Tien AI-ideeën, één budget: hoe kiest u waar u begint?

Laatst bijgewerkt op 14 september 2026

Een lijst van tien, en budget voor één

Het bedrijf hieronder is fictief, de situatie niet. Een machinebouwer, ruim honderd medewerkers, productie in eigen huis en een serviceafdeling die onderhoudscontracten en interventies draait. Na een beursbezoek en een interne AI-workshop ligt er een lijst met tien ideeën op de directietafel. Die lijst groeide vanzelf. Vandaag plakt zowat elke leverancier AI op zijn product, en elk gesprek met een softwarepartner eindigde met een suggestie erbij. Niemand hoefde erom te vragen. De ideeën kwamen binnen via de verkoper van het ERP, via de partner die de website onderhoudt, en via een collega die iets oppikte op een congres.

Op de lijst staat van alles door elkaar: een chatbot voor klantvragen op de website, AI-forecasting voor de verkoop, automatische verwerking van binnenkomende bestelbonnen, een offerte-assistent, slimmere planning van de servicetechniekers, camerakwaliteitscontrole op de productielijn, doorzoekbare technische documentatie, controle op afwijkende aankoopfacturen, een assistent die klachten en retourmeldingen sorteert, en een tool die inkomende mails sorteert. Het budget en de beschikbare tijd volstaan voor één project, hoogstens twee. Tien ideeën verdringen zich voor één plaats, en niemand aan tafel meet ze op dezelfde manier.

Een deel van die lijst kan meteen weg. Sommige ideeën horen er niet op: er zit geen echt probleem achter, of gewone automatisering doet het sneller. Dit artikel begint waar die schifting eindigt, bij het kiezen tussen de ideeën die overblijven.

Vier favorieten, geen criteria

De commercieel directeur wil de chatbot. De demo op de beurs was indrukwekkend, met vlotte antwoorden, meertalig, en volgens de leverancier meteen inzetbaar. De CFO neigt naar forecasting, want betere voorspellingen raken voorraad en cashflow tegelijk. De operations manager pleit voor de kwaliteitscontrole op de productielijn. En de zaakvoerder voelt het meest voor de mailsortering. Klein, goedkoop, en niemand kan er zich aan mispakken.

Een uur later staat de vergadering nergens verder. Vier mensen, vier ideeën, en niemand heeft een argument dat de andere drie overtuigt. Elke voorkeur klopt op zijn manier, maar dat brengt de tafel niet vooruit. Zonder gemeenschappelijke lat wint niemand op inhoud.

Dan ligt het compromis à la belge klaar. Iedereen krijgt een beetje, vier kleine pilots vervangen één echt project, en op papier doet de hele tafel mee. In de praktijk krijgt geen enkele pilot genoeg budget, aandacht en data om een proces echt te raken. Een jaar later staan er vier halve experimenten zonder bewijs. Die versnippering is een van de redenen waarom AI-pilots stranden.

Waarom waarde tegen haalbaarheid niet volstaat

De CFO stelt voor wat veel adviseurs voorstellen. Zet alle ideeën in een matrix, met waarde op de ene as en haalbaarheid op de andere. Het oogt objectief, maar er zit een weeffout in. De chatbot krijgt hoge waarde, en dat oordeel komt van de demo. De bestelbonnen krijgen gemiddelde waarde, en dat cijfer komt uit telbare volumes. Op het scherm zijn de twee stippen niet van elkaar te onderscheiden. De ene rust op een indruk, de andere op een telling, en toch staan ze op dezelfde schaal. Een matrix met twee assen beloont wie het zelfverzekerdst gokt.

Er ontbreekt een derde vraag. Hoe zeker bent u van die inschatting?

Drie assen in plaats van twee

Het team legt er daarom een derde as bij. Zo ziet die meetlat eruit.

1. De opbrengst is een vork. Een exact getal is hier schijnprecisie, dus werkt u met een minimum en een maximum. De ondergrens is wat er vrijwel zeker in zit, de bovengrens wat erbij kan als alles meezit. Die vork dwingt tot de juiste vraag. Waarop is dit gebaseerd? Ze maakt kiezen ook makkelijker. Een ondergrens die de investering alleen al terugverdient, is een sterk argument.
2. De zekerheid van die inschatting telt evenzeer. Hoe goed kunt u de vork onderbouwen? Staat de opbrengst nu al telbaar in uw systemen, zoals het aantal bestelbonnen dat de administratie elke week overtypt? Dan is de zekerheid hoog. Hangt ze af van gedrag dat moet veranderen, bij klanten of bij uw eigen mensen? Dan is ze laag, hoe groot de belofte ook klinkt.
3. De inspanning is de derde as. De licentieprijs speelt hier nauwelijks mee, want die is zelden het probleem. Belangrijker is de vraag of er eerst data op orde moeten komen, zoals de master data van artikels of klanten. Is er een koppeling met het ERP nodig? En hoeveel tijd vraagt het van mensen die dat naast hun gewone werk moeten vrijmaken?

De scores hoeven niet verfijnder te zijn dan hoog, midden en laag. Precisie is hier niet het doel. Elk idee gaat langs dezelfde meetlat, en een mening heeft voortaan onderbouwing nodig.

Wat er met de lijst gebeurt

Het idee zonder ambassadeur eindigt bovenaan. De automatische verwerking van bestelbonnen was te saai om iemand te vinden die ze verdedigde.

Er komen ruim negentig bestelbonnen per week binnen, via mail en als pdf. De administratie klopt ze over in het ERP, gemiddeld vijf minuten per bon, nakijken inbegrepen. Dat is zeven à acht uur per week. Raakt zestig procent automatisch verwerkt, dan komt er ruim vier uur per week vrij. Tweehonderd uur per jaar, en dat is de ondergrens. De bovengrens ligt hoger, want er verdwijnen ook invoerfouten die verderop in het proces geld kosten, bij een verkeerde levering of een creditnota. Alleen valt die bovengrens vandaag niet te onderbouwen. De ondergrens wel, en daarop wordt beslist. Het saaiste idee had de stevigste ondergrens.

Waar zit de AI hier? De order aanmaken en doorsturen is gewone automatisering. Het model doet iets anders. Het leest een document waarvan de opmaak per klant verschilt, en haalt er artikelnummer, aantal, prijs en leverdatum uit. Zo’n model komt vooraf getraind uit de doos. Het heeft leren lezen op miljoenen documenten, niet op die van u. Uw eigen historiek dient om na te gaan of het klopt en om het bij te sturen waar uw bonnen afwijken. Bij elk veld geeft het model een accuraatheidsscore mee. Wat boven de drempel zit gaat automatisch door, de rest komt op het scherm van de administratie. Aan die drempel stuurt u het geheel bij.

De zekerheid is hoog, want dat overtypwerk staat vandaag al in de systemen. De inspanning blijft beperkt, want het proces is afgebakend en de documenten komen sowieso binnen. Daar start het bedrijf.

De planning van de servicetechniekers volgt als tweede project. Dat is de dienstenkant van het bedrijf, en die rekent anders. Een serviceafdeling verkoopt uren in plaats van stuks, en elk uur dat verkeerd ingepland raakt, komt niet meer terug.

Ook hier loopt de scheidingslijn anders dan verwacht. Een planning opmaken is grotendeels rekenwerk, en dat is geen nieuwe technologie. Het valt of staat wel met één inschatting die vandaag in het hoofd van de planner zit, namelijk hoe lang een interventie gaat duren. Daar zit het model. Een model dat leert uit de uitgevoerde interventies, per type toestel en per soort storing, schat duur en reistijd scherper in dan een vast blok van twee uur. Met die schattingen bouwt een systeem de dag op, en het stuurt bij zodra er een spoedinterventie tussenkomt.

De opbrengst is telbaar, want verplaatsingstijd en niet-gefactureerde uren staan al in de systemen. De zekerheid ligt wel lager dan bij de bestelbonnen. Een model leert alleen uit wat geregistreerd is. Weet de planner uit ervaring dat één klant altijd uitloopt, en staat dat nergens genoteerd, dan weet het model het evenmin. Ook de inspanning ligt hoger, door de koppeling met de planningstool en de interventiehistoriek die eerst op orde moet komen. Daarom is dit project twee en geen één. Het wordt voorbereid terwijl het eerste loopt, en gaat van start zodra dat oplevert. Die volgorde volgt uit de drie assen. Een voorkeur aan tafel heeft er niets mee te maken.

De forecasting heeft de hoogste bovengrens van de hele lijst, en wordt toch geparkeerd. De zekerheid is te laag. Zo’n model leert uit historische patronen, en die zijn hier dun. Een groot deel van de omzet zit in projectmatige orders die elkaar niet herhalen, en de verkopers kennen hun klanten vandaag beter dan eender welk model. Daar komt bij dat vraag en aanvoer hier meebewegen op geopolitieke schokken, en die ziet geen enkel model aankomen. Geparkeerd is niet geschrapt. Er staat een datum op om de kans opnieuw te bekijken, met een propere verkoophistoriek en een half jaar extra ervaring.

De camerakwaliteitscontrole haalt het niet op de inspanning. De opbrengst is er, want uitval en klachten staan geteld. Alleen moet er eerst een camera aan de lijn hangen met verlichting die altijd hetzelfde is, en moeten er beelden van goede en van foute stukken verzameld worden voor een model iets kan herkennen. Dat is een project op zich. Het schuift door naar het volgende budgetjaar, met die reden erbij.

De chatbot sneuvelt, met reden. De opbrengst bleek bij navraag een verwachting zonder ondergrens: minder telefoons naar de binnendienst, maar niemand kon zeggen hoeveel. De inspanning was bovendien onderschat. De productinformatie waarmee de chatbot zou moeten antwoorden, zit verspreid over de website, pdf’s en de hoofden van twee medewerkers. Wie daar een chatbot op zet, automatiseert verwarring.

De mailsortering blijft ten slotte liggen. Ze is goedkoop en niemand heeft er last van. Alleen kost het sorteren van mails vandaag nauwelijks tijd en geen geld, dus valt er ook weinig te winnen. Als eerste AI-project bewijst ze niets, en bewijs is net wat dit bedrijf nodig heeft.

De nee-lijst is evenveel waard als de keuze

De oefening levert één startproject op en één opvolger. Minstens even waardevol is de lijst van wat het bedrijf bewust niet doet, met de reden erbij. Die lijst legt terugkerende discussies vast. Komt er drie maanden later een leverancier langs met een indrukwekkende AI-demo, dan krijgt die dezelfde drie vragen. Wat is de vork? Hoe zeker is die inschatting? Welke inspanning vraagt dit van ons? De meeste pitches overleven die drie vragen niet.

Er zit ook een budgetlogica achter de keuze voor één of twee projecten. Het eerste project moet meetbaar opleveren, en die opbrengst financiert en legitimeert het tweede. Vertrouwen in AI groeit niet door visiepresentaties. Het groeit door één toepassing die aantoonbaar werkt in een echt proces.

Wat u zelf kunt doen

Uw eigen lijst past in een tabel met drie kolommen. Laat de voorstander van elk idee de ondergrens onderbouwen met een getal uit uw eigen systemen, niet met een schatting. Wat niet onderbouwd raakt, zakt vanzelf naar beneden. Die oefening kost één vergadering.

De lijst veroudert, de meetlat niet

Binnen zes maanden ligt er een nieuwe lijst, want het aanbod blijft groeien. Elk nieuw idee krijgt dan dezelfde drie vragen, en de discussie start nooit meer van nul. Dat is ook precies de volgorde van probleem naar businesscase waarmee een AI-traject hoort te beginnen.

Het moeilijkste deel van de oefening blijft het onderbouwen van de vork en de zekerheid. Dat vraagt zicht op uw eigen volumes en op de kwaliteit van uw data. Wie dat zicht niet heeft, verzamelt meningen in plaats van cijfers, en dan wint alsnog de luidste stem. Daar begint het echte werk, bij de cijfers waarmee u tien ideeën tegen elkaar afweegt.

Veelgestelde vragen

Hoeveel AI-projecten start u als KMO best tegelijk?

Eén, hoogstens twee. Eén project dat een echt proces raakt en meetbaar oplevert, bouwt meer vertrouwen en budget op dan vier halve pilots. De opbrengst van het eerste project financiert en legitimeert het tweede.

Hoe schat u de opbrengst van een AI-idee in zonder ervaringscijfers?

Werk met een vork: een minimum en een maximum in plaats van één getal. Bouw de ondergrens op telbare volumes die vandaag al in uw systemen zitten, zoals documenten, uren of orders, en beslis op die ondergrens. De bovengrens mag ambitieus zijn, maar draagt de beslissing niet.

Waarom volstaat een matrix met waarde en haalbaarheid niet?

Omdat die matrix verbergt hoe zeker de waarde-inschatting is. Een gok op basis van een demo en een meting op basis van echte volumes krijgen er dezelfde plaats in. De derde as, de zekerheid van de inschatting, maakt dat onderscheid zichtbaar en haalt het zelfverzekerd gokken uit de discussie.

Wat doet u met goede ideeën waarvoor nu geen budget is?

Parkeer ze met een reden en een datum, in plaats van ze te schrappen. Geschrapt is voor ideeën zonder businesscase, geparkeerd voor kansen waar de zekerheid vandaag te laag is of de inspanning te groot. Op de afgesproken datum bekijkt u ze opnieuw, met betere data.

Is het veiligste idee geen slimme eerste stap?

Klein beginnen is verstandig, onbeduidend beginnen niet. Uw eerste AI-project moet bewijs opleveren waarmee u de volgende keuzes onderbouwt. Een toepassing die niemand raakt en niets meetbaars verandert, levert dat bewijs niet, hoe veilig ze ook voelt.

Volgende stap

Ligt er bij u ook zo’n lijst? Een AI-scan levert exact wat dit artikel beschrijft: een opportuniteitenkaart waarin elk idee gescoord staat op opbrengst, zekerheid en inspanning, met een businesscase per opportuniteit. U weet daarna waar u aan begint, en waaraan beter niet.

Begin met een AI-scan

Dennis Houthoofd, oprichter Beyond KPI. 25+ jaar ervaring in finance, data en AI voor Vlaamse KMO's. Meer over Dennis.