AI voor bedrijven: van losse experimenten naar besluiten die kloppen

Wat is AI voor bedrijven precies?

AI voor bedrijven is het inzetten van taalmodellen en aanverwante technologie op je eigen bedrijfsinformatie, met een afgebakend doel en met een mens die verantwoordelijk blijft. Dat is de hele definitie. Alles wat daar overheen komt is invulling.

Die invulling valt in de praktijk uiteen in drie soorten, die vaak door elkaar worden gehaald terwijl ze compleet verschillende gevolgen hebben.

Soort	Wat het doet	Wie merkt het	Typische winst
Assistent	Wacht op een vraag van een medewerker en helpt bij schrijven, samenvatten, zoeken of programmeren	de individuele medewerker	een tot vijf uur per week per persoon
Automatisering	Voert een vaste reeks stappen uit zonder dat iemand het start: facturen inlezen, mail sorteren, gegevens overzetten	een afdeling	minder handwerk, minder fouten
Agent	Heeft een eigen opdracht en eigen toegang tot bronnen, komt uit zichzelf met een signaal en onderbouwt dat met bron en bedrag	het managementteam	sneller en beter onderbouwd beslissen

De meeste bedrijven beginnen bij de assistent, want die kost niets en werkt meteen. Dat is prima. Het probleem is dat het daar ook stopt. Iedereen wordt individueel iets sneller, en het bedrijf verandert niet. De vraag waar het echt om gaat, komt pas bij de derde soort: welke besluiten neem je nu te laat of op te weinig informatie?

Wat kan AI concreet in een bedrijf doen?

Hieronder staat per bedrijfsonderdeel wat we in de praktijk het vaakst zien werken. Niet wat theoretisch kan, maar wat binnen weken draait en waarvan je de opbrengst kunt meten.

• Marge en nacalculatie. Geschreven uren naast getekende opdrachten leggen en het verschil per project melden. Meerwerk dat wel is geleverd maar niet is gefactureerd, is in projectbedrijven bijna altijd het grootste lek en valt bijna altijd pas op bij de nacalculatie, weken later.
• Capaciteit en planning. Planning naast urenregistratie leggen en waarschuwen zodra een project uit de pas gaat lopen, in plaats van bij de oplevering.
• Cash. Betaalgedrag per klant volgen, openstaande posten wekelijks op één overzicht zetten en de klanten aanwijzen waar het schuurt.
• Verkoop. Verloren offertes analyseren op prijs, doorlooptijd en aanbod, en de winkans per segment volgen.
• Inkoop. Prijsafspraken naast werkelijke facturen leggen. Leveranciers houden zich niet altijd aan hun eigen staffel.
• Kennis. Vastleggen wat er in de hoofden van twee of drie sleutelfiguren zit, en dat doorzoekbaar maken voor de rest.
• Klantcontact. Terugkerende vragen beantwoorden met een agent die de echte documentatie leest, niet met een chatbot die iets verzint.

Per sector verschilt vooral de volgorde. Voor installatiebedrijven werkten we dat uit in AI in de installatietechniek.

Wat opvalt aan dit rijtje: het gaat zelden over technologie en bijna altijd over informatie die al in het bedrijf zit, maar op de verkeerde plek, op het verkeerde moment of in het verkeerde systeem.

Wat is het verschil tussen een AI-agent, een chatbot en gewone automatisering?

Dit onderscheid bepaalt wat je koopt en wat je ervan mag verwachten, dus het loont om het scherp te hebben.

	Chatbot	Automatisering	AI-agent
Begint	als jij een vraag stelt	bij een vaste gebeurtenis	uit zichzelf, op een eigen ritme
Weet	wat jij in het gesprek geeft	wat in de regel staat	wat er in de gekoppelde bronnen staat
Kan omgaan met	alles, maar zonder context	alleen wat vooraf bedacht is	situaties die niet vooraf bedacht zijn
Levert	een antwoord	een uitgevoerde stap	een signaal met bron, bedrag en voorstel
Fout betekent	een raar antwoord	een vastgelopen proces	een verkeerd voorbereid besluit, dus controle is verplicht

Dit onderscheid werken we verder uit in wat zijn AI-agents. De praktische regel: hoe zelfstandiger het systeem, hoe zwaarder de eisen aan herleidbaarheid. Een agent die niet kan laten zien waar een cijfer vandaan komt, hoort niet in een managementoverleg.

Waar begin je?

Niet bij de techniek en niet bij een lijst met tools. Begin bij een besluit dat nu te laat of op te weinig informatie wordt genomen. Vier vragen zijn genoeg om te bepalen of een onderwerp geschikt is als eerste toepassing.

1. Is het een terugkerend besluit? Iets wat elke week of elke maand terugkomt. Eenmalige vraagstukken lenen zich niet voor automatisering.
2. Staat de informatie ergens? In een systeem, in een export, in mail, in documenten. Als niemand het weet, kan een agent het ook niet vinden.
3. Kun je het verschil meten? In dagen doorlooptijd, in uren uitzoekwerk, in euro's. Zonder nulmeting weet je achteraf niet of het werkte.
4. Doet het pijn? Als het antwoord op de vorige drie ja is maar niemand er wakker van ligt, kies dan iets anders. Aandacht is de schaarste, niet de techniek.

In onze beslisscan lopen we acht plekken langs waar besluiten in het MKB blijven hangen: marge en prijs, capaciteit en planning, cash en werkkapitaal, verkoop en offertes, kennis bij sleutelfiguren, informatie op het beslismoment, besluitsnelheid, en samenhang tussen afdelingen. In de meeste bedrijven scoren twee of drie daarvan opvallend slechter dan de rest, en dat is bijna altijd waar je moet beginnen. Zes vragen die elk MT moet kunnen beantwoorden is een snelle manier om dat zelf te toetsen.

Hoe ziet een AI-implementatie er in de tijd uit?

Een goede eerste implementatie duurt weken, geen kwartalen. Wij werken met 45 dagen, en die termijn is niet willekeurig: het zijn twee volledige managementcycli, lang genoeg om iets te bewijzen en kort genoeg om de aandacht vast te houden. Alles wat langer duurt verandert stilletjes in een programma, en programma's worden zelden afgemaakt. De volledige opzet, inclusief wat we meten en wanneer we stoppen, staat in de 45-dagenpilot.

1. Dag 1. Vaststellen welk vraagstuk je pakt en waarom.
2. Dag 2 tot 7. Diagnose en nulmeting. Hoeveel dagen zitten er nu tussen signaal en besluit? Hoeveel uur uitzoekwerk gaat eraan vooraf? Hoe compleet zijn de bronnen? Zonder deze week kun je achteraf niets claimen.
3. Dag 8 tot 30. Bouwen. Eén toepassing, op de eigen bronnen, alleen lezen. Halverwege draait er iets wat het MT kan bekijken.
4. Dag 30 tot 44. Bewijzen met echte gebruikers en echte vragen. Elke uitkomst wordt getoetst: klopt het cijfer, is het herleidbaar, had je dit anders ook geweten?
5. Dag 45. Beslissen. Aanscherpen, opschalen of stoppen.

Stoppen is een normale uitkomst. Een aanpak waarin stoppen geen optie is, is geen pilot maar een aankoop met vertraging.

Wat kost AI implementeren, en wanneer is het terugverdiend?

Op het Nederlandse web lopen de bedragen voor een eerste AI-implementatie uiteen van tienduizend tot honderdduizend euro. Die spreiding zegt vooral iets over wat er allemaal onder dezelfde naam wordt verkocht. Zinniger is om te kijken waar de kosten vandaan komen.

• Ontsluiten van bronnen. De grootste post, en de enige die echt varieert. Een systeem met een fatsoenlijke koppeling kost uren, een systeem zonder koppeling kost dagen.
• Bouw van de toepassing zelf. Vrij voorspelbaar als de scope één vraagstuk is.
• Modelgebruik. Voor een toepassing die dagelijks een handvol analyses doet, praat je over tientallen euro's per maand, niet over duizenden.
• Tijd van je eigen mensen. Reken op twee tot drie uur per week van iemand die het vraagstuk kent, plus twee sessies met het MT. Dit is de post die het vaakst wordt vergeten en het vaakst de reden is dat een traject strandt.
• Beheer daarna. Een agent die niemand bijhoudt, wordt binnen een half jaar genegeerd.

De terugverdientijd bereken je niet op de factuur maar op de nulmeting. Drie grootheden volstaan: hoeveel uur uitzoekwerk verdwijnt er per week, hoeveel dagen korter duurt een besluit, en hoeveel euro aan gevonden waarde is er door een verantwoordelijke bevestigd. Die laatste voorwaarde is streng en dat is met opzet: een schatting uit een model telt niet mee, pas als iemand zijn naam onder een bedrag zet is het echt.

Waarom stranden AI-projecten in het MKB?

Er is weinig mysterieus aan. Vijf oorzaken verklaren vrijwel alles wat we tegenkomen.

1. Het begon bij de tool. Iemand kocht licenties, daarna ging men op zoek naar een probleem. Dat werkt nooit.
2. Er was geen nulmeting. Na afloop kan niemand aantonen dat er iets is verbeterd, dus vervalt de aandacht en daarmee het budget.
3. Te veel tegelijk. Vijf toepassingen half af leveren minder op dan één die af is.
4. Geen eigenaar. Een AI-toepassing zonder verantwoordelijke bij de klant is een demo, geen verandering.
5. Niemand vertrouwde de uitkomst. Als een cijfer niet te herleiden is tot een bron, wordt het in de vergadering weggewuifd. Terecht.

Opvallend genoeg staat datakwaliteit niet in dit rijtje, terwijl dat het meest genoemde bezwaar vooraf is. Daar komen we zo op.

Wanneer moet je juist niet met AI beginnen?

Deze vraag wordt zelden gesteld en is misschien wel de nuttigste van de pagina. Er zijn vier situaties waarin wij zelf adviseren om het niet te doen.

• Als het echte probleem een proces is. Wordt meerwerk niet gefactureerd omdat niemand het opschrijft, dan lost geen enkele agent dat op. Maak eerst de afspraak, dan pas de meting.
• Als er geen besluit aan vastzit. Interessante inzichten zonder besluit veranderen niets en verdwijnen na twee maanden uit beeld.
• Als niemand tijd heeft. Twee tot drie uur per week van één betrokken medewerker is de ondergrens. Kan dat niet, wacht dan tot het wel kan.
• Als de organisatie midden in iets groots zit. Een overname, een systeemmigratie of een reorganisatie vraagt alle aandacht. Een pilot ernaast wordt de eerste die sneuvelt.

Moet mijn data eerst op orde zijn?

Nee, en dit is waarschijnlijk het duurste misverstand in de markt. Bedrijven stellen AI jarenlang uit omdat eerst de data op orde moet, en die klus is nooit af.

Een agent leest je bronnen zoals ze nu zijn. Rommelige data leidt wel tot zwakkere signalen, dus meet je in de eerste weken hoe compleet en actueel je bronnen zijn. Dat inzicht is vaak op zichzelf al waardevol: het is meestal de eerste keer dat iemand hardop zegt dat de urenregistratie drie weken achterloopt.

Wat wel echt moet: je moet erbij kunnen. Een systeem waar de leverancier geen export of koppeling voor levert, is een systeem waar geen enkele toepassing bij kan. Dat is een leveranciersprobleem, geen datakwaliteitsprobleem, en het is de moeite waard om vooraf te controleren.

Wat zegt de wet hierover?

Twee kaders zijn relevant, en beide zijn hanteerbaar.

De AVG geldt zodra je persoonsgegevens verwerkt. Voor de meeste managementtoepassingen gaat het over bedrijfsgegevens, niet over personen, en dan is de vraag beperkt. Zodra er wel persoonsgegevens in het spel zijn, hoort er een verwerkersovereenkomst te liggen met iedereen die ze verwerkt, inclusief de partij die het model levert.

De Europese AI-verordening deelt toepassingen in naar risico. Een agent die management informeert en adviseert valt in de lichtste categorieën. Het wordt zwaarder zodra een systeem zelfstandig besluiten neemt over mensen, bijvoorbeeld bij werving of beoordeling. De praktische vertaling: leg per toepassing vast wat de agent zelf mag, waar een mens vooraf goedkeuring geeft, wat er wordt gelogd en wie de eigenaar is. Hoe je dat inricht staat in AI aan tafel, mensen aan het roer. Wij leggen het vast in een governancebijlage bij elk contract, en dat is geen formaliteit maar precies wat je nodig hebt als iemand een half jaar later vraagt hoe een cijfer tot stand kwam.

Hoe wij dit aanpakken

The Sixth Seat is een Nederlands AI-bedrijf dat AI-agents en Management Intelligence bouwt voor groeiende ondernemingen. Het beeld waar onze naam vandaan komt: aan een tafel met vijf stoelen komt er een zesde bij. Die zesde stoel heeft geen stemrecht, maar wel het beste overzicht.

De volgorde is altijd hetzelfde. Eerst de beslisscan, tien vragen die uitwijzen waar bij jou de besluiten blijven hangen. Daarna één toepassing in 45 dagen, met een nulmeting vooraf en een feitelijk besluit achteraf. Werkt het niet, dan stoppen we. Werkt het wel, dan komt de volgende toepassing op dezelfde basis, en ontstaat er vanaf een stuk of vijf toepassingen een samenhangende managementlaag over het hele bedrijf, een Digital Business Twin.

Mensen beslissen. De agent adviseert, signaleert en onderbouwt, maar tekent niets.

Veelgestelde vragen

Hoe lang duurt het voordat ik iets zie werken?

Bij een afgebakend vraagstuk staat er halverwege de derde week iets wat je kunt bekijken. Een besluit over doorgaan of stoppen neem je op dag 45.

Moeten mijn systemen worden aangepast?

Nee. Wij lezen uit je bronnen, we schrijven er niets in terug. Dat is een bewuste keuze: het houdt het risico laag en de terugweg open.

Wat als de uitkomst niet klopt?

Dan moet je dat kunnen zien. Elk cijfer is herleidbaar tot de bron waar het vandaan komt. Bevindingen die de toets niet doorstaan, gaan van de lijst af voordat ze het MT bereiken.

Kan een agent zelf een factuur versturen of een order plaatsen?

Technisch kan dat. Wij doen het niet zonder expliciete goedkeuring vooraf. Signaleren, adviseren en beslissen blijven gescheiden.

Is dit alleen voor grote bedrijven?

Nee. Het werkt vanaf ongeveer twintig medewerkers, omdat je daar de eerste keer merkt dat informatie uit elkaar begint te lopen. Boven de honderd is de pijn meestal groter en de winst dus ook.

Wat kost de beslisscan?

Niets. Tien vragen, drie minuten, en je krijgt een rapport met je drie grootste beslisknelpunten, wat ze per jaar kosten en welke eerste toepassing het snelst bewijst wat AI oplevert.