Wat is AI? Volledige uitleg voor MKB-ondernemers

Iedereen praat over AI, maar de meeste uitleg gaat of te diep (transformers, gradient descent, een college wiskunde) of te oppervlakkig ("AI gaat alles veranderen"). Deze pagina is voor de ondernemer die ergens tussenin zit. Je hoeft geen developer te zijn, maar je wilt wel begrijpen wat het is, wat het echt kan en hoe je het in jouw bedrijf inzet.

Geen consultancy-circus, geen jargon waar het niet hoeft. Alleen wat je moet weten om er morgen iets mee te doen.

Wat is AI eigenlijk?

AI, kunstmatige intelligentie, is software die patronen leert herkennen uit grote hoeveelheden data en op basis daarvan voorspellingen doet of teksten, beelden en code genereert. Anders dan traditionele software, waarbij iemand precies opschrijft wat er moet gebeuren ("als de klant op knop X klikt, doe Y"), leert AI zelf de regels. Je geeft het voorbeelden, het ziet patronen, het past die toe op nieuwe situaties.

Dat klinkt magisch, maar het is wiskunde. Heel veel wiskunde, op heel veel computers tegelijk.

Hoe werkt het kort technisch

Onder de motorkap zitten drie ideeën die je moet kennen:

Machine learning is de overkoepelende techniek. Je geeft een algoritme een berg data en een doel ("voorspel of deze klant gaat opzeggen"), en het zoekt zelf uit welke kenmerken voorspellend zijn. Hoe meer data, hoe beter het werkt.

Neurale netwerken zijn een specifieke vorm van machine learning, losjes geïnspireerd op hoe hersencellen aan elkaar zitten. Een neuraal netwerk bestaat uit lagen van rekenkundige knopen die signalen aan elkaar doorgeven. Door de verbindingen tussen die knopen aan te passen tijdens het trainen, leert het netwerk steeds beter onderscheid maken.

Deep learning is een neuraal netwerk met heel veel lagen. Pas toen we genoeg rekenkracht hadden (rond 2012, met de opkomst van krachtige GPU's) werd deep learning echt bruikbaar. Sindsdien heeft het beeldherkenning, spraakherkenning en taalverwerking compleet veranderd.

Een goede achtergrond hierover lees je bij IBM, die de basisbegrippen netjes uit elkaar trekt.

Wat is het verschil met machine learning en deep learning?

Mensen gebruiken deze termen door elkaar, maar ze zijn niet hetzelfde. Een korte vergelijking:

| Term | Wat is het? | Voorbeeld | |---|---|---| | AI | Overkoepelend begrip voor software die "intelligent" lijkt te handelen | Schaakcomputer, Siri, ChatGPT | | Machine learning | Subset van AI: leert patronen uit data | Spamfilter, Netflix-aanbevelingen | | Deep learning | Subset van machine learning: gebruikt diepe neurale netwerken | Beeldherkenning, spraakherkenning | | LLMs | Subset van deep learning: getraind op tekst, doet taal | ChatGPT, Claude, Gemini |

Alle LLMs zijn deep learning. Alle deep learning is machine learning. Alle machine learning is AI. Niet andersom.

Wat zijn LLMs en waarom maken ze nu het verschil?

LLM staat voor large language model, een groot taalmodel. Een LLM wordt getraind op honderden miljarden zogeheten tokens (kleine stukjes tekst, meestal een paar letters of een woord) uit boeken, websites, code en gesprekken. Tijdens het trainen leert het model voor elke positie in een tekst voorspellen wat het volgende token waarschijnlijk is.

Dat klinkt simpel, maar als je dat goed genoeg doet op genoeg data, krijg je een model dat samenhangende teksten schrijft, code produceert, vragen beantwoordt en redeneerstapjes maakt. De technische uitleg van Anthropic over hoe Claude werkt geeft een goed beeld van wat er onder de motorkap gebeurt.

De grote spelers op dit moment:

• Anthropic met Claude (waaronder Sonnet en Opus)
• OpenAI met GPT en ChatGPT
• Google met Gemini
• Mistral uit Frankrijk, Europese open-source optie
• Meta met Llama, ook open-source

Waarom maken LLMs nu het verschil? Omdat dit de eerste AI is die echt aanvoelt als een gesprekspartner. Je hoeft geen developer te zijn om er mee te werken, je typt gewoon wat je wilt. Dat zet de drempel voor MKB enorm laag.

Concrete AI-toepassingen in het MKB

Genoeg theorie. Wat doe je er als ondernemer mee? Volgens cijfers van het CBS gebruikt 22,7 procent van de Nederlandse bedrijven met tien of meer werknemers AI. Dat percentage groeit hard. Hier zijn de toepassingen die we het vaakst zien werken bij MKB-bedrijven:

Content en marketing - Blogs schrijven of herschrijven naar SEO-vriendelijke versies - Productbeschrijvingen genereren voor honderden artikelen tegelijk - Social media posts in jouw merkstem uitwerken - Nieuwsbrieven samenstellen op basis van de blog van die week - Vertalingen die niet aanvoelen als Google Translate - Lees meer over hoe wij dit aanpakken op /ai-content

Klantenservice - Chatbots die de meeste FAQ-vragen direct beantwoorden - Tickets automatisch categoriseren en doorzetten naar de juiste collega - Antwoorden draften die de medewerker alleen nog hoeft te checken - Sentiment-analyse op binnenkomende mails en reviews - Zie /ai-klantenservice voor concrete cases

Automatisering en agents - Offertes opstellen op basis van een gespreksverslag - Facturen inlezen en koppelen aan boekhouding - Leadkwalificatie via een formulier dat doorvraagt - Agenda-afspraken plannen via mail of WhatsApp - Documenten samenvatten (contracten, rapporten, vergadernotulen)

Data en inzichten - Verkooprapporten in gewoon Nederlands genereren uit ruwe data - Voorraad voorspellen op basis van seizoen en trends - Klantsegmentatie zonder dat je een data scientist hoeft in te huren - Anomalieën in cijfers vroeg opsporen

Beeld en video - Productfoto's nabewerken of variaties genereren - Korte video-uitleg maken voor een nieuwe dienst - Logo's en merkmateriaal in nieuwe formaten omzetten - Stockfoto's vervangen door eigen, on-brand visuals

McKinsey's State of AI rapport laat zien dat marketing, klantenservice en software-ontwikkeling de domeinen zijn waar AI het hardst rendeert. Dat klopt met wat wij in de praktijk zien.

Wat AI niet kan

Eerlijk verhaal: AI is geen tovermiddel. Een paar dingen die je moet weten voordat je begint:

Hallucinaties. LLMs verzinnen soms feiten die overtuigend klinken maar pertinent onjuist zijn. Een verkeerd jaartal, een niet-bestaand wetsartikel, een uitgevonden citaat. Voor alles wat de deur uit gaat naar klanten of in officiële documenten komt, is menselijke controle nodig.

Geen echt begrip. Een LLM voorspelt het volgende token op basis van patronen, het "weet" niets in de menselijke zin. Het herkent dat iets klinkt als een correcte uitleg, niet of het inhoudelijk klopt. Voor strategische beslissingen vervangt het je oordeel niet.

Kennisdatum. Modellen zijn getraind op data tot een bepaalde datum. Recente gebeurtenissen, prijswijzigingen of beleidsupdates kennen ze niet, tenzij je een model gebruikt dat live kan zoeken (zoals Gemini met grounding of Claude met web search).

Kosten lopen op. Per losse vraag is het goedkoop, maar als je AI inzet op duizenden klantcontacten of documenten per maand, tellen de tokens op. Reken vooraf met de prijslijst van OpenAI of Anthropic wat een use case kost.

Privacy en data. Niet elke AI-leverancier mag jouw data zien, en zeker niet trainen op jouw gegevens. Daarover later meer.

Wat moet je als MKB weten qua AVG en AI Act?

Twee Europese regels raken elke MKB-er die met AI begint.

AVG (GDPR). Persoonsgegevens die je in een AI-systeem stopt blijven onder de AVG vallen. Dat betekent: een verwerkersovereenkomst met je AI-leverancier, geen onnodige data delen, en transparantie naar de betrokkene. De Autoriteit Persoonsgegevens heeft hier specifieke richtlijnen voor AI. In de praktijk: gebruik bij voorkeur leveranciers die een EU data residency aanbieden en die je data niet voor training gebruiken.

EU AI Act. De EU AI Act is sinds augustus 2024 van kracht en wordt in fases ingevoerd. Twee data om te onthouden:

• 2 februari 2025: artikel 4 (AI-geletterdheid) is ingegaan. Iedereen in jouw organisatie die met AI werkt of er beslissingen op baseert, moet voldoende kennis hebben om risico's te begrijpen. In de praktijk: zorg voor een korte training of richtlijnen.
• 2 augustus 2026: de bepalingen voor hoog-risico AI-systemen gaan in. Voor de meeste MKB-toepassingen (content, klantenservice, marketing) ben je laag-risico, maar het is goed om dit te checken voor je begint.

Voor compliance-gevoelige sectoren raken de AI Act en bredere regelgeving als NIS2 elkaar. Daar gaan we op in op onze zustersite nis2-compliant.com.

Hoe begin je?

Dit is hoe wij het aanpakken bij elk MKB-traject. Drie stappen, geen tussenliggende sprintplanning-workshop van zes weken:

1. Scan. Breng eerst in kaart waar AI in jouw bedrijf het meest oplevert. Welke processen kosten veel tijd, zijn herhalend en hebben een digitale input? Doe deze stap zelf via onze gratis AI-scan, of vraag ons om mee te kijken.

2. Pilot. Kies één concrete use case. Niet drie. Eén. Bijvoorbeeld: alle inkomende klantmails categoriseren en draften. Bouw dat in twee tot vier weken, meet de tijdwinst, kijk hoe medewerkers er mee werken.

3. Opschalen. Werkt de pilot, dan rol je hem breder uit en pak je de volgende use case. Werkt hij niet, dan stop je en heb je veel geleerd voor weinig geld. Dat is de hele kunst: niet alles tegelijk willen.

Mensen meekrijgen is minstens zo belangrijk als de techniek. Daarom hebben we /ai-training als losse dienst, zodat je team niet alleen een tool krijgt maar ook leert er goed mee te werken.

Klaar om te beginnen?

AI is geen modegril en geen tovermiddel. Het is gereedschap. Net als elk gereedschap moet je weten wanneer je het pakt, wanneer niet, en hoe je het scherp houdt.

Wil je weten waar AI in jouw bedrijf het meeste oplevert? Doe de gratis AI-scan. Tien minuten van je tijd, een rapport in je inbox met concrete adviezen voor jouw situatie. Geen verkooppraatje, gewoon een eerlijk beeld.