“We moeten iets met AI.” Als die zin in jouw bedrijf is gevallen, ben je in goed gezelschap — en loop je meteen het grootste risico. Want de meeste AI-projecten mislukken niet door de techniek, maar door precies die zin: ze beginnen bij de tool in plaats van bij een probleem. Dit stuk laat zien hoe je als ondernemer één AI-project kiest dat wél iets oplevert.
Het probleem: druk zonder richting
Schattingen dat ruim 80% van de AI-projecten z’n doel niet haalt, circuleren breed in de sector. De cijfers verschillen per definitie, maar het patroon is hardnekkig: veel geld en tijd erin, weinig meetbare waarde eruit.
Een veelbesproken essay van consultant Nik Suresh, die achttien maanden meekeek bij AI-projecten in grote organisaties, legt de kern bloot: bedrijven belonen steeds vaker zichtbare AI-adoptie boven nuttige resultaten (Bron: Ludicity). Wie met AI schermt, scoort. Wie vraagt of het werkt, ligt eruit. Dat is een luxe die een mkb-bedrijf zich niet kan veroorloven: bij jou telt elke geïnvesteerde euro en elk uur echt.
Beginner-tip:je hoeft geen technische kennis te hebben om dit goed te doen. De belangrijkste beslissingen zijn zakelijk, niet technisch — welk probleem, welke uitkomst, hoe meet je het. Dat kun jij als ondernemer beter beoordelen dan welke tool-leverancier ook.
Stap 1: begin bij een probleem, niet bij een tool
Draai de vraag om. Niet “wat kunnen we met AI?” maar “welk terugkerend probleem kost ons structureel tijd of geld?” Denk aan:
- Offertes die telkens te lang op zich laten wachten.
- Klantvragen die zich eindeloos herhalen.
- Facturen of gegevens die handmatig worden overgetypt.
- Teksten (productbeschrijvingen, mails) die veel tijd kosten.
Kies er één. Eentje die vaak terugkomt, waar de pijn concreet is, en waarvan je het gewenste resultaat kunt beschrijven. Klein en meetbaar verslaat groot en vaag — opschalen kan altijd als het werkt.
Stap 2: bepaal de uitkomst waarop je stuurt
Hier gaan de meeste projecten de mist in. Ze meten een activiteit in plaats van een uitkomst. Suresh beschrijft bedrijven waar medewerkers worden afgerekend op “hoeveel geld aan AI is uitgegeven” — een maatstaf die je kunt oppoetsen zonder dat er iets beter wordt.
Een goede maatstaf is een echte uitkomst:
- “De doorlooptijd van een offerte daalt van twee dagen naar vier uur.”
- “We typen geen facturen meer handmatig over.”
- “De helft van de standaard klantvragen wordt correct automatisch beantwoord.”
Een slechte maatstaf is een activiteit: geld uitgegeven, tools uitgerold, medewerkers “aan de AI”. Wat je meet, stuurt gedrag. Kies dus een cijfer dat pas groen wordt als je bedrijf er echt beter van is geworden.
Gevorderden:koppel de maatstaf aan een bestaand bedrijfscijfer dat je toch al bijhoudt — offerte-doorlooptijd, first-time-right op facturen, afhandeltijd van tickets. Dan heb je meteen een nulmeting van vóór het project en kun je het effect hard maken in plaats van op gevoel.
Stap 3: bepaal vooraf hoe je toetst (de “eval”)
Voordat je één euro uitgeeft, bepaal je hoe je gaat controleren of het werkt. In de AI-wereld heet dat een eval — een test die meet of de AI doet wat je wilt. Het klinkt technisch, maar voor een ondernemer is het doodgewoon: leg de AI een set echte gevallen voor en controleer de uitkomst.
Voor een offerte-assistent bijvoorbeeld: neem tien echte aanvragen van de afgelopen maand, laat de AI er offertes van maken, en check of prijs, voorwaarden en toon kloppen. Haalt ‘ie acht van de tien foutloos? Bruikbaar, mits iemand de laatste check doet. Drie van de tien? Nog niet.
Dit is geen mkb-truc maar de nieuwe standaard, ook bij de groten. Xavi Amatriain, de eerste chief AI-officer van Expedia, vatte het op AI-congres VB Transform 2026 samen als: “Het nieuwe productplan zijn de evals” — je legt vóór het bouwen vast wat het moet kunnen en hoe je dat toetst (Bron: VentureBeat). Veelzeggend detail uit datzelfde verhaal: van de onderzochte bedrijven vertrouwt slechts 5% zijn geautomatiseerde toetsing volledig. Vertrouwen komt van testen, niet van hopen.
Stap 4: klein starten, dan pas opschalen
Met een scherp probleem, een uitkomst-maatstaf en een toets kun je klein beginnen: één proces, een paar weken, één verantwoordelijke. Werkt het en haal je je cijfer? Dan schaal je op naar meer gevallen of een volgend proces. Werkt het niet? Dan heb je weinig verspild en veel geleerd — en dat is óók winst, mits je het snel vaststelt.
Waarom dit werkt voor jou
Het verschil tussen een mkb’er die waarde uit AI haalt en eentje die geld verbrandt, zit zelden in de gekozen tool. Het zit in de discipline: één probleem, een uitkomst waarop je stuurt, en een toets die je vooraf hebt bedacht. Laat je niet opjagen door concurrenten die met AI schermen of door aanbieders die urgentie verkopen. De ondernemer die op uitkomst stuurt in plaats van op zichtbaarheid, wint het op de lange termijn. Waarde boven hype — dat is precies waar dit platform voor staat.