AI-implementatie zonder de hype: een nuchter raamwerk voor mkb-eigenaren
Veldnotitie uit het onderzoek achter de masterscriptie Strategic Frameworks for AI Adoption in Small and Medium-sized Educational Enterprises (SMEs): A Dutch Market Analysis (Rotterdam Business School, augustus 2024). Geschreven voor mkb-eigenaren die zien dat AI iets kan doen voor hun bedrijf, maar die geen zin hebben in nóg een vendor-pitch.
Het probleem is niet de technologie
De meeste mkb-eigenaren in Nederland weten inmiddels dat AI bestaat. Ze hebben ChatGPT geprobeerd. Ze hebben een leverancier gehoord die "AI-aangedreven" iets verkocht. Ze hebben gelezen dat ze "achterop raken". Wat ze missen is geen bewustzijn — wat ze missen is een werkbaar raamwerk om te beslissen waar AI in hun specifieke operatie iets toevoegt en waar het ruis is.
Dit raamwerk doet drie dingen die de meeste vendor-pitches niet doen:
- Het begint bij de bestaande operatie, niet bij de tool.
- Het maakt onderscheid tussen leverage en automatisering. Niet hetzelfde.
- Het neemt governance serieus, omdat governance precies daar breekt waar mkb het zich het minst kan veroorloven.
Stap 1 — De operatie in kaart brengen vóór er over AI gesproken wordt
De eerste fout die organisaties maken, is een tool kiezen voordat ze hun eigen workflows hebben opgeschreven. Een typisch services-mkb van 15 medewerkers heeft tussen de 30 en 60 herhalende taken die ergens in de week terugkomen. Sommige zijn pure automatiseringskandidaten (een mailtje na een afspraak, een rapportage maken op vrijdag). Andere zijn leverage-kandidaten (een propositie schrijven, een ingewikkelde klantmail opstellen). Weer andere zijn beide niet — die moet u met rust laten.
Het verschil zit niet in de tool. Het zit in welk soort werk u op tafel heeft.
Praktische oefening: schrijf één week lang elk uur op wat u of uw team daadwerkelijk aan het doen is. Categoriseer naderhand in drie groepen — herhalende uitvoering, eerste-draft-werk, oordeelsvorming. AI helpt vrijwel altijd in de eerste twee categorieën. In de derde is AI gevaarlijk: het versnelt verkeerde beslissingen.
Stap 2 — Leverage onderscheiden van automatisering
Leverage en automatisering zijn niet hetzelfde, en de marketing van AI-tools maakt dat onderscheid bijna nooit.
Automatisering is: een taak die nu door een mens wordt gedaan, wordt voortaan gedaan door software, zonder menselijke tussenkomst. Voorbeeld: e-mail-routing op basis van trefwoorden. Werkt — totdat het niet werkt, en dan weet niemand waarom een belangrijke klantmail in de spam-map zat.
Leverage is: een taak die nu een mens een uur kost, kost diezelfde mens straks tien minuten omdat de eerste draft door AI is gedaan en de mens reviewt en finetunet. Voorbeeld: een klantvoorstel uitschrijven. De ervaring blijft dat van een mens; de doorlooptijd valt 80% terug.
Voor de meeste mkb-eigenaren is leverage de juiste startpositie, niet automatisering. Automatisering vereist proceshelderheid die de meeste mkb's niet bezitten — en die ze paradoxaal genoeg pas opbouwen door eerst leverage in te zetten.
Stap 3 — Governance is geen luxe, het is een vereiste
Hier breekt het meeste mkb-AI. Niet omdat de tool faalt, maar omdat er geen mechanisme is om te zien wat de tool deed.
Drie minimumvereisten voor governance, ongeacht welke tool u kiest:
- Een grootboek per AI-actie. Wie heeft wat wanneer aan AI gevraagd, wat kostte het, wat kwam eruit. Geen schatting — een transactioneel record. Anders weet u over drie maanden niet wat AI uw bedrijf gekost heeft.
- Een review-pad voordat AI-output naar buiten gaat. Niet "AI mag mijn LinkedIn-post posten". Wel "AI levert de eerste draft, ik review en post." Als uw tool die review-stap niet aanbiedt, is het niet een productiviteit-tool maar een aansprakelijkheidsrisico.
- Een rollback-pad. Wat AI heeft gewijzigd, moet u kunnen terugdraaien. Vraag elke leverancier hoe rollback werkt. Als het antwoord vaag is, is het er niet.
Deze drie eisen sluiten 80% van de hyped AI-tools van dit moment uit. Dat is geen toeval; dat is het verschil tussen leverage en marketing.
Stap 4 — Beginnen met leverage, eindigen met automatisering
Een werkbaar driemaandsplan voor een mkb-eigenaar:
- Maand 1: identificeer drie leverage-taken (eerste-draft-werk dat een mens nu een uur kost). Zet AI in als drafter, mens reviewt. Meet doorlooptijd.
- Maand 2: identificeer één procesfragment dat zich heeft uitgekristalliseerd (de review-stap is voorspelbaar geworden). Automatiseer alleen dát fragment, met grootboek en rollback ingebouwd.
- Maand 3: review wat werkte. Schaal op alleen waar de leverage-meting meetbare tijd heeft teruggegeven, niet waar het "lekker voelde".
Deze cadans lijkt traag. Hij is dat ook. Maar hij maakt de fout van vroeg-automatiseren niet — een fout die in mijn onderzoek naar Nederlandse mkb-onderwijsondernemingen consequent terugkwam: organisaties die AI hadden geadopteerd zonder bovenstaande discipline, hadden binnen zes maanden óf de tool weer afgeschaft, óf gemerkt dat hun datakwaliteit was verslechterd, óf beide.
Tot slot — wat dit raamwerk niet doet
Dit raamwerk maakt niemand een AI-expert. Het verkort niet de leercurve van een specifieke tool. Het belooft geen 10x productiviteit (die belofte komt vrijwel uitsluitend uit US-marketingmateriaal en houdt geen stand op Nederlandse mkb-werkelijkheid).
Wat het wél doet: het zorgt dat u kunt beslissen waar AI iets toevoegt voor uw specifieke bedrijf, en dat u dat besluit kunt onderbouwen tegenover uw team, uw boekhouder, en — als het ooit moet — een toezichthouder.
Dat is het minimum. Alles boven dat minimum is winst.
Dit is een veldnotitie, geen volledig artikel. Voor de volledige onderzoeksbasis: de masterscriptie staat op aanvraag beschikbaar.