De meeste AI-adviezen voor het MKB zijn een PowerPoint en een tip welke tool je moet kopen. Mooie slides, een paar voorbeelden van grote bedrijven, en een advies dat neerkomt op "begin met ChatGPT" of "zet er een AI-agent op". Een halfjaar later is er niets veranderd, behalve een factuur.
Goed AI-advies voor het MKB begint ergens anders. Niet bij de tool, maar bij je proces. In dit stuk lees je wat AI-advies wél is, aan de hand van acht principes die ik in de praktijk hanteer. En waarom de meeste projecten stranden op precies die punten.
Waarom zoveel AI-projecten stranden
De cijfers zijn ongemakkelijk. Een veelbesproken MIT-onderzoek uit 2025 vond dat 95% van de zakelijke AI-projecten geen meetbaar resultaat oplevert. Let op het woord meetbaar: het gaat niet om "totale mislukking", maar om geen aantoonbaar effect op de cijfers. De onderzoekers wijzen niet naar de techniek. Hun conclusie is dat het verschil zit in de aanpak.
S&P Global zag dezelfde beweging. Het aandeel bedrijven dat de meeste AI-initiatieven weer schrapt, steeg in een jaar van 17% naar 42%. De grootste obstakels die ze noemen: kosten, dataprivacy en security. Geen modelkwaliteit.
En het bekendste onderzoek naar faaloorzaken, van RAND, vond dat ruim 80% van de AI-projecten strandt. Twee keer zo vaak als gewone IT-projecten. De hoofdoorzaak is niet de technologie, maar de organisatie: het probleem is verkeerd begrepen, het model is geoptimaliseerd op de verkeerde maatstaf, of het past niet in het echte werk.
Met andere woorden: het risico zit zelden in de tool. Het zit in de aanpak eromheen. Daar hoort goed advies dus over te gaan.
📖 Lees ook: Waarom het MKB worstelt met AI-implementatie: de struikelblokken die de meeste bedrijven raken, en hoe je ze voorkomt.
Wat AI-advies niet is
Voordat ik vertel wat het wel is, eerst wat het niet is. Want daar zit de meeste verwarring.
AI-advies is geen slide-deck met trends. Het is geen lijst van tools die je zou moeten aanschaffen. Het is niet "implementeer ChatGPT en zie wat er gebeurt". En het is zeker niet de aanname dat elk probleem een autonome AI-agent nodig heeft.
Dat zijn allemaal antwoorden die beginnen bij de tool. Goed advies begint bij de vraag: welk proces in jouw bedrijf kost nu te veel tijd of gaat te vaak fout? De tool komt daarna, als gevolg, niet als startpunt.
AI-advies voor het MKB: acht principes
Dit zijn de principes waarop ik een AI-traject bouw. Ze gelden voor een bedrijf van vijf man net zo goed als voor één van vijftig.
1. Begin bij het proces, niet bij de tool
De tool is een gevolg, geen startpunt. Voordat ik iets bouw, leg ik het proces vast: welke stappen, welke beslissingen, waar gaat het mis, wat kost tijd. Pas als dat helder is, weet je of AI er überhaupt iets aan toevoegt en op welke plek.
Dit is precies waar de 95% op struikelt. Wie begint met de tool, bouwt iets dat technisch werkt maar niet in het werk past. Wie begint met het proces, bouwt iets dat gebruikt wordt. Een procesbeschrijving van een dag voorkomt een project van een halfjaar dat niemand aanraakt.
2. Niet elk bedrijf heeft een AI-agent nodig
"AI-agent" klinkt indrukwekkend, maar het is vaak het verkeerde gereedschap. Een agent neemt zelf beslissingen en bepaalt zelf zijn stappen. Dat is krachtig waar je echt flexibiliteit nodig hebt, maar het is ook onvoorspelbaarder en duurder.
Voor de meeste MKB-taken is een vaste, deterministische workflow met een beetje AI erin betrouwbaarder. Denk aan: lees deze factuur, haal er deze velden uit, leg ze klaar ter controle. Vaste stappen, AI alleen op het stuk waar het iets toevoegt.
Een agent die zelf zijn stappen kiest, kan ook zelf een verkeerde stap kiezen. Bij een factuurstroom of een offerte is dat een dure fout. Een saaie workflow die altijd precies hetzelfde doet, is daar betrouwbaarder dan een slimme agent die af en toe iets verzint. Zelfs de makers van de bekendste AI-modellen adviseren om de simpelste oplossing te kiezen, en dat betekent volgens hen soms helemaal geen agent bouwen. Het verschil tussen een AI-systeem en een losse AI-tool zit hem in die keuze.
3. Leg je niet vast op één model
Eén AI-provider is één punt van falen. Modellen worden duurder, veranderen van gedrag, of vallen weg. In juni 2026 zette een overheidsbesluit van de ene op de andere dag een commercieel topmodel wereldwijd uit. Wie daar volledig op leunde, stond stil.
Goed advies bouwt fallback in. Je systeem moet kunnen wisselen van model zonder dat alles omvalt, en gevoelig werk kun je lokaal draaien. Dat is geen technische luxe, het is bedrijfscontinuïteit. Ik schreef eerder waarom ik bewust vendor-onafhankelijk werk.
4. De mensenkant beslist, niet de tool
Dit is het principe dat het vaakst wordt overgeslagen, en het belangrijkste. Een tool valt of staat bij de mensen die ermee gaan werken. Onderzoek van Prosci laat zien dat ongeveer 63% van de knelpunten bij AI-implementaties bij de mens ligt, niet bij de techniek. BCG komt met een vergelijkbare verhouding voor AI: de waarde zit voor ongeveer 70% in mensen en processen, en maar 10% in het algoritme. De meeste bedrijven investeren precies andersom.
Wat werkt is niet een mail van de directie dat "we nu AI doen". Wat werkt zijn champions: een paar collega's naar wie mensen toch al toelopen met vragen. Niet de hardste roepers, maar de natuurlijke verbinders. Geef ze een half uur per week om in het teamoverleg te laten zien wat ze hebben opgelost, en de adoptie volgt vanzelf. Bedrijven met zo'n actief netwerk van interne ambassadeurs halen er twee tot drie keer zoveel gebruik uit als bedrijven die het hun mensen zelf laten uitzoeken.
Voor het MKB schaalt dit gewoon mee. Je hebt geen programma voor honderden mensen nodig: in een team van twintig is één champion genoeg. En reken op herhaling en training, niet op een eenmalige uitrol. AI is geen boekhoudpakket dat je één keer installeert en dan staat.
5. Meet vooraf en achteraf
Goed advies belooft niets op gevoel. Voordat je iets verandert, leg je een nulmeting vast: hoeveel tijd kost dit proces nu, hoe vaak gaat het fout. Na de bouw meet je opnieuw. Het verschil is je bewijs, of je signaal dat het anders moet.
Dit is mijn achtergrond uit de financiële wereld: zonder meting heb je geen stuurinformatie, alleen een onderbuikgevoel. En een onderbuikgevoel is geen ROI. Praktisch werkt een ritme van zes tot acht weken: meten, gericht bijsturen waar het gebruik laag is, opnieuw meten. Zo blijft het systeem verbeteren in plaats van na de oplevering stil te vallen. Hoe je dat concreet doet, lees je in mijn stuk over de ROI van AI berekenen.
6. Begin klein, met één proces
Geen grootse transformatie waarin alles tegelijk moet. Pak het ene proces dat het meeste pijn doet, bouw daar iets dat werkt, en laat het zich bewijzen. Daarna pas het volgende.
Een kleine, geslaagde eerste stap doet meer voor het draagvlak dan elk strategiedocument. Het laat zien dat het werkt, het levert de eerste meting op, en het leert je wat er in jouw bedrijf wel en niet past. Zo ziet het automatiseren van je eerste proces eruit.
7. Houd je data binnen waar het moet
Voor veel MKB-ondernemers is privacy de echte rem, niet de prijs. Terecht. Een deel van je data hoort het pand niet te verlaten, zeker niet in sectoren als zorg, finance of recht.
Goed advies neemt dit als ontwerpeis mee, niet als bijzaak achteraf. Soms betekent dat een AI-model dat lokaal draait, zodat klantgegevens binnen blijven. Soms betekent het heldere afspraken over wat wel en niet naar buiten gaat. Met de EU AI Act die eraan komt, wordt dit bovendien een formele eis. De exacte datum is nog in beweging, maar de richting is duidelijk. Ik zette de hoofdpunten op een rij in mijn AI Act-checklist.
8. Governance en mens in de loop vanaf dag één
AI-systemen nemen beslissingen die je achteraf moet kunnen navertellen. Wie keurde wat goed, op basis waarvan, en wie greep in. Dat moet je vanaf het begin vastleggen, niet als je toezichthouder erom vraagt.
Concreet betekent dat een spoor van wat het systeem deed, en een menselijke laatste controle op de plekken die ertoe doen. Niet om AI af te remmen, maar om het vertrouwd genoeg te maken dat je het echt durft te gebruiken. Het saaie werk laat je los, de laatste beslissing houd je in handen.
Hoe een AI-traject er dan uitziet
Met die principes ziet een traject er heel anders uit dan een tool-aanbeveling. Bij mij loopt het zo:
- Kennismaking. Geen verkooppraatje, maar de vraag waar de tijd en de fouten zitten.
- Scan. Een gerichte blik op je processen om te zien waar AI echt iets oplevert, en waar niet.
- Procesbeschrijving en blueprint. We leggen het proces vast en ik ontwerp wat erbovenop komt, inclusief de meting en de menselijke controle.
- Bouw. Een werkend systeem, klein beginnend, op jouw proces gebouwd.
- Meten. De nameting tegen de nulmeting. Werkt het, dan breiden we uit. Werkt het niet, dan weten we waarom.
Het is waarde-gebaseerd, niet uurtje-factuurtje. Je betaalt voor een werkend resultaat, niet voor de uren die ik aan een rapport besteed.
Waarom ik zo werk
Ik ben geen consultant die slides levert. Ik ontwerp en bouw productiesystemen, en ik laat zien hoe het werkt. Inmiddels heb ik meer dan 50 AI-systemen in productie staan, en mijn werkwijze en governance-aanpak staan open source op GitHub. Je kunt het inzien, niet alleen geloven.
Dat is het verschil tussen een AI-partner voor het Nederlandse MKB en een AI-consultant met een mooie presentatie. De een laat een rapport achter. De ander laat iets achter dat werkt en dat je kunt meten.
Veelgestelde vragen
Klaar om te kijken waar AI jou echt iets oplevert?
Begin niet met een tool, maar met je proces. De gratis AI-Readiness-Scan brengt in dertig minuten in kaart waar AI in jouw bedrijf het meeste oplevert, en net zo belangrijk: waar het dat niet doet.
Plan een gratis kennismakingsgesprek, dan kijken we samen naar het ene proces dat je als eerste zou willen aanpakken.