Hoe begin je met AI in je bedrijf? Een praktisch stappenplan voor MKB

De meeste AI-trajecten in het MKB stranden op hetzelfde moment: na de strategiesessie. Een consultant levert een rapport van 80 pagina's, je leest het door, en daarna is iedereen weer terug bij de waan van de dag. Drie maanden later vraagt iemand op de borrel of "die AI" nog ergens loopt. Het antwoord is meestal nee.

Dit stuk gaat over hoe het wel werkt. Geen consultancy-circus, geen strategie zonder uitvoering, geen platform-shopping van zes maanden. Wel een concrete pilot binnen twee weken, gemeten in tijd en geld, op één duidelijk afgebakend proces. Daarna pas opschalen.

Deze aanpak is niet voor iedereen. Bouw je een datawarehouse voor 200 werknemers, dan heb je echt een strategiefase nodig. Maar voor 90% van het Nederlandse MKB, en dat is volgens CBS-cijfers de overgrote meerderheid, is dit het pad dat werkt.

Stap 1: snap eerst wat AI wel en niet kan

Voordat je een tool kiest of een leverancier belt: zorg dat je grofweg snapt wat de huidige generatie AI doet. Niet om expert te worden, wel om te voorkomen dat je een chatbot bouwt waar je een spreadsheet nodig had, of een agent inzet waar een mailtemplate volstaat.

Een paar minimale dingen om te begrijpen:

• Het verschil tussen een LLM (taalmodel zoals ChatGPT of Claude) en een AI-agent: een LLM antwoordt op een vraag, een agent voert taken uit met meerdere stappen.
• Wat AI wel goed kan: tekst samenvatten, classificeren, herschrijven, gestructureerde data extraheren uit ongestructureerde input, code genereren, simpele beslissingen nemen op basis van regels.
• Wat AI niet goed kan: rekenen zonder tools, exact onthouden zonder geheugenlaag, garanties geven over feitelijkheid, bestaande software vervangen waar deterministische logica nodig is.

Lees onze uitleg over wat AI is voor MKB als je hier nog niet bent. Drie kwartier leeswerk bespaart je drie maanden verkeerde richting.

Stap 2: vind je drie tijdvreters

Geen abstracte oefening, geen workshop met post-its. Pak een week, zet een timer op je telefoon en noteer drie keer per dag wat jij of je team doet. Of nog simpeler: vraag aan de drie meest productieve mensen op je team waar ze de meeste tijd aan kwijt zijn.

Je zoekt taken die voldoen aan drie criteria:

1. Digitale input en output. Een typisch goede kandidaat: offertes opstellen op basis van een PDF van de klant. Een typisch slechte kandidaat: fysieke voorraad tellen.
2. Herhalend, met variatie. Niet identiek (dan is een macro genoeg), wel hetzelfde patroon. Denk aan e-mails beantwoorden, content herschrijven voor verschillende kanalen, factuurdata invoeren, supporttickets categoriseren.
3. Kwantificeerbaar in tijd. Je moet kunnen zeggen: "dit kost mij gemiddeld 20 minuten per keer, ik doe het 30 keer per week".

Schrijf de drie kandidaten op met geschatte uren per week. Zonder dit getal kun je later niet meten of het werkt. Volgens het Stanford AI Index Report 2025 zit de productiviteitswinst van LLM-tools op repetitief kenniswerk tussen 25% en 40%, met uitschieters tot 70% op schrijftaken. Je hebt dus een tijdvreter van minimaal 4-5 uur per week nodig.

Stap 3: kies één pilot

Eén. Niet drie tegelijk, niet "we beginnen breed". Kies van je drie kandidaten degene met de hoogste tijdsinvestering en de laagste complexiteit. Vaak is dat niet de meest sexy optie, en dat is precies goed.

Goede pilots in het Nederlandse MKB die we de afgelopen twee jaar hebben zien werken:

• Inkomende e-mails categoriseren en draftantwoorden klaarzetten in Outlook of Gmail.
• Productbeschrijvingen herschrijven voor webshops vanuit een leveranciersfeed.
• Vergaderingen automatisch laten samenvatten met actiepunten per persoon.
• Offertes opstellen op basis van een intake-call en een prijslijst.
• Eerste lijn klantenservice afhandelen voor de standaardvragen (de echte 80% van het volume).

Wat je niet als eerste pilot moet doen: een chatbot op je site die "alles" moet kunnen, een voorspelmodel op data die je nog moet verzamelen, of een agent die "het hele klantproces" overneemt. Dat zijn fase-3-projecten.

Als je twijfelt tussen kandidaten: doe onze AI-scan, die geeft je in 5 minuten een ranking van waar de hoogste opbrengst per uur zit voor jouw bedrijf.

Stap 4: zet 2 weken op de klok

Hier stranden de meeste trajecten alsnog. Niet omdat het technisch moeilijk is, wel omdat het urgent moet voelen. Blok dus twee weken in de agenda, geen langer.

Week 1: bouwen.

• Dag 1: leg de happy path vast (10 voorbeelden van input + gewenste output).
• Dag 2-3: bouw de eerste versie. Voor 80% van de pilots in deze categorie hoef je niks te programmeren. ChatGPT met custom instructions, Claude Projects, een Zapier-flow of een Make-scenario brengt je heel ver. Pas als de pilot werkt en opschalen aan de orde is, ga je kijken naar custom integraties.
• Dag 4-5: test met de echte gebruiker (jij of een collega), niet met een ideale demo. Noteer waar het misgaat.

Week 2: schuren.

• Dag 6-8: fix de drie meest voorkomende fouten. Niet alle randgevallen, alleen de drie die 80% van de problemen veroorzaken.
• Dag 9: zet 'm live in de echte workflow voor één persoon.
• Dag 10: meet (zie stap 5).

Geen platform-vergelijkingen, geen RFP's, geen leveranciersbeauty contests. Als de pilot werkt, ga je in fase 2 pas kijken of het op een serieuzer platform moet. De OpenAI-documentatie en Anthropic's prompt engineering guide zijn gratis en goed genoeg voor de eerste versie.

Stap 5: meet wat het oplevert in tijd/geld

Zonder meting heb je geen pilot, dan heb je een hobby. De meting hoeft niet ingewikkeld, wel hard.

Drie cijfers die je voor en na vastlegt:

1. Tijd per taak. Stopwatch, niet schatting. Voor de pilot: pak 5 representatieve gevallen en time hoe lang de oude manier kost. Na de pilot: time dezelfde 5 stappen met de nieuwe workflow.
2. Foutenpercentage. Hoeveel van de 5 outputs vereist correctie? Dit is belangrijker dan tijd, want een 90% sneller proces dat 50% van de tijd fout zit kost je netto tijd.
3. Tevredenheid van de gebruiker. Niet een formele NPS, gewoon: "zou je hier morgen mee verder willen werken, ja of nee?". Als het antwoord nee is, doet de tijdwinst er niet toe.

Reken het door naar geld. Een proces van 30 minuten naar 8 minuten op 30 keer per week is 11 uur winst per week. Tegen een intern uurtarief van €60 is dat €660 per week, oftewel €34.000 per jaar voor één pilot. Tegen €15-30 per maand aan tooling is de payback-periode meestal binnen een week.

Volgens een McKinsey-onderzoek uit 2024 haalt 23% van de bedrijven die met AI starten meetbare omzet- of kostenimpact binnen het eerste jaar. Het verschil tussen die 23% en de rest zit bijna altijd in dit punt: meten ze concreet, of niet.

Stap 6: documenteer en train je team

Pilot werkt, cijfers staan. Nu komt het deel dat 80% van de bedrijven overslaat: zorgen dat het ook over zes maanden nog werkt als jij op vakantie bent.

Drie dingen die nu moeten:

1. Schrijf op wat de pilot doet en niet doet. Niet als ISO-document, wel als pagina van A4 in Notion of Confluence. Wat is de input, wat is de output, waar is de mens-in-de-loop, wanneer escaleer je naar handmatig.
2. Train minimaal twee mensen. Eén bottleneck is geen succes, dat is een single point of failure. Onze AI-trainingen zijn hier specifiek voor opgezet, maar je kunt het ook zelf doen met 2 uur uitleg en een week meekijken.
3. Check je verplichtingen onder Artikel 4 van de AI Act. Sinds februari 2025 is dit van kracht: iedereen die met AI-systemen werkt in jouw organisatie moet voldoende AI-geletterd zijn. Dat klinkt zwaar maar is het niet, je moet kunnen aantonen dat de mensen die het gebruiken snappen wat het doet. Lees onze uitleg van de AI Act of doe de AI Act-check om te zien wat voor jouw situatie van toepassing is.

Documentatie en training zijn vaak het verschil tussen "leuke pilot van vorig jaar" en "standaard onderdeel van hoe we werken".

Stap 7: schaal of stop

Aan het einde van pilot heb je drie opties: doorgaan en uitbreiden, vervangen door iets anders, of stoppen. Geen van die drie is fout. Wel fout: in het zwevende middenveld blijven hangen waarin je niet meer enthousiast bent maar ook niet officieel stopt.

Beslis op cijfers, niet op gevoel:

• Tijdwinst >= 25% en gebruikerstevredenheid hoog: schalen. Voeg de tweede taak van je tijdvreterlijst toe. Begin opnieuw bij stap 3.
• Tijdwinst tussen 10-25%, tevredenheid wisselend: nog twee weken schuren. Niet langer. Als het dan nog niet zit, stoppen.
• Tijdwinst <10% of tevredenheid laag: stoppen, leren, andere pilot kiezen. Het is geen falen, het is informatie.

Eén schalingsregel: voeg pas een tweede pilot toe als de eerste minimaal 4 weken zonder jouw aandacht draait. Anders bouw je een berg half-werkende systemen die allemaal jouw tijd vragen.

Wat dit niet is

Voor de duidelijkheid, dit zijn de drie patronen waar dit stappenplan expliciet tegen ingaat:

• Geen "AI-strategie eerst". Een AI-strategie zonder pilots is een PowerPoint zonder klant. Strategie volgt op patronen die je ziet in pilots, niet andersom. Als een consultant zegt dat je eerst een visie van twee jaar nodig hebt: bedank ze en begin met stap 2 hierboven.
• Geen "platform-eerst". Microsoft Copilot, Google Gemini, een eigen LLM op Azure: dat zijn allemaal prima keuzes, maar pas in fase 2. In fase 1 maakt het niks uit. Een pilot die werkt op ChatGPT werkt ook op Copilot, en omgekeerd.
• Geen "big bang implementatie". Het hele bedrijf in één keer overzetten op AI-workflows is hoe je iedereen kwijtraakt. Eén pilot, één team, één maand. Daarna de volgende.

Veelgemaakte fouten

In de pilots die we begeleidden zien we steeds dezelfde vijf:

1. Te grote scope. "We willen onze hele klantenservice automatiseren". Begin met de top-3 vragen die 60% van het volume veroorzaken.
2. Geen baseline meten. Zonder voor-meting weet je niet of je iets opleverde. "Het voelt sneller" is geen meting.
3. Te vroeg op een platform vastleggen. Een jaarcontract met een AI-vendor zonder werkende pilot is bijna altijd duurder dan twee maanden zelf experimenteren.
4. De gebruiker overslaan. De persoon die het werk dagelijks doet weet beter waar de fricties zitten dan de directie. Bouwt die niet mee, dan mislukt de pilot.
5. Geen exit-criterium. Vooraf afspreken wanneer je stopt is even belangrijk als afspreken wanneer je opschaalt.

Wanneer haal je hulp van buiten

Het meeste van bovenstaande kun je zelf. Een paar momenten waarop externe hulp wel het verschil maakt:

• Je hebt geen tijd om twee weken te focussen. Een externe partner is dan soms de enige manier om er een echte deadline op te krijgen.
• De pilot raakt klantdata, financiële data of personeelsdata. Geen hoofdprijs voor een AVG-bureau nodig, wel iemand die checkt of de opzet juridisch klopt.
• Je wilt opschalen naar meer dan 5 processen. Dan is het slim om over architectuur na te denken, en is een strategiefase een geldige investering. Pas dan, niet eerder.
• Je team is niet AI-geletterd onder Artikel 4 AI Act. Een dagtraining haalt je over de wettelijke drempel en bespaart je later boetes en gedoe.

Zelfs met hulp: blijf eigenaar van het probleem. De externe partij doet het sneller, jij weet het bedrijf beter. De combinatie werkt, de overdracht zelden.

Conclusie

Beginnen met AI is geen kwestie van strategie, het is een kwestie van één pilot van twee weken op één concrete tijdvreter, met harde cijfers voor en na. Doe dat één keer goed, en je tweede pilot kost de helft minder energie. Doe het tien keer en AI is geen project meer, het is gewoon hoe jullie werken.

De grootste fout die we in het MKB zien is niet dat mensen de verkeerde tool kiezen, het is dat ze maandenlang aan het kiezen zijn. Twee weken actie levert meer op dan zes maanden vergelijken.

Wil je weten welke pilot voor jouw bedrijf de hoogste opbrengst per uur heeft? Doe de AI-scan, 5 minuten, geen verkooppraatje achteraf. Of neem contact op als je direct wilt sparren over je drie tijdvreters.