen?”

Als je die vraag scherp kunt beantwoorden, is AI ineens geen vaag iets meer. Dan wordt het een gerichte investering met een duidelijk doel. En dan is de kans dat het werkt, ineens veel groter dan die 60% waar het mkb-gemiddelde nu op zit.

Twijfel je of jouw “iets met AI” een goed idee is? Plan een gratis adviesgesprek. We kijken samen of er een echt probleem onder zit, of dat het vooral de waan van de dag is. Geen verkoop, gewoon een uur eerlijk meedenken.

Bronnen

De cijfers en onderzoeken in dit artikel komen uit de volgende publicaties:

• Gartner over het mislukken van GenAI-projecten. Gartner stelt dat minstens 50% van de generatieve AI-projecten wordt verlaten na de proof-of-concept-fase door slechte datakwaliteit, onduidelijke business value, escalerende kosten en onvoldoende risicocontrole. gartner.com/en/articles/genai-project-failure
• Gartner over agentic AI-projecten. Persbericht Gartner (juni 2025): meer dan 40% van de agentic AI-projecten wordt geannuleerd vóór eind 2027. gartner.com/en/newsroom
• AI-gebruik en integratie in het Nederlandse mkb. Exact MKB Barometer 2025, uitgevoerd door Markteffect onder 897 ondernemers en managers. AI-gebruik in het mkb groeide van 6% (2024) naar 33% (2025); slechts 6% heeft AI integraal in de bedrijfsvoering geïntegreerd. exact.com/nl/mkb-barometer
• AI-gebruik bij Nederlandse bedrijven (breder). Centraal Bureau voor de Statistiek (CBS), AI-monitor 2024 en cijfers ICT-gebruik bedrijven 2025. Ongeveer 1 op de 6 Nederlandse bedrijven met 10 of meer werknemers gebruikt AI in 2025. cbs.nl/nl-nl/nieuws/2025/50
• EU AI Act en de Nederlandse mkb-praktijk. Kamer van Koophandel, KVK Omnibus-editie juni 2025. Onderzoek onder 651 ondernemers (zzp’ers en mkb’ers): slechts 7% is goed op de hoogte van de EU AI Act. kvk.nl/pers

Tijdspad EU AI Act. Europese Commissie, AI-verordening (Verordening EU 2024/1689). De algemene verplichtingen voor gebruikers van AI-systemen gelden vanaf 2 augustus 2026. Boetes kunnen oplopen tot €35 miljoen of 7% van de wereldwijde jaaromzet. digital-strategy.ec.europa.eu/nl/policies/regulatory-framework-ai