AI implementatie
AI implementeren in het MKB: van werkende demo naar betrouwbaar bedrijfsproces
Een AI-demo bouwen is relatief eenvoudig. Een AI-toepassing betrouwbaar onderdeel maken van een bedrijfsproces is moeilijker. Dit zijn de zes lagen die je vóór productie moet organiseren.
Door Jefry Deuze · 2026-08-24
Een AI-demo kan in een middag indrukwekkend lijken. Een betrouwbare AI-toepassing die iedere werkdag onderdeel is van sales, administratie of operations vraagt veel meer. De stap van pilot naar productie bestaat uit zes lagen: proces, data, AI-logica, integratie, menselijke controle en adoptie/beheer . Als één laag ontbreekt, blijft een toepassing vaak een leuke demo of ontstaat later onnodig risico. Waarom pilots makkelijker zijn dan productie In een demo kiezen we meestal nette voorbeelden. De input is compleet, iemand kijkt mee en uitzonderingen kunnen handmatig worden opgelost. Productie is anders. Echte klanten sturen halve informatie. Documenten hebben afwijkende formats. Een API is tijdelijk niet beschikbaar. Een medewerker verandert een veldnaam. Het taalmodel geeft een overtuigend maar onjuist antwoord. Iemand plakt vertrouwelijke informatie in een tool die daar niet voor bedoeld is. Productie betekent dus niet: de prompt werkt meestal. Productie betekent: het proces weet ook wat het moet doen wanneer iets níét werkt. Laag 1 - het bedrijfsproces Begin met de huidige werkelijkheid. Breng minimaal in kaart: trigger: waardoor start het proces? input: welke gegevens zijn nodig? beslissingen: waar maakt nu een mens een keuze? systemen: waar wordt informatie gelezen of opgeslagen? uitzonderingen: welke situaties wijken af? output: wanneer is het proces succesvol afgerond? eigenaar: wie is verantwoordelijk voor de uitkomst? Pas daarna bepaal je waar AI een rol krijgt. Een veelgemaakte fout is een volledig slecht proces automatiseren. Dan krijg je geen betere operatie, maar een snellere versie van dezelfde rommel. Laag 2 - data en context Een model kan alleen werken met de informatie die het krijgt of kan ophalen. Voor iedere use-case moet duidelijk zijn: welke bron leidend is; hoe actueel die bron is; welke persoonsgegevens of bedrijfsgevoelige gegevens erin zitten; welke data buiten de AI-tool moet blijven; hoe ontbrekende informatie wordt gedetecteerd; of bronverwijzingen nodig zijn; hoe lang informatie wordt bewaard. Bij een interne kennisassistent is dit bijvoorbeeld vaak belangrijker dan de keuze tussen twee taalmodellen. Slechte of tegenstrijdige documenten leveren slechte antwoorden op, ook met een uitstekend model. Laag 3 - AI-logica en modelkeuze Niet ieder onderdeel van een workflow hoeft door een taalmodel te worden uitgevoerd. Gebruik gewone softwarelogica voor taken die deterministisch kunnen zijn: datums berekenen, bedragen optellen, verplichte velden controleren, rechten afdwingen of statuscodes bepalen. Gebruik AI juist waar interpretatie waarde toevoegt, bijvoorbeeld: tekst classificeren; informatie uit ongestructureerde documenten halen; samenvatten; conceptteksten maken; semantisch zoeken; verschillende bronnen combineren tot een voorstel. Hoe kritieker de uitkomst, hoe belangrijker testen en beperkingen worden. NIST benadrukt voor generatieve AI onder meer pre-deployment testing, governance en passende vormen van menselijk toezicht. Laag 4 - integratie met bestaande systemen Een losse chatbot is zelden een procesverbetering. De echte waarde ontstaat wanneer informatie op de juiste plek terechtkomt zonder extra kopieerwerk. Denk aan: CRM; ERP; Microsoft 365; ticketsystemen; formulieren; documentmanagement; e-mail; boekhouding; planning; interne databases. Ontwerp ook voor storingen. Wat gebeurt er als een koppeling faalt? Wordt de taak opnieuw geprobeerd? Krijgt iemand een melding? Kan dubbele verwerking ontstaan? Dit soort vragen maakt het verschil tussen een prototype en een bedrijfsproces. Laag 5 - menselijke controle ‘Human in the loop’ is alleen nuttig als duidelijk is waarom die mens controleert. Een medewerker die iedere AI-output woord voor woord opnieuw moet maken, levert nauwelijks tijdwinst op. Een medewerker die één risicovol beslispunt controleert kan juist zeer efficiënt zijn. Kies daarom bewust uit drie patronen: AI maakt een concept De mens beoordeelt en verstuurt. Geschikt voor bijvoorbeeld offertes, klantmails of managementsamenvattingen. AI verwerkt binnen grenzen De workflow mag zelfstandig handelen zolang vaste voorwaarden zijn vervuld. Bij afwijkingen gaat het proces naar een medewerker. AI adviseert, mens beslist De AI ordent informatie of doet een voorstel, maar de formele beslissing blijft bij een persoon. Leg vast welke variant geldt. Anders ontstaat na verloop van tijd onduidelijkheid over hoeveel vertrouwen medewerkers in de output mogen hebben. Laag 6 - adoptie, monitoring en beheer Een AI-oplossing verandert na livegang niet automatisch in ‘af’. Modellen, tarieven, API's, werkprocessen en brondata veranderen. Richt daarom minimaal in: functioneel eigenaar; technisch beheer; toegangsrechten; logging waar passend; kostenmonitoring; foutmeldingen; periodieke steekproeven; feedbackkanaal voor gebruikers; wijzigingsprocedure; documentatie van belangrijke keuzes. Daarnaast moeten medewerkers begrijpen hoe zij de toepassing verantwoord gebruiken. In de EU geldt artikel 4 van de AI Act sinds 2 februari 2025; na de wijziging in juli 2026 moeten aanbieders en gebruiksverantwoordelijken maatregelen nemen om de ontwikkeling van AI-geletterdheid te ondersteunen, passend bij kennis, ervaring en gebruikscontext. Er is geen voorgeschreven individueel minimumkennisniveau, maar niets doen is evenmin de bedoeling. Een praktisch productieproces in vier fases Fase 1 - nulmeting Meet het bestaande proces voordat je bouwt. Bijvoorbeeld: 18 minuten per aanvraag; 4 handmatige overdrachten; 12% dossiers onvolledig; gemiddelde reactietijd 9 uur. Zonder baseline kun je later niet geloofwaardig bepalen wat de implementatie oplevert. Fase 2 - beperkte prototype-test Test eerst één taak met een kleine groep gebruikers. Gebruik echte voorbeelden, inclusief slechte input en uitzonderingen. Beantwoord: waar maakt de AI fouten? welke output vertrouwen mensen niet? welke stappen kosten onverwacht veel tijd? welke data ontbreekt? welke controles zijn echt nodig? Fase 3 - gecontroleerde productie Koppel pas na validatie de volledige workflow. Begin eventueel met een beperkt volume of één team. Zorg dat fouten zichtbaar worden in plaats van stil verdwijnen. Fase 4 - verbeteren Na enkele weken heb je betere informatie dan tijdens iedere workshop vooraf. Gebruik echte gebruiksdata om prompts, regels, integraties en werkafspraken te verbeteren. Verwijder stappen die geen waarde toevoegen. Vijf signalen dat een pilot nog niet klaar is voor productie 1. Niemand kan uitleggen wie eigenaar is. 2. Er is geen nulmeting. 3. Alleen ideale voorbeelden zijn getest. 4. Er is geen foutpad wanneer AI of een koppeling faalt. 5. Medewerkers horen pas op de dag van livegang hoe het nieuwe proces werkt. Als één of meer van deze punten speelt, is extra bouwsnelheid meestal niet de oplossing. ROI: kijk verder dan ‘uren bespaard’ Tijdsbesparing is nuttig, maar niet het enige resultaat. Een toepassing kan ook waarde creëren door: sneller reageren op leads; minder herstelwerk; con
Fractional AI Lead · AI Opportunity Scan · AI implementatie