Kronehoefstraat 85
5612 HL Eindhoven
BTW NL863902509B01
AI-strategie is geen toolkeuze
qw
vc
mshm
.svg)
Een AI-strategie is geen toolkeuze. Het is een reeks bewuste keuzes over welk proces je eerst aanpakt, hoe je afhankelijkheid van één leverancier beperkt, en hoe je data-ophaling en kwaliteit meetbaar maakt voordat je verder investeert.
Veel directies denken dat de AI-strategie klaar is zodra de licentie getekend is. Copilot, Gemini of ChatGPT Enterprise staat live, iedereen heeft toegang, en de volgende vergadering gaat alweer over iets anders.
Een half jaar later ziet het beeld er anders uit. Er is veel geprobeerd, weinig staat in productie, en niemand kan aanwijzen welk proces nu daadwerkelijk sneller of foutlozer loopt. Dat is geen incident op één bedrijf. Gartner voorspelt dat meer dan 40% van de AI-agent-projecten voor eind 2027 wordt geschrapt, vooral door oplopende kosten, onduidelijke business value of te weinig risicobeheersing (Gartner, 2025).
Onderzoek van MIT bevestigt het patroon op grotere schaal. Van de onderzochte generatieve AI-pilots leverde 95% geen meetbare winst op de bedrijfsresultaten op, ondanks 30 tot 40 miljard dollar aan investeringen wereldwijd (MIT NANDA, 2025). De oorzaak zit zelden in het model: hij zit in wat eromheen ontbreekt.
Een recentere Gartner-peiling onder 782 operationele leiders laat hetzelfde beeld zien op de werkvloer: slechts 28% van de onderzochte AI-toepassingen voldeed volledig aan de verwachte business value, en 20% faalde ronduit (Gartner, 2026). De techniek is zelden het probleem. Het ontbreken van een duidelijk antwoord op de vraag welk werk er echt beter moet worden, is dat wel.
Nederland staat er relatief goed voor: bijna 30% van de bedrijven met 10 tot 249 medewerkers gebruikt inmiddels AI, een flinke stijging ten opzichte van twee jaar geleden (CBS, 2025). Zie ook onze bredere doorkijk in de staat van de AI-economie. Het probleem is dus niet dat bedrijven te weinig AI gebruiken. Het probleem is dat "we doen iets met AI" wordt verward met een strategie.
Een platform kiezen is een inkoopbeslissing. Een strategie beantwoordt een andere vraag: welk werk wordt echt beter, voor wie, en hoe weet je dat zeker. Zonder dat antwoord verandert elke modelwissel, elke nieuwe feature en elke sales-pitch van een leverancier de koers opnieuw, en begint de discussie in de directiekamer telkens weer bij nul.
De eerste vraag bij een AI-strategie is nooit "welk model gebruiken we". Het is: welk proces kost ons team structureel tijd, geld of kwaliteit, en hoe vaak gebeurt dat.
Dat klinkt simpel, maar in de praktijk slaan de meeste bedrijven deze stap over. Ze beginnen bij de tool, zoeken daarna een toepassing erbij, en komen erachter dat de tool overal een beetje past en nergens echt oplost. Die volgorde omdraaien is het verschil tussen een experiment en een project dat blijft draaien.
Drie vragen bepalen welk proces de moeite waard is om als eerste aan te pakken:
Processen die vaak voorkomen, veel mensen raken en een beheersbaar risico hebben als ze misgaan, zijn de beste kandidaten voor een eerste project. Dat is precies waar intelligente procesautomatisering begint: niet bij de techniek, maar bij het proces dat je eerst in kaart brengt. Wij schreven eerder over hoe die afbakening in de praktijk werkt in intelligente bedrijfsprocesautomatisering.
Zodra het proces vaststaat, is de modelkeuze een detail. Dat lijkt tegenintuïtief voor wie net een handvol AI-demo's heeft gezien, maar het is precies de volgorde die een project laat overleven tot ver na de eerste modelwissel. Bedrijven die bij de techniek beginnen, bouwen iets dat werkt bij de demo. Bedrijven die bij het proces beginnen, bouwen iets dat blijft werken als het model erachter een jaar later anders heet.
Modellen veranderen sneller dan de meeste bedrijven hun strategie herzien. Een taalmodel (LLM) dat dit kwartaal het beste resultaat geeft, kan volgend kwartaal ingehaald zijn op kwaliteit, prijs of snelheid. Dat is geen reden om te wachten met bouwen. Het is een reden om niet te bouwen rond één leverancier.
Model-onafhankelijk ontwerpen betekent dat het model een instelling is, geen fundament. De agent-logica, de validatieregels en de koppelingen met je systemen blijven staan. Het model erachter wisselt, als dat nodig is, zonder dat je opnieuw moet bouwen.
Dat principe gaat niet overal op. Sommige toepassingen zijn zo specifiek getest op het gedrag van één model, dat een wissel meer risico oplevert dan hij oplost. Model-onafhankelijkheid is een ontwerpkeuze per situatie, geen dogma. De vraag is niet welke leverancier je kiest, maar wat je verliest als je over een jaar moet wisselen, en of dat verlies acceptabel is.
In de praktijk betekent dit dat we agents bouwen met een duidelijke laag ertussen: de agent roept een model aan via een vaste interface, niet rechtstreeks met leveranciersspecifieke code verweven door de hele toepassing. Die laag kost bij de bouw iets meer tijd. Hij betaalt zich terug zodra de volgende generatie modellen uitkomt, wat realistisch gezien binnen een jaar gebeurt.
Een AI-model mag analyseren, signaleren en voorstellen formuleren. Het mag nooit zelf de feiten verzinnen waarop die analyse draait. Dat onderscheid lijkt technisch, maar het is het verschil tussen een AI-strategie die een directie kan vertrouwen en eentje die op een gegeven moment een verkeerd getal in een besluit laat sluipen.
Taalmodellen zijn goed in patronen herkennen en tekst produceren. Ze zijn niet gebouwd om getallen exact over te nemen. Onderzoek naar het gebruik van taalmodellen op financiële data laat zien hoe snel dat misgaat: de nauwkeurigheid van de beste modellen zakt van ruim 95% op simpele lookups naar bijna nul bij meervoudige berekeningen (OWASP GenAI Security Project, 2025). Een model dat "ongeveer" een cijfer overneemt, is voor een directiebesluit onbruikbaar.
De oplossing is een scheiding die bij elk project vooraf vastligt. Ophalen van gegevens, zoals facturen, boekingen of urenregistraties, gebeurt met code: exact, reproduceerbaar, zonder interpretatie. Analyseren en signaleren is waar AI waarde toevoegt: patronen zien, afwijkingen markeren, een samenvatting voorbereiden voor een mens die de beslissing neemt. Dat laatste heet mens-in-de-loop: niet omdat je het model niet vertrouwt, maar omdat sommige beslissingen een mens horen te blijven nemen. Dat sluit ook aan bij de EU AI Act, die voor risicovolle AI-toepassingen expliciet menselijk toezicht verplicht (European Commission, 2026).
Dit onderscheid bestond al vóór de huidige golf AI, en het is precies waarom automatisering van vóór AI en AI zelf elkaar aanvullen in plaats van vervangen. We werkten dat verder uit in RPA versus intelligente automatisering. Een AI-strategie die dit onderscheid negeert, bouwt op een fundament dat verschuift zodra iemand de brondata gaat controleren.
Dezelfde scheiding is de basis van wat wij een AI-bedrijfsbrein noemen: betrouwbare dataontsluiting eerst, AI die daarop analyseert en signaleert, nooit omgekeerd.
Zonder meetlat weet niemand of een modelwissel een verbetering is of een verslechtering. Dat is het probleem dat de meeste bedrijven pas ontdekken ná de wissel, als een collega meldt dat "de AI nu anders reageert" en niemand kan zeggen of dat beter of slechter is.
De oplossing heet een eval-set: een vaste lijst representatieve prompts en inputs, met per geval een duidelijk criterium voor een goed antwoord. Je draait die set bij elke wijziging: een nieuw model, een aangepaste prompt, een nieuwe versie van je data. Anthropic beschrijft een evaluatie treffend als een test voor een AI-systeem: een input erin, een duidelijke beoordelingslogica erover, en een score die meet of het systeem slaagde (Anthropic, 2026).
Zonder die set stuurt niemand op feiten, alleen op gevoel. Een eval-set is geen luxe voor grote techbedrijven, het is de enige manier om een modelwissel te onderbouwen in plaats van te voelen. Voor een MKB-bedrijf zonder eigen AI-team hoeft dat geen zwaar instrument te zijn: tien tot twintig representatieve gevallen, een paar keer per maand doorlopen, is al genoeg om een trend te zien in plaats van een losse indruk.
Zo meet je drie dingen tegelijk, en dat onderscheid is precies waar bedrijven zonder meetlat verdwalen. De prompt: geeft de juiste instructie het juiste resultaat. Het model: presteert leverancier A beter dan leverancier B op jouw specifieke taak. De output: is het resultaat bruikbaar voor wie het ontvangt, zonder nabewerking. Wissel je een van de drie, dan weet je binnen een eval-run of je vooruitgaat of achteruitgaat, in plaats van dat te hopen.
McKinsey signaleert een vergelijkbare kloof op grotere schaal: bijna twee derde van de organisaties is nog niet begonnen met het opschalen van AI door de hele onderneming, vaak omdat pilots nooit een harde maatstaf krijgen om op te schalen (McKinsey, 2025). Een eval-set is de kleinste stap die een MKB-bedrijf kan zetten om niet in diezelfde kloof te vallen.
Het eerste project moet niet het grootste probleem oplossen. Het moet het duidelijkste bewijs leveren dat de aanpak werkt. Een afgebakende proof of concept, zoals een 13-weken-cashflowprognose voor de financiële functie, maakt risico, kosten en waarde concreet voordat er een grotere investering wordt gedaan.
Een goed eerste project heeft drie kenmerken: een duidelijke grens, één proces, niet een hele afdeling, een succescriterium dat je vooraf vastlegt, en een eigenaar die na afronding verantwoordelijk blijft voor het resultaat. Zonder die drie verdwijnt een pilot in de stilte zodra de aandacht verschuift naar het volgende idee.
Dat verschil ontdekken bedrijven meestal halverwege de bouw, als de begroting al grotendeels naar licenties is gegaan. De AI zelf is zelden de duurste regel op de factuur. Dataontsluiting, proceslogica en het testen van wat er gebeurt als iets misgaat, zijn dat wel, en dat is precies het werk dat de meeste platformkeuzes overslaan.
Zodra het eerste project draait en zijn eigen succescriterium heeft gehaald, ontstaat de roadmap bijna automatisch. Niet als een lijvig strategiedocument, maar als een lopende lijst: welk proces is bewezen, wat hebben we ervan geleerd over dataontsluiting en validatie, en welk volgend proces voldoet aan dezelfde criteria als het eerste. Dat is precies waar een afgebakend AI-pilotproject waarde levert: het betaalt zichzelf terug in inzicht, ook als het financiële resultaat op de euro tegenvalt.
In de praktijk volgt die opbouw een vaste volgorde:
Zo wordt een AI-strategie nooit een document dat in een la verdwijnt. Het is een reeks bewezen stappen, elk met een eigen meetlat, die samen een richting vormen die blijft staan ook als het volgende model op de markt komt.
Nee. Een licentie bepaalt welk gereedschap je team gebruikt, niet welk probleem je oplost of hoe je weet dat het werkt. Een AI-strategie begint bij het proces dat je wilt verbeteren en legt vast hoe je dat meet. Zonder dat tweede deel is een platformkeuze een inkoopbeslissing, geen strategie.
Begin bij één proces dat vaak voorkomt, veel mensen raakt en een beheersbaar risico heeft als het misgaat. Kies daarbinnen een afgebakende proof of concept met een vooraf vastgelegd succescriterium. Je hebt geen intern AI-team nodig om die eerste stap te zetten, wel een duidelijke eigenaar die verantwoordelijk blijft na afronding.
Niet standaard. Houd de agent-logica, validatieregels en systeemkoppelingen los van het onderliggende model, zodat een leverancierswissel een instelling wordt en geen nieuw project. Voor toepassingen die sterk op het gedrag van één model zijn getest, is vastleggen soms toch de verstandigste keuze: beoordeel dat per situatie.
Door een vaste eval-set te draaien: representatieve voorbeelden met een duidelijk criterium voor een goed antwoord. Vergelijk de score van het nieuwe model met de score van het oude op exact dezelfde set. Zonder die meetlat voelt een modelwissel als een verbetering of verslechtering, maar weet je het niet zeker.
Niet zonder controle. Taalmodellen zijn niet gebouwd om getallen exact over te nemen, en de nauwkeurigheid daalt snel bij complexere berekeningen. Laat data-ophaling via code lopen, exact en reproduceerbaar, en laat AI de rol van analyseren en signaleren spelen, met een mens die de uiteindelijke beslissing neemt.
Het grootste deel van het budget gaat zelden naar het model of de licentie. Het gaat naar betrouwbare dataontsluiting, validatie, foutafhandeling en testen: de laag die ervoor zorgt dat de agent ook werkt als er iets misgaat. Bedrijven die dit vooraf begroten, komen minder vaak voor een verrassing halverwege de bouw.
Klein genoeg om binnen een paar maanden een duidelijk antwoord te geven. Eén afgebakend proces, één succescriterium, één eigenaar. Een project dat te breed start, levert zelden een helder bewijs op, en zonder bewijs is er geen basis om de volgende stap te zetten.
Wij brengen je processen in kaart, kiezen de use case die het snelst betrouwbaar werkt, en leggen daaronder een basis die de volgende tien draagt.
.svg){kind=icon}