23% van de Nederlandse bedrijven met 10 of meer werkzame personen gebruikte in 2024 AI. Tegelijk concludeert onderzoek van MIT NANDA dat 95% van de onderzochte organisaties nog geen meetbaar effect van generatieve AI op de winst ziet. Het verschil tussen AI installeren en AI laten werken is geen technologie-probleem. Het is een organisatie-probleem. Het tweede is wat zelden wordt aangepakt.
Wat de minderheid wel doet en de meerderheid niet
Bij ondernemers die wel resultaat halen valt één ding op. Ze zijn niet verder gekomen omdat ze betere AI hadden. Ze zijn verder gekomen omdat ze hun organisatie hebben aangepast aan wat AI vraagt om bruikbaar te zijn.
In de praktijk verschilt de aanpak op drie punten.
De meerderheid koopt een AI-functionaliteit en plakt die bovenop het bestaande werkproces. Een minderheid herontwerpt het werkproces zodat AI er een logische plek in heeft.
De meerderheid ziet AI als een snellere manier om hetzelfde te doen. Een minderheid ziet AI als reden om dingen anders te organiseren.
De meerderheid verwacht dat medewerkers de AI vanzelf in hun werk verwerken. Een minderheid bouwt expliciete momenten in waarop het team leert wat AI wel en niet kan in hun specifieke context.
Het verschil tussen AI hebben en AI laten werken zit niet in welke leverancier je kiest. Het zit in hoeveel je bereid bent te veranderen in wat je daaromheen doet.
De drie zwakke schakels in een AI-implementatie
Voor de meeste MKB-bedrijven liggen de blokkades op dezelfde drie plekken.
Eén. De data is niet leesbaar voor AI. AI-tools werken met wat ze weten. In de meeste bedrijven zit de relevante kennis in hoofden, in losse e-mailwisselingen, in een gedeelde map die niemand bijhoudt en in informele afspraken aan de koffieautomaat. Een AI die op die data wordt losgelaten levert onbruikbare antwoorden, want de echte context ontbreekt. Bedrijven die wel resultaat halen, investeren vaak eerst in het zichtbaar en gestructureerd maken van wat eerder impliciet was. Dat is geen sexy werk en levert pas later rendement op, maar zonder dat werk levert AI niets op.
Twee. Niemand heeft besloten waar AI beslist en waar mensen beslissen. AI levert suggesties. Soms goede, soms foute. Wanneer onduidelijk is wie verantwoordelijk is voor het wel of niet opvolgen van een AI-suggestie, gebeurt een van twee dingen: medewerkers volgen klakkeloos op (en herstellen later de schade) of ze negeren de suggestie consequent (en gebruiken AI niet meer). Beide zijn schadelijk. Het kost relatief weinig tijd om per werkproces vast te leggen waar AI adviseert, waar AI uitvoert, en waar een mens in alle gevallen besluit. Maar die tijd wordt zelden genomen.
Drie. Vertrouwen is niet opgebouwd. Een nieuwe medewerker krijgt een proefperiode. Een nieuw systeem niet. AI komt vaak binnen met de boodschap dat het direct waarde gaat leveren, zonder ruimte voor het team om te ondervinden waar de AI sterk en zwak in is. Het gevolg is een binaire reactie: het werkt of het werkt niet. Daar tussenin, in de fase waar je leert hoe AI in jouw context het best wordt ingezet, gebeurt niets. In die fase maken bedrijven die wel resultaat halen het verschil.
Wat MKB-ondernemers anders moeten doen voordat ze AI kopen
Drie principes die het verschil maken.
Eén. Maak je organisatie leesbaar voor AI voor je AI koopt. Dat klinkt onlogisch, want het lijkt makkelijker om AI te kopen en daarna pas te kijken wat je ermee doet. In de praktijk werkt het andersom. Begin met het op papier zetten van hoe je belangrijkste werkprocessen lopen, welke beslissingen waar worden genomen, en welke data daarvoor wordt gebruikt. Dat is op zichzelf al waardevol. Het is bovendien de fundering waar AI op kan landen. Wie deze stap overslaat, koopt een AI die in een dichte mist moet werken.
Twee. Splits je werk in drie zones: AI beslist, AI ondersteunt, mens beslist. Niet voor het hele bedrijf in één keer, maar per werkproces. AI beslist over zaken waarbij fouten goedkoop zijn en patronen helder. AI ondersteunt waar context nodig is maar de mens de finale keuze maakt. De mens beslist alleen waar inzicht of relatie zwaarder weegt dan analyse. Wie deze drie zones niet expliciet maakt, eindigt met een team dat niet weet wanneer ze AI moeten geloven en wanneer niet.
Drie. Plan een leerfase met expliciete evaluatiemomenten. Twee maanden waarin het team mag uitvinden wat AI in hun werk doet, met een evaluatie elke twee weken: wat werkte, wat niet, wat moet anders. Deze fase voelt traag en lijkt op stilstand. Het is de fase waarin compound value ontstaat. Sla je hem over, dan blijf je een hulpmiddel hebben. Doorloop je hem, dan krijg je een werkmethode.
Wie deze drie principes inbouwt, vergroot de kans dat AI echt iets oplevert. Dit hangt samen met hoe weerstand tegen nieuwe software ontstaat in elk IT-project, niet alleen bij AI.
Veelgestelde vragen
Welke AI-tools werken het best in het MKB?
Dat is de vraag die zich bovenaan de zoekresultaten bevindt en zelden het verschil maakt. Tools verschillen, maar veel tools leveren vergelijkbare kwaliteit. Het verschil zit in hoe je je organisatie eromheen inricht. Met de verkeerde inrichting levert ook de beste AI niets op. Met de juiste inrichting levert ook een eenvoudige AI al meetbaar resultaat.
Hoe lang duurt het voor AI rendement oplevert?
Daar is geen betrouwbaar gemiddelde voor. Het hangt af van het proces en van hoeveel je organisatie meebeweegt; reken eerder op maanden dan op weken. Wie alleen de tool installeert, raakt vaak snel teleurgesteld en stopt voortijdig. Wie ook in proces, data en oefenruimte investeert, geeft AI de kans om waarde op te bouwen.
Moet ik een AI-strateeg inhuren?
Niet als eerste stap. Eerst moet duidelijk zijn welke werkprocessen kandidaat zijn voor AI-ondersteuning, en welke gedragsfactoren in je team de adoptie zullen bepalen. Op de dienstenpagina lees je hoe ik daarbij kan helpen. Pas daarna heeft het inhuren van technische AI-expertise zin; anders koop je oplossingen voor problemen die je nog niet scherp hebt.



