Wanneer is AI zinvol voor een KMO, en wanneer niet?

Laatst bijgewerkt op 22 augustus 2026

De vraag is actueler dan ooit. Een leverancier toont een indrukwekkende demo. Een collega-zaakvoerder vertelt dat zijn bedrijf “volop met AI bezig is”. Intern gebruiken uw medewerkers al ChatGPT, met of zonder afspraken. En vroeg of laat stelt uw bestuur of aandeelhouder de vraag: wat is ons AI-plan? Vlaams onderzoek van mei 2026 toont hoe breed die onzekerheid leeft: ruim de helft van de bevraagde KMO-medewerkers en zaakvoerders weet niet waar te beginnen. Niet door een gebrek aan tools, maar door een gebrek aan een toetsingskader. Dat kader volgt hieronder.

Waarom de meeste AI-projecten stranden vóór ze renderen

Eerst de cijfers die de toon zetten. Onderzoekers van MIT stelden in 2025 vast dat 95% van de generatieve AI-pilots geen meetbaar effect heeft op het bedrijfsresultaat. S&P Global zag in datzelfde jaar 42% van de bedrijven het merendeel van hun AI-projecten stopzetten. Dat ligt zelden aan de technologie. Het ligt aan de selectie: eerst werd een tool gekozen, daarna pas een probleem gezocht.

Hetzelfde onderzoek bevat een tweede les die voor een productie-, groothandels- of dienstenbedrijf relevanter is dan ze lijkt. Het meeste AI-budget gaat naar zichtbare toepassingen, zoals sales en marketing. Het grootste rendement zit nochtans in de back-office: documenten verwerken, gegevens overnemen, administratie en finance. Precies het werk dat in uw bedrijf vandaag stilletjes veel uren opslorpt.

De vraag “wanneer is AI zinvol?” is dus geen theoretische vraag. Ze bepaalt of uw investering bij de 5% hoort die rendeert, of bij de rest.

De drie voorwaarden, en hoe u ze concreet toetst

Een zinvolle AI-toepassing voldoet aan drie voorwaarden tegelijk. Eén ervan missen volstaat om een project te laten stranden. Per voorwaarde vindt u hieronder de checks om uw eigen situatie te beoordelen.

Voorwaarde 1: een proces met veel herhaling

AI rendeert het eerst op werk dat vaak terugkeert en grotendeels volgens vaste regels verloopt. Toets dat zo:

• Hoe vaak komt deze taak voor: tientallen keren per dag, of enkele keren per maand?
• Hoeveel tijd kost één afhandeling, en hoeveel mensen doen dit werk?
• Verloopt minstens 80% van de gevallen volgens hetzelfde stramien, of is elke situatie anders?
• Wat gebeurt er met uitzonderingen, en wie beslist daarover?

Bij de volumes van een middelgroot bedrijf, denk aan duizenden inkomende facturen, bestelbonnen of orderlijnen per maand, wordt een kleine winst per stuk groot op jaarbasis. Een taak die ad hoc is en telkens anders verloopt, blijft mensenwerk, hoe goed de demo ook oogt.

Voorwaarde 2: data die voor dát proces betrouwbaar is

AI op rommelige data geeft snelle, foute antwoorden. Het goede nieuws: uw data hoeft niet bedrijfsbreed perfect te zijn. Het volstaat dat de gegevens rond het ene proces dat u wil verbeteren, kloppen. De checks:

• Staan de gegevens die dit proces nodig heeft in uw ERP, of verspreid over losse Excel-bestanden en mailboxen?
• Zou een nieuwe medewerker met alleen die gegevens het werk correct kunnen uitvoeren? Wat een mens niet kan afleiden uit de data, kan AI ook niet.
• Spreken de rapporten over dit proces elkaar tegen, of wordt er manueel gecorrigeerd vóór cijfers naar de directie gaan?

Antwoordt u hier twijfelend, dan is de volgorde duidelijk: eerst betrouwbare cijfers, dan AI. Dat is geen omweg. Betrouwbare cijfers, dus cijfers waarop u sneller en juister beslist, renderen ook zonder dat er ooit AI bovenop komt. Hoe u daar geraakt, leest u op de pagina over Data & rapportering.

Voorwaarde 3: een businesscase die u kunt becijferen

Een businesscase is hier eenvoudig: wat levert de toepassing op, wat kost ze, en wanneer verdient ze zichzelf terug. Op het niveau van een eerste inschatting beoordeelt u elke AI-kans best op drie assen:

• Opbrengst, met een minimum en een maximum. Een exact getal vooraf is schijnprecisie; een vork (bijvoorbeeld een halve tot een hele voltijdse kracht aan vrijgekomen tijd) is realistisch en bruikbaar.
• Zekerheid van die inschatting. Bij documentverwerking kent u volumes en tijd per stuk: hoge zekerheid. Bij forecasting met AI hangt het resultaat af van datakwaliteit en patronen die u nog niet kent: lagere zekerheid.
• Inspanning om te realiseren: licentie- en bouwkosten, maar ook de tijd van uw eigen mensen en de aanpassing van het proces.

Wat veel oplevert, zeker genoeg is en weinig inspanning vraagt, gaat eerst. Wat goed klinkt maar op geen van de drie assen scoort, schrapt u zonder spijt, ook als de demo indruk maakte.

Zes situaties waarin AI niet de juiste eerste stap is

Even belangrijk als weten waar AI rendeert, is herkennen wanneer ze dat niet doet. Zes signalen:

1. Het probleem is niet scherp. “Iets met AI doen” is geen probleem, het is een opdracht zonder doel. Zolang u niet weet waar tijd of marge weglekt, kan geen enkele tool dat oplossen.
2. Uw cijfers spreken elkaar tegen. AI bovenop onbetrouwbare rapportering automatiseert het wantrouwen. Wie de cijfers vandaag manueel moet corrigeren, geeft een AI-toepassing morgen dezelfde foute basis.
3. Het proces zelf is het probleem. AI die een slecht proces versnelt, produceert sneller fouten. Loopt een proces vast door onduidelijke afspraken of dubbele stappen, trek dan eerst het proces recht.
4. Het volume is te laag. Maatwerk voor een taak die twaalf keer per jaar voorkomt, verdient zich zelden terug. Daar volstaat een goede werkinstructie of een eenvoudige automatisering.
5. De beslissing vraagt oordeel en verantwoordelijkheid. Prijszetting, personeelsbeslissingen, kredietlimieten: AI mag er voorbereidend werk voor doen, maar de beslissing blijft mensenwerk. De EU AI Act klasseert toepassingen rond werving en evaluatie bovendien als hoog risico, met bijhorende verplichtingen.
6. De use-case komt uit de demo, niet van uw werkvloer. Herkent niemand in uw bedrijf het probleem dat de leverancier schetst, dan koopt u een oplossing die een probleem zoekt. De goede richting is omgekeerd: van uw proces naar de toepassing.

Is wachten dan niet verstandiger?

Een begrijpelijke reflex: AI wordt elk kwartaal beter en goedkoper, en ook de regelgeving beweegt. In mei 2026 besliste Europa met het Digital Omnibus-akkoord om de zwaarste verplichtingen van de AI Act, die voor hoog-risicotoepassingen, uit te stellen naar eind 2027 en 2028. Het vereenvoudigde kader voor kleinere bedrijven werd bovendien verruimd naar ondernemingen tot 750 medewerkers en €150 miljoen omzet, waar de meeste Vlaamse KMO’s ruim onder blijven.

Betekent dat: rustig afwachten? Voor de toolkeuze soms wel. Voor de basis nooit. Twee verplichtingen blijven sowieso gelden vanaf augustus 2026: AI-geletterdheid, dus medewerkers die begrijpen wat AI wel en niet kan, en transparantie, zoals een chatbot die zich kenbaar maakt als AI. En belangrijker dan de regelgeving: data betrouwbaar maken en processen helder krijgen heeft van alle stappen de langste doorlooptijd, en rendeert ook zonder AI. Wie die basis nu legt, kan instappen op het moment dat een toepassing matuur en goedkoop is. Wie alles uitstelt, begint over twee jaar alsnog op het slechtst mogelijke vertrekpunt.

Hoe Beyond KPI naar deze afweging kijkt

Beyond KPI vertrekt niet bij de tool, maar bij de vraag waar in uw bedrijf marge, tijd en capaciteit verloren gaan. AI is in die aanpak bijna de laatste stap: eerst meten en begrijpen, dan pas kiezen of AI, gewone automatisering of een procesingreep het antwoord is. Soms is het antwoord ook gewoon: nu niet, eerst de cijfers.

Nog één nuchtere vaststelling uit het MIT-onderzoek die bij die volgorde past: extern gekochte, gespecialiseerde toepassingen slagen ongeveer dubbel zo vaak als interne bouwprojecten. Voor een KMO zonder eigen dataploeg is de logische lijn dan: koop of configureer bewezen oplossingen voor standaardprocessen, en bouw alleen zelf waar uw bedrijf zich echt onderscheidt. Maar die keuze komt pas nadat de drie voorwaarden hierboven zijn afgetoetst, niet ervoor.

Veelgestelde vragen

Hoe maakt u een AI-businesscase zonder harde cijfers?

Werk met een minimum en een maximum in plaats van een exact getal: hoeveel uren of marge komt er minimaal en maximaal vrij? Geef daarnaast aan hoe zeker die inschatting is en wat de realisatie aan inspanning vraagt. Een vork met een realistische zekerheidsinschatting is bruikbaarder voor een investeringsbeslissing dan een precies getal dat niemand kan onderbouwen.

Moet uw KMO wachten tot de EU AI Act volledig in werking is?

Nee. De zwaarste verplichtingen gelden alleen voor hoog-risicotoepassingen en zijn in mei 2026 uitgesteld naar eind 2027 en 2028. Voor de meeste KMO-toepassingen, zoals documentverwerking of interne assistenten, volstaan gezond verstand, duidelijke afspraken en de transparantie- en geletterdheidsverplichtingen die vanaf augustus 2026 gelden.

Koopt u een AI-oplossing beter, of bouwt u zelf?

Onderzoek toont dat gekochte, gespecialiseerde toepassingen ongeveer dubbel zo vaak slagen als interne bouwprojecten. Voor een KMO zonder eigen dataploeg is kopen of configureren voor standaardprocessen meestal de verstandigste route. Zelf bouwen is te overwegen waar uw proces echt uniek is, en laat u dan best vooraf toetsen op architectuur en onderhoudbaarheid.

Hoeveel AI-projecten start u best tegelijk?

Eén, met een scherpe afbakening. Eén proces, één meetbaar doel, en pas een tweede project zodra het eerste in de dagelijkse werking draait. Tien parallelle experimenten leveren tien halve pilots op; één toepassing die echt in productie staat, bewijst meer en leert uw team sneller wat werkt.

Volgende stap

Twijfelt u of een AI-idee in uw bedrijf aan de drie voorwaarden voldoet? Dat hoeft u niet alleen uit te zoeken. Plan een vrijblijvend gesprek: een uur, geen pitch, en u weet daarna of het probleem bij uw data, uw proces of de businesscase zit.

Wilt u meteen een concreet antwoord op papier? Dan is de AI-scan de logische volgende stap: een geprioriteerde lijst van AI-kansen in uw bedrijf, elk gescoord op opbrengst, zekerheid en inspanning. En blijkt uit dit artikel dat uw vraag eigenlijk breder is dan AI, dan is de Diagnosescan het betere startpunt.

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