Hoe begin je met AI? 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.

Het verschil tussen een LLM en een AI-agent is het minimum. Een taalmodel zoals ChatGPT of Claude antwoordt op een vraag. Een agent voert taken uit met meerdere stappen. Wie dat verschil niet helder heeft, koopt vaak het verkeerde.

Wat AI op dit moment 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, en bestaande software vervangen waar deterministische logica nodig is. Houd dat lijstje in je achterhoofd als iemand "AI" als oplossing voorstelt.

Lees de 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 met digitale input en digitale output. Een offerte op basis van een PDF van de klant is een goede kandidaat. Fysieke voorraad tellen niet. Daarnaast moet de taak herhalend zijn, met variatie. Niet identiek, want dan is een macro genoeg, wel hetzelfde patroon. Denk aan e-mails beantwoorden, content herschrijven voor verschillende kanalen, factuurdata invoeren, supporttickets categoriseren. En de derde eis: je moet het in tijd kunnen uitdrukken. "Dit kost mij gemiddeld 20 minuten per keer, ik doe het 30 keer per week." Zonder dat 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 tot 5 uur per week nodig wil de moeite zichzelf terugverdienen.

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.

In de pilots die ik de afgelopen twee jaar in het Nederlandse MKB zag 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, of de eerste lijn klantenservice afhandelen voor de standaardvragen die in de praktijk 80% van het volume zijn.

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 en het is hoe je je geloof in AI in één keer verbrandt.

Als je twijfelt tussen kandidaten: doe de 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 is bouwen. Op dag één leg je de happy path vast met tien voorbeelden van input en gewenste output. Dag twee en drie bouw je 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. Op dag vier en vijf test je met de echte gebruiker, jij of een collega, niet met een ideale demo. Noteer waar het misgaat.

Week 2 is schuren. Dag zes tot acht fix je de drie meest voorkomende fouten. Niet alle randgevallen, alleen de drie die 80% van de problemen veroorzaken. Op dag negen zet je 'm live in de echte workflow voor één persoon. Op dag tien meet je, en dat is 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 leg je voor en na vast. Tijd per taak: stopwatch, niet schatting. Pak vijf representatieve gevallen en time hoe lang de oude manier kost, time daarna dezelfde vijf stappen met de nieuwe workflow. Foutenpercentage: hoeveel van die vijf outputs vereist correctie? Dat is belangrijker dan tijd, want een 90% sneller proces dat de helft van de tijd fout zit kost je netto tijd. En tevredenheid van de gebruiker. Geen 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 euro is dat 660 euro per week, oftewel 34.000 euro per jaar voor één pilot. Tegen 15 tot 30 euro 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.

Schrijf op wat de pilot doet en niet doet. Niet als ISO-document, wel als één pagina A4 in Notion of Confluence. Wat is de input, wat is de output, waar zit de mens in de loop, en wanneer escaleer je naar handmatig. Train daarnaast minimaal twee mensen. Eén bottleneck is geen succes, dat is een single point of failure. De AI-trainingen van DataDream zijn hier specifiek voor opgezet, maar je kunt het ook zelf doen met twee uur uitleg en een week meekijken.

Check tot slot 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 de 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 de 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 van 25% of meer met hoge gebruikerstevredenheid: schalen. Voeg de tweede taak van je tijdvreterlijst toe en begin opnieuw bij stap 3. Tijdwinst tussen 10 en 25% met wisselende tevredenheid: nog twee weken schuren, niet langer. Als het dan nog niet zit, stop je. Tijdwinst onder de 10% of lage tevredenheid: 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 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 ik begeleidde komen steeds dezelfde fouten terug. De scope is te groot. "We willen onze hele klantenservice automatiseren" is geen pilot, dat is een programma. Begin met de drie vragen die 60% van het volume veroorzaken.

Er wordt geen baseline gemeten. Zonder voor-meting weet je niet of je iets opleverde, en "het voelt sneller" is geen meting. Mensen leggen zichzelf te vroeg vast op een platform. Een jaarcontract met een AI-vendor zonder werkende pilot is bijna altijd duurder dan twee maanden zelf experimenteren. De gebruiker wordt overgeslagen. De persoon die het werk dagelijks doet weet beter waar de fricties zitten dan de directie. Bouwt die niet mee, dan mislukt de pilot. En het exit-criterium ontbreekt. 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. Externe hulp maakt het verschil op een paar specifieke momenten.

Als je geen tijd hebt om twee weken te focussen, is een externe partner soms de enige manier om er een echte deadline op te krijgen. Als de pilot klantdata, financiële data of personeelsdata raakt, hoef je geen hoofdprijs aan een AVG-bureau te betalen, wel iemand laten meekijken die checkt of de opzet juridisch klopt. Als je wilt opschalen naar meer dan 5 processen wordt nadenken over architectuur slim, en is een strategiefase een geldige investering. Pas dan, niet eerder. En als je team niet AI-geletterd is onder Artikel 4 van de AI Act haalt een dagtraining 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 ik in het MKB zie 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.