Elke week verschijnt er wel een nieuw Ai-product dat “alles gaat veranderen”. Als ondernemer heb je daar weinig aan: jij wilt weten wat er vandaag werkt, wat het kost en wat het oplevert. Dit is de aanpak die ik zelf gebruik, in mijn eigen projecten en op mijn eigen homeserver, en die verrassend goed schaalt naar een gemiddeld MKB-bedrijf.
Begin bij het werk, niet bij de tool#
De grootste fout die ik zie: eerst een tool kiezen (“we moeten iets met Ai”) en daarna een probleem zoeken. Draai het om. Pak een vel papier en schrijf op welke taken in jouw bedrijf:
- Vaak terugkomen: dagelijks of wekelijks, niet één keer per kwartaal.
- Tekst of data als invoer hebben: e-mails, offertes, facturen, rapportjes, planningen.
- Een duidelijke uitkomst hebben: je kunt achteraf objectief zeggen of het goed ging.
Taken die aan alle drie voldoen zijn kandidaten. Denk aan: binnenkomende e-mail sorteren en samenvatten, conceptantwoorden opstellen, offertes uit een template vullen, notulen uitwerken, productteksten herschrijven. Niet: “onze strategie bepalen” of “de klantrelatie onderhouden”.
Kies één taak en maak het klein#
Uit mijn eigen praktijk: ik laat Ai-agents dagelijks logboeken samenvatten, storingen voor-analyseren en conceptteksten schrijven. Wat al die succesvolle toepassingen gemeen hebben, is dat ze klein en afgebakend begonnen. Eén taak, één werkstroom, één meetpunt.
Een goede eerste proef duurt twee weken en kost hooguit een paar tientjes aan abonnements- of API-kosten. De echte investering is de tijd van degene die de proef draait; reken die eerlijk mee. Je hebt er geen ontwikkelaar voor nodig: de chat-interface van een groot taalmodel plus een vaste, goed doordachte instructie (een “prompt-sjabloon” dat je opslaat en hergebruikt) komt verder dan de meeste mensen denken.
Meet vóór je opschaalt#
Spreek vooraf af hoe je succes meet, anders wordt het gevoelsmatig gerommel. Drie simpele meetlatten:
- Tijd: hoeveel minuten kostte de taak eerst, hoeveel nu (inclusief nakijken!)?
- Kwaliteit: hoe vaak moet je het Ai-resultaat corrigeren? Turf het gewoon.
- Doorlooptijd: reageert je bedrijf sneller richting klant?
Reken eerlijk. Als het nakijken van Ai-output net zo lang duurt als het zelf doen, heb je niets gewonnen. Dat is geen mislukking, dat is een waardevolle uitkomst van je proef.
De valkuilen die ik zelf ben tegengekomen#
- Alles tegelijk willen. Tien werkstromen half geautomatiseerd is slechter dan één werkstroom helemaal goed.
- Blind vertrouwen. Taalmodellen klinken altijd zelfverzekerd, ook als ze ernaast zitten. Houd een mens in de lus voor alles wat naar een klant gaat.
- Gevoelige data zomaar invoeren. Klantgegevens horen niet in elk gratis chatvenster. Kies zakelijke abonnementen met duidelijke afspraken over dataverwerking, en vraag je bij elke invoer af: mag dit het pand verlaten?
- Geen eigenaar aanwijzen. Zonder iemand die zich verantwoordelijk voelt, sterft elk Ai-experiment na drie weken een stille dood.
Samengevat#
Begin bij terugkerend, tekstueel, meetbaar werk. Kies één taak. Draai twee weken een proef met een vast prompt-sjabloon. Meet tijd, kwaliteit en doorlooptijd. Pas als de cijfers kloppen, schaal je op naar de volgende taak. Zo bouw je in een paar maanden een bedrijf dat aantoonbaar sneller werkt, zonder ook maar één hype achterna te rennen.
In volgende artikelen werk ik de concrete werkstromen uit, met echte kosten en echte foutpercentages uit mijn eigen praktijk.
Zelf aan de slag#
Wil je eerst zelf toetsen of je bedrijf klaar is om te beginnen, download dan de gratis Ai-startklaar-checklist voor het mkb: een nuchtere checklist die aanwijst waar je verantwoord kunt starten. Liever samen kijken waar de snelste winst zit? Op de consulting-pagina lees je hoe ik werk.