In deel 1 legde ik uit wat OpenClaw is en waarom het niet geschikt is voor bedrijven. In deel 2 vergeleek ik je opties: kopen, laten bouwen, of zelf doen. Nuttige achtergrond. Maar de meeste ondernemers die ik spreek stellen een andere vraag:
"Al die AI-agents — moet ik daar iets mee? En zo ja, wát?"
Die vraag verdient een eerlijk antwoord. Geen hype, geen verkooppraatje. Gewoon: dit werkt, dit niet, en dit is hoe je het aanpakt.
De cijfers die niemand je vertelt
88% van bedrijven zegt AI te gebruiken. Slechts 6% ziet daadwerkelijk resultaten.
Dat gat — tussen "we doen iets met AI" en "het levert ons echt iets op" — is het grootste probleem in de AI-wereld van 2026. En het MKB voelt het het hardst.
AI-adoptie bij kleine bedrijven daalde van 42% naar 28% tussen 2024 en 2025. Niet omdat de technologie slechter werd, maar omdat de beloftes niet waargemaakt werden. Onderzoeksbureau Gartner voorspelt dat 40% van AI-agent-projecten faalt tegen 2027.
Ik zie dat in mijn eigen praktijk. De ondernemers die naar me toekomen hebben twee dingen gemeen:
- Ze hebben AI geprobeerd en het leverde niets concreets op
- Ze weten dat er potentieel is, maar niet waar ze moeten beginnen
De oplossing is niet méér AI. Het is de juisteAI, op dejuiste plek.
De vier fouten die ik steeds weer zie
Ik heb tientallen MKB-bedrijven gesproken over hun AI-pogingen. De patronen zijn pijnlijk herkenbaar.
Fout 1: beginnen bij de tool in plaats van het probleem. "We moeten iets met AI" is geen strategie. Als je niet kunt benoemen welk bedrijfsproces je wilt verbeteren en hoeveel uur dat per week kost, ga je geld verspillen.
Fout 2: een vliegtuig kopen om boodschappen te doen. Een bedrijf met 8 medewerkers dat een complex AI-systeem opzet voor het beantwoorden van klantenservice-emails — dat is een kanon op een mug. Soms is een simpele automatisering genoeg.
Fout 3: de lopende kosten onderschatten. AI is geen eenmalige investering. Het bouwen is maar 30% van wat je uitgeeft. De andere 70% is onderhoud: aanpassingen, updates, fouten oplossen. Dat vergeten de meeste bedrijven.
Fout 4: geen meetbare doelen stellen. "We willen AI inzetten" is geen doel. "We willen de verwerkingstijd van offertes halveren van 4 uur naar 2 uur" — dát is een doel. Zonder meetlat weet je nooit of het werkt.
Vier AI-toepassingen die wél werken voor het MKB
Na acht maanden dagelijks werken met AI-systemen en gesprekken met tientallen ondernemers, zie ik vier categorieën waar AI meetbare waarde levert.
1. Documenten sneller maken
Het probleem: je team besteedt uren per week aan offertes, contracten, rapportages en e-mails die grotendeels op elkaar lijken.
De oplossing: AI die je standaarddocumenten vult op basis van klantgegevens en eerdere documenten. Jij controleert en verstuurt.
Concreet voorbeeld: een installatiebedrijf met 15 man besteedde 3,5 uur per offerte. Met AI die projectgegevens leest en teksten personaliseert, is dat nu 45 minuten. De AI genereert, een medewerker controleert en verstuurt.
Wat het oplevert: 10-20 uur per week besparing als je meer dan 10 documenten per week maakt. Bij een uurtarief van €50 is dat €500-1.000 per week.
2. Bedrijfskennis doorzoekbaar maken
Het probleem: kennis zit in hoofden, in e-mailthreads, in mappen die niemand begrijpt. Nieuwe medewerkers hebben weken nodig om op snelheid te komen.
De oplossing: een interne AI-assistent die je bedrijfsdocumenten kent en vragen beantwoordt. "Wat is ons retourbeleid?" of "Hoe werkt de factureringsprocedure?" — de AI zoekt het antwoord in je eigen documenten.
Concreet voorbeeld: een accountantskantoor met 20 man voedde een intern vraag-en-antwoord-systeem met handleidingen, wetgeving en procedures. Nieuwe medewerkers waren binnen dagen productief in plaats van weken.
Wat het oplevert: 50% snellere onboarding. Minder afhankelijkheid van de collega die "alles weet".
3. Klantvragen sorteren en beantwoorden
Het probleem: inkomende vragen via e-mail en chat worden handmatig gesorteerd, doorgestuurd en beantwoord. Veel vragen zijn herhaling.
De oplossing: AI die binnenkomende berichten leest, de veelgestelde vragen automatisch beantwoordt, en de complexe vragen doorstuurt naar de juiste medewerker.
Belangrijk: ik zeg niet dat je klantenservice volledig moet automatiseren. De AI doet het sorteerwerk. De mens doet de afhandeling. Dat onderscheid is cruciaal — je klanten willen een mens spreken bij een echt probleem.
Wat het oplevert: 30-50% minder tijd kwijt aan eerstelijns support. Snellere reactietijd voor klanten.
4. Wekelijkse rapportages automatiseren
Het probleem: je hebt data in spreadsheets, je CRM, je boekhouding — maar niemand heeft tijd om er regelmatig inzichten uit te halen.
De oplossing: AI die wekelijks je data analyseert en een samenvatting stuurt. Niet een dashboard dat niemand opent — een helder rapport in je inbox.
Concreet voorbeeld: een webshop-eigenaar krijgt elke maandag een AI-analyse van de vorige week. Omzet per categorie, opvallende trends, vergelijking met vorige maand. Geen inloggen, geen klikken — een duidelijk verhaal in de mail.
Wat het oplevert: beslissingen op basis van data in plaats van gevoel. De ondernemers die dit doen willen niet meer terug.
Je hebt waarschijnlijk geen duur platform nodig
Alle vier de toepassingen hierboven zijn te realiseren met:
- Een AI-dienst (ChatGPT, Claude, of een lokaal model)
- Een koppelplatform als n8n of Make (gratis of goedkoop)
- Een developer voor een dag (of zelf met een no-code tool)
Complexe AI-platforms als OpenClaw, CrewAI of LangGraph zijn gebouwd voor situaties met meerdere AI-agents die autonoom samenwerken. Dat is overkill voor de typische MKB-toepassing. Begin simpel.
Wat het kost: drie scenario's
| Zelf doen | Developer inhuren | Bureau | |
|---|---|---|---|
| Setup | Gratis - €100 | €2.000-5.000 | €5.000-25.000 |
| AI-kosten/maand | €20-100 | €50-200 | Vaak inbegrepen |
| Onderhoud/jaar | Eigen tijd | €500-1.000 | €3.000-15.000 |
| Totaal jaar 1 | €240-1.300 | €3.100-7.400 | €8.000-40.000 |
Mijn advies: begin met scenario 1 of 2. Een bureau inhuren heeft pas zin als je weet wat je nodig hebt. En dat weet je pas als je het hebt geprobeerd.
Stappenplan: je eerste AI-toepassing in 30 dagen
Week 1 — Zoek het juiste probleem
- Maak een lijst van taken die je team elke week herhaalt
- Schat per taak: hoeveel uur kost het? Wat is het waard om dat te halveren?
- Kies de taak met de beste verhouding: veel besparing, niet te complex
Week 2 — Bouw een proefversie
- Kies een AI-model (Claude of ChatGPT zijn de veiligste keuzes voor beginners)
- Maak een simpele versie: input erin, AI verwerkt het, output eruit
- Test met echte data uit je bedrijf — niet met voorbeelddata
Week 3 — Koppel het aan je werkproces
- Verbind de proefversie met je bestaande tools (e-mail, CRM, spreadsheet)
- Laat 2-3 medewerkers een week testen
- Meet: hoeveel tijd bespaart het? Hoe goed is het resultaat?
Week 4 — Evalueer en besluit
- Is de tijdsbesparing meetbaar?
- Zijn de kosten acceptabel?
- Wil je team het blijven gebruiken?
Drie keer "ja"? Schaal op. Drie keer "nee"? Je hebt €50-100 aan kosten gemaakt en veel geleerd. Goedkope les.
De les van deze serie
De hype rond OpenClaw — 250.000 GitHub-sterren, virale berichten, crypto-achtige groeicurves — vertelt je iets over de AI-markt van 2026.
Populariteit zegt niets over geschiktheid voor jouw bedrijf.
De ondernemers die succesvol AI inzetten doen drie dingen anders:
- Ze beginnen bij het probleem, niet bij de tool
- Ze houden het simpel — één toepassing, meetbaar resultaat, dan opschalen
- Ze investeren in begrip — ze snappen wat ze bouwen, zodat ze het kunnen onderhouden
De technologie is niet het probleem. De aanpak is het probleem. Begin klein. Meet alles. Schaal alleen op wat werkt.
Wil je weten welke AI-toepassing het meeste oplevert voor jouw bedrijf? Ik help MKB-ondernemers met het ontwerpen van AI-systemen die werken — betrouwbaar, meetbaar, en zonder onnodig gedoe. Plan een gratis kennismakingsgesprek en ik kijk met je mee naar je processen. Geen verkooppraatje, wel een concreet plan.
Dit is deel 3 van de serie "OpenClaw Ontleed". Deel 1: Wat is OpenClaw? | Deel 2: AI voor je bedrijf — kopen, bouwen of zelf doen