De meeste AI-projecten in kleine bedrijven mislukken niet op de techniek. Ze mislukken op de keuze: er werd begonnen bij het proces dat het interessantst klonk in plaats van bij het proces dat zich er het best voor leende. Dit artikel geeft je een manier om die keuze onderbouwd te maken.
Vijf criteria voor een geschikte eerste usecase
Loop je processen langs deze vijf vragen. Een goede eerste usecase scoort hoog op alle vijf — niet op vier.
1. Komt het vaak terug?
Minimaal een paar keer per week. Een proces dat één keer per maand langskomt, levert te weinig op om de inrichting terug te verdienen, en je leert er te langzaam van. Frequentie is belangrijker dan de tijd per keer.
2. Kost het nu echt tijd?
Reken het uit, schat het niet. Aantal keer per week × minuten per keer × je uurtarief. Onder de twee uur per week is de businesscase meestal te mager om mee te beginnen.
3. Zijn de regels op te schrijven?
Kun je aan een nieuwe medewerker uitleggen hoe het moet, inclusief de uitzonderingen? Dan kun je het ook aan een AI-systeem uitleggen. Zit de kennis alleen in iemands hoofd en is elk geval anders, dan is het nog niet geschikt.
4. Is een fout goedkoop?
Dit criterium wordt het meest onderschat. Een verkeerd samengevatte interne notitie kost niemand iets. Een verkeerd verstuurde factuur of een onjuiste garantiebelofte kost een klant. Begin bij werk waar een fout zichtbaar en herstelbaar is.
5. Kun je er bij de data?
De AI moet bij de informatie kunnen die hij nodig heeft. Staat je kennis in een systeem met een API of een nette export, dan kan het. Staat het in een map losse PDF's of in een pakket zonder koppelmogelijkheid, dan is dat eerst een integratievraagstuk.
Een eenvoudige scoremethode
Zet je kandidaten in een tabel en geef per criterium 1 (slecht), 2 (redelijk) of 3 (goed). Tel op. Begin bij de hoogste score, niet bij de meest aansprekende.
| Proces | Frequentie | Tijd | Regels | Fout goedkoop | Data bereikbaar | Totaal |
|---|---|---|---|---|---|---|
| Klantvragen voorbereiden | 3 | 3 | 3 | 3 | 2 | 14 |
| Offerte-concepten maken | 3 | 3 | 2 | 2 | 3 | 13 |
| Leadopvolging signaleren | 3 | 2 | 3 | 3 | 2 | 13 |
| Weekrapportage samenstellen | 2 | 2 | 3 | 3 | 2 | 12 |
| Sollicitaties beoordelen | 1 | 2 | 1 | 1 | 2 | 7 |
Die laatste rij is een goed voorbeeld van iets wat vaak bovenaan iemands wensenlijst staat en onderaan deze lijst eindigt: weinig volume, moeilijke regels, dure fouten. Bovendien valt het beoordelen van sollicitanten in de Europese AI-verordening onder hoog risico, met extra verplichtingen — zie AI Act voor het mkb.
Vier processen die in het mkb bijna altijd hoog scoren
Klantvragen voorbereiden. Inkomende mail sorteren, het klantdossier erbij zoeken en een concept-antwoord klaarzetten. Hoog volume, duidelijke regels, en omdat jij het concept nog nakijkt is een fout goedkoop. Zie klantvragen automatiseren.
Offertes voorbereiden. Een aanvraag omzetten in een concept op basis van je eigen prijslijst en standaardteksten. De winst zit niet in het typen maar in het opzoeken. Zie offerte-automatisering.
Informatie terugvinden. "Wat hebben we deze klant vorig jaar geleverd?", "Wat staat er in onze voorwaarden over X?" Zoeken kost in veel bedrijven meer tijd dan het werk zelf. Dit is de klassieke toepassing voor een chatbot met je eigen bedrijfsdata.
Terugkerende rapportages. Cijfers uit verschillende systemen bij elkaar brengen in een vast overzicht. Weinig glamour, direct meetbaar effect.
Hoe meet je of het werkt?
Spreek je meetpunt af voordat je begint. Anders eindig je in de discussie "het voelt wel sneller".
Drie cijfers volstaan:
- Tijd per geval. Hoeveel minuten kostte het voor, hoeveel erna? Meet het echt, bij twintig gevallen.
- Hoe vaak was het goed genoeg? Laat iemand twee weken elk resultaat beoordelen: bruikbaar zonder aanpassing, bruikbaar met kleine aanpassing, of onbruikbaar. Onder de 80% in de eerste twee categorieën is de inrichting nog niet klaar.
- Wat kost het per maand? Abonnementen plus verbruik. Zie wat kost AI inzetten.
Levert het na vier weken geen meetbare tijdwinst op, stop ermee en kies de volgende usecase. Dat is geen mislukking — dat is de reden om klein te beginnen.
De vier valkuilen bij het kiezen
Te groot beginnen. "We gaan onze klantenservice automatiseren" is geen usecase, dat is een afdeling. "Inkomende garantievragen krijgen een concept-antwoord" is een usecase.
Beginnen bij het rommeligste proces. De verleiding is groot om AI op het grootste knelpunt te zetten. Maar een proces dat voor mensen chaotisch is, is voor AI onmogelijk. Ruim het eerst op, of kies iets anders.
Alles tegelijk willen. Vijf usecases halfaf levert niets op. Eén usecase af levert tijd op én kennis die je bij de volgende gebruikt.
Vergeten dat mensen het moeten gebruiken. Een goed werkende tool die niemand opent, is waardeloos. Betrek degene die het werk nu doet vanaf het begin — hij of zij weet de uitzonderingen die jij vergeet.
Hoe ziet een realistische eerste maand uit?
| Week | Wat je doet |
|---|---|
| 1 | Processen scoren, één usecase kiezen, nulmeting doen |
| 2 | Proces uitschrijven inclusief uitzonderingen, benodigde data verzamelen |
| 3 | Inrichten, testen op oude gevallen, bijschaven |
| 4 | Meelopen in de praktijk, elk resultaat laten beoordelen, meten |
Daarna beslis je op cijfers: uitbreiden, bijschaven of stoppen. Wil je die eerste week niet alleen doen, dan denken we graag mee over welk proces zich het beste leent — zie digitale oplossingen.
Veelgestelde vragen
Veelgestelde vragen over waar begin je met ai in je bedrijf
Hoeveel tijd moet ik vrijmaken voor een eerste AI-usecase?
Reken op één tot drie weken doorlooptijd voor één afgebakend proces, waarvan jij of je medewerker een paar uur per week kwijt is aan uitleggen en testen. Het bouwen is zelden het knelpunt; het scherp krijgen van het proces en het beoordelen van de resultaten is waar de tijd in gaat.
Moet ik eerst mijn data op orde brengen?
Niet je hele datahuishouding, wel de informatie die deze ene usecase nodig heeft. Dat is juist een voordeel van klein beginnen: je ruimt één hoekje op in plaats van een jaar aan een datafundament te werken voordat er iets werkt.
Is mijn bedrijf te klein voor AI?
Nee. Bij één tot tien medewerkers combineert iedereen meerdere rollen, en juist dan merk je het snelst dat voorbereidend werk wegvalt. Het verschil met een groot bedrijf is de aanpak: geen eigen modellen of grote projecten, maar bestaande tools slim koppelen aan één concreet proces.
Wat als mijn processen te veel uitzonderingen hebben?
Kijk dan naar de verdeling. Als 70% van de gevallen volgens hetzelfde patroon gaat en 30% afwijkt, automatiseer je die 70% en stuur je de rest naar een mens. Een systeem dat zelf aangeeft "dit geval kan ik niet" is waardevoller dan een systeem dat alles probeert.
Moet ik ChatGPT nemen of iets op maat?
Begin met een bestaande zakelijke tool. Die is binnen een dag beschikbaar en goed genoeg om te leren of de usecase klopt. Maatwerk is pas logisch als je tegen een duidelijke grens aanloopt: de tool kan niet bij je systemen, de kosten per geval lopen op, of je hebt garanties nodig over waar je data staat. Zie SaaS versus maatwerk.
