Waarom je AI-proef blijft steken (en wat hem wel werkend maakt)

Iedereen heeft iets geprobeerd, weinigen gebruiken het echt

Er is een patroon dat we bij bijna elk kennismakingsgesprek tegenkomen. De ondernemer vertelt enthousiast over iets dat ze in het voorjaar hebben opgezet: een chatbot op de site, een AI die offertes voorbereidde, een koppeling die facturen zou uitlezen. En dan komt de zin die alles verraadt: "maar dat gebruiken we eigenlijk niet meer."

Deze week gingen er meerdere onderzoeken rond die precies dit meten, en de conclusie is overal hetzelfde. Vrijwel elk bedrijf is inmiddels met AI aan het experimenteren, maar het aandeel dat er daadwerkelijk iets van in de dagelijkse praktijk draait blijft klein. De meeste projecten stranden ergens tussen "het werkte in de demo" en "we vertrouwen erop".

Het interessante is waar het volgens die onderzoeken op stukloopt. Het is bijna nooit de techniek. Het zijn drie veel saaiere dingen, en je kunt ze alle drie vooraf regelen.

Oorzaak 1: de data is niet zo netjes als je denkt

Een AI-automatisering is zo goed als het materiaal dat erin gaat. In een demo werkt dat prima, want daar gebruik je drie keurige voorbeelden. In de praktijk komt de derde factuur binnen als een gefotografeerde bon, staat de klantnaam in het ene systeem anders gespeld dan in het andere, en blijkt de helft van je prijsafspraken alleen in het hoofd van je verkoper te zitten.

In de onderzoeken die deze week rondgingen noemt een grote meerderheid van de ondervraagde bedrijven precies dit als blokkade: maar een klein deel van de eigen informatie is bruikbaar genoeg om een AI er zelfstandig mee te laten werken.

Dat klinkt als een groot project, maar dat hoeft het niet te zijn. Je hoeft niet je hele administratie op te schonen. Je moet weten welk stukje informatie deze ene automatisering nodig heeft, en of dat stukje klopt. Bij factuurverwerking is dat de leverancierslijst en het rekeningschema. Bij offertes zijn dat je prijzen en je standaardvoorwaarden. Meer niet.

Praktische volgorde: kies eerst het proces, kijk dan welke gegevens dat proces raakt, en ruim alleen die op. Dat is een middag werk in plaats van een kwartaalproject.

Oorzaak 2: niemand heeft afgesproken wanneer het goed genoeg is

Dit is de stille moordenaar, en volgens de rapporten de meest genoemde blokkade van allemaal. Een automatisering wordt opgeleverd, hij doet het meestal goed, en dan gaat iemand hem gebruiken. Die persoon ziet een fout. En vanaf dat moment controleert hij alles, elke keer, voor de zekerheid. De tijdwinst is weg, en een half jaar later concludeert iedereen dat "AI toch niet werkt voor ons".

Wat er ontbrak was een afspraak vooraf. Niet "hij moet het goed doen", maar iets meetbaars: welk deel van de gevallen mag hij zonder correctie doorlaten, en wat gebeurt er met de rest?

Wij spreken dat standaard af voordat we bouwen. Bijvoorbeeld: van de honderd binnenkomende facturen gaan er tachtig automatisch goed, twintig komen in een aparte bak omdat het systeem zelf aangeeft dat het twijfelt. Dan weet je twee dingen. Je weet dat twintig procent handwerk normaal is en geen falen. En je hebt een getal om over drie maanden tegenaan te houden.

Een automatisering die zelf aangeeft wanneer hij het niet zeker weet, is meer waard dan een die altijd een antwoord geeft. Twijfel is een functie, geen gebrek.

Zo'n afspraak werkt alleen als de mensen die hem uitvoeren kunnen zien of een resultaat klopt. Dat is een vaardigheid die je kunt aanleren, en we lieten in je team leren werken met AI zien hoe je dat in twee korte sessies opzet.

Oorzaak 3: er is geen eigenaar voor het onderhoud

Een AI-automatisering is geen apparaat dat je ophangt. Je leverancier verandert z'n factuurlay-out, je bank past de exportknop aan, het model achter de automatisering krijgt een update. Zonder iemand die dat merkt valt het proces stil, en meestal stil zonder foutmelding.

Dat betekent niet dat je een technische medewerker nodig hebt. Het betekent dat er iemand in je bedrijf is die één keer per week naar het logboek kijkt en de vraag stelt: liep dit deze week zoals het hoorde? Vijf minuten. Maar het moet in iemands agenda staan, met een naam erbij, anders gebeurt het niet. Dat lukt een stuk makkelijker als het werk niet ergens weggestopt draait, maar zichtbaar is in het kanaal waar je team al zit.

Bij ons hoort dat standaard bij de oplevering, en het is bijna altijd het onderdeel waar klanten het minst enthousiast over zijn en het meeste aan hebben.

Wat de bedrijven doen die het wel werkend krijgen

Als je de drie oorzaken omdraait, houd je een aanpak over die opvallend weinig met AI te maken heeft:

1. Kies één proces, niet een plan. Iets dat vaak gebeurt, een vast patroon volgt, en waar een fout te overzien is. Niet je meest ingewikkelde werk, want daar wil je juist een mens houden.
2. Ruim alleen de gegevens op die dat proces raakt. Niet meer.
3. Spreek vooraf af wanneer het goed genoeg is. In een getal, niet in een gevoel.
4. Bouw een controlestap in waar het ertoe doet. Klaargezet is niet hetzelfde als verzonden. Alles wat naar buiten gaat of niet terug te draaien is, krijgt een mens ervoor.
5. Zet één naam op het onderhoud. Wekelijks vijf minuten naar het logboek.
6. Meet na drie maanden. Hoeveel tijd is er echt vrijgekomen, hoeveel gevallen liepen automatisch door? Pas daarna bouw je het tweede proces.

Dat is het. Geen van deze stappen vraagt technische kennis. Ze vragen alleen dat je het project behandelt als iets dat blijft draaien in plaats van als iets dat wordt opgeleverd.

Waarom dit nu urgenter wordt

De grote softwareleveranciers zetten hun pakketten in hoog tempo open voor AI-assistenten. Salesforce deed dat deze week, Microsoft en Zapier eerder dit jaar. Het gevolg is dat de technische drempel om iets te koppelen snel lager wordt: waar je vorig jaar nog maatwerk moest bouwen, kan een AI-assistent nu vaak rechtstreeks in je bestaande pakket werken.

Dat is goed nieuws, maar het verlegt het probleem. Als koppelen makkelijk wordt, wordt het verschil tussen bedrijven die AI wel en niet aan het werk krijgen niet langer bepaald door techniek. Het wordt bepaald door de drie dingen hierboven: op orde zijn, weten wat goed genoeg is, en iemand die het bijhoudt.

Wil je zien hoe zo'n koppeling er in de praktijk uitziet, dan geeft n8n automatisering voor het MKB een concreet beeld van wat er tussen twee systemen gebeurt. En als je nog zoekt naar een geschikt eerste proces: bij de meeste bedrijven zit de grootste voorspelbare tijdvreter in de administratie.

Begin bij wat er vorige keer misging

Heb je al iets geprobeerd dat is doodgebloed, dan is dat geen mislukking maar informatie. Loop het na met deze drie vragen: klopte de informatie die erin ging, was er afgesproken wanneer het goed genoeg was, en had iemand het in z'n agenda staan? In vrijwel alle gevallen is het antwoord op minstens een van de drie nee. En dat is een stuk makkelijker te repareren dan opnieuw beginnen.

Benieuwd waar het bij jou is blijven steken? We kijken het graag samen met je door.