“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?
Kunstmatige intelligentie (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 AI-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 meer dan 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 met regels voor bedrijven die AI inzetten. Onderzoek van de KVK laat zien dat slechts 7% van de Nederlandse ondernemers daar goed van op de hoogte is. Welke verplichtingen voor jou gelden, vanaf wanneer ze ingaan en wat een overtreding kost, hangt af van wat je met AI doet. Dat zoek je dus uit voordat je iets in gebruik neemt, niet erna.
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 opgelost als je AI toepast? 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 met de technologie begint?
Drie patronen die ik vaak zie als bedrijven zonder duidelijk probleem aan AI beginnen.
- 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.
- De Frankenstein-aanpak. Vijf afdelingen experimenteren onafhankelijk met vijf verschillende AI-tools. Marketing draait de ene tool, klantenservice probeert een chatbot, finance test een factuurscanner, sales gebruikt een notulist. Niemand praat met elkaar. Data zit op vijf plekken. Niemand weet of het iets oplevert, want niemand meet hetzelfde.
- Het we-gaan-zelf-bouwen-syndroom. De directie besluit dat er een eigen AI-toepassing moet komen, zonder de vraag te stellen wanneer zelf bouwen wel verstandig is. 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.
Welke AI in het mkb is dan wel interessant?
Hier wordt het interessant. Als je wél eerst het probleem hebt benoemd, blijken een paar AI-toepassingen voor mkb-bedrijven 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 ook buiten kantooruren vragen te beantwoorden die anders in de inbox zouden blijven hangen.
Een 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 het saaie deel van het werk uit handen te nemen. Eerste versies van offertes, productbeschrijvingen, contractteksten, gestandaardiseerde rapportages. Mits goed ingericht, levert dit echte tijdwinst op.
Workflowautomatisering 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 van AI in het mkb 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 spannend.
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 processen die je eerst in kaart hebt gebracht.
Je team moet aan boord zijn
AI die niet gebruikt wordt, levert niks op. Reken op een serieus deel van je AI-budget voor training en adoptie, want digitale verandering is geen project. 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 AI-projecten in het mkb stuklopen: omdat deze drie dingen worden overgeslagen.




