Home / AI-oplossingen

AI — oplossingen per probleem

AI-oplossingen: welke past bij uw probleem?

Bijna elke lijst met AI-oplossingen is geordend op techniek — modellen, agents, voorspellingen. Dat is de verkeerde ingang, want u heeft geen techniekprobleem maar een werkprobleem. Deze pagina keert het om: u begint bij wat er in uw bedrijf misgaat, en eindigt bij de categorie oplossing die daarbij hoort. Inclusief de oplossingen die veel worden verkocht en zelden iets opleveren.

Door Tom Joseph · Laatst bijgewerkt: 18 augustus 2026

Gratis consult Prijzen

In het kort

Vrijwel alle werkbare AI-oplossingen in het Nederlandse mkb vallen in zes categorieën: informatie uit documenten halen, vragen beantwoorden uit eigen documenten, voorspellen, binnenkomend werk sorteren en routeren, visueel controleren, en meerstapswerk uitvoeren. Welke u nodig heeft volgt uit het symptoom, niet uit de techniek — en de meeste bedrijven herkennen hun eigen probleem sneller in een klacht van de werkvloer dan in een productnaam. Wij starten met een audit van €2.500 die het symptoom vertaalt naar een categorie en er een bedrag aan hangt, vóór er iets wordt gebouwd.

Van symptoom naar categorie

Welk probleem herkent u?

U heeft geen techniekprobleem maar een werkprobleem. Begin bij wat er misgaat.

Overtypen
Documenten
Orders en facturen komen binnen als pdf en iemand tikt ze over. De meest voorspelbare toepassing in het mkb.
Zoeken
Eigen documenten
Het antwoord kost een half uur zoeken bij de twee mensen die het weten. Bronvermelding is de voorwaarde.
Voorspellen
Te laat of te veel
Inkoop draait op ervaring en een spreadsheet, en het gaat mis bij een piek. Twee jaar historie is de ondergrens.
Sorteren
Eén postbus
Alles komt op één plek binnen en iemand verdeelt het. Minder zichtbaar dan een chatbot, en meestal meer waard.
Kijken
Visuele controle
Beoordelen op het oog hangt af van wie er staat. De schaarste zit in voorbeelden van wat fout gaat.

De ingang

Begin bij het symptoom, niet bij de techniek

Vraag een leverancier welke AI-oplossingen er zijn en u krijgt een productlijst. Die lijst is niet onjuist, maar hij is onbruikbaar om mee te kiezen, omdat twee heel verschillende problemen dezelfde productnaam kunnen dragen en één probleem soms in drie categorieën tegelijk past.

De bruikbare vraag is: welke handeling doet iemand bij u nu met de hand, elke dag, die telkens hetzelfde patroon volgt? Dat is waar AI iets betekent. Handelingen die elke keer anders zijn en om oordeel vragen, zijn geen automatiseringskandidaat — hoe geavanceerd het model ook is.

Overtypen

"We typen gegevens over uit documenten"

Orders, facturen, pakbonnen of formulieren komen binnen als pdf, mail of scan en iemand tikt ze over in uw systeem. Dit is de meest voorkomende en meest voorspelbare AI-toepassing in het mkb.

De oplossing haalt de velden eruit, controleert ze tegen wat u al weet — bestaat deze leverancier, klopt dit ordernummer — en zet gestructureerde data klaar. Het werkt goed omdat de uitkomst objectief te controleren is: het bedrag klopt of het klopt niet.

Waar het misgaat: bedrijven verwachten 100% en krijgen 95%. De vraag die telt is niet of het foutloos is, maar of de 5% die het niet zeker weet zichtbaar bij een mens terechtkomt in plaats van stilletjes door te lopen.

Zoeken

"Niemand kan snel iets terugvinden in onze eigen documenten"

De kennis zit in handleidingen, contracten, offertes en oude projectmappen, en het antwoord op een klantvraag kost een half uur zoeken bij de twee mensen die het weten.

De oplossing beantwoordt vragen uit úw documenten en toont de bron erbij. Dat laatste is de hele voorwaarde: een antwoord zonder vindplaats is niet controleerbaar en wordt daarom niet vertrouwd, terecht.

Dit is ook de categorie waar de kwaliteit volledig staat of valt met de ordening van uw documenten. Zijn er drie versies van hetzelfde contract en weet niemand welke geldt, dan geeft het systeem drie antwoorden — het probleem was nooit het zoeken.

Voorspellen

"We bestellen te laat of te veel"

Inkoop, personeelsplanning of productie draait op ervaring en een spreadsheet, en het gaat mis bij een piek, een actie of een leverancier die uitloopt.

De oplossing leert het patroon uit uw eigen historie — seizoen, dag van de week, acties, levertijden — en geeft een getal om op te plannen. Het rendeert waar de fout geld kost in twee richtingen tegelijk: nee-verkopen aan de ene kant, stilstaande voorraad aan de andere.

De harde eis is historie. Twee jaar bruikbare data is een realistische ondergrens; daaronder voorspelt het model vooral ruis. Heeft u die niet, dan is data verzamelen de eerste opdracht en niet een model bouwen.

Sorteren

"Alles komt in één postbus en wordt met de hand verdeeld"

Mail, aanvragen, meldingen of klachten komen op één plek binnen en iemand leest ze door om te bepalen wie wat krijgt. Het werk is niet moeilijk, wel constant, en het vertraagt alles wat erachter zit.

De oplossing classificeert wat binnenkomt en stuurt het door — met een urgentie, een categorie en een verantwoordelijke. Het is minder zichtbaar dan een chatbot en levert doorgaans meer op, omdat het de wachttijd vóór het echte werk wegneemt.

Kijken

"We controleren op het oog en missen weleens iets"

Producten, verpakkingen of onderdelen worden visueel gecontroleerd, en de kwaliteit van die controle hangt af van wie er staat en hoe laat het is.

De oplossing beoordeelt beelden op afwijkingen. Dit is de categorie met de zwaarste randvoorwaarden buiten het model om: constante belichting, een vaste camerapositie en genoeg voorbeelden van wat er fout kán gaan. Dat laatste is meestal het knelpunt — van goede exemplaren heeft u er duizenden, van elk faaltype vaak tien.

Uitvoeren

"Het is meer dan één stap en er zit een beslissing in"

De taak loopt over meerdere systemen: iets uitlezen, controleren tegen uw ERP, een besluit nemen, ergens vastleggen en antwoorden. Dit is waar het woord agent thuishoort.

Het is ook de duurste categorie, en de reden is niet het model: een agent heeft toegang nodig tot uw systemen en toestemming om dingen te doen. Agentprojecten zijn integratieprojecten met een AI-jasje aan, en zo horen ze begroot te worden.

Werkt de losse stap nog niet betrouwbaar, dan werkt de keten zeker niet. Begin bij de zwakste schakel afzonderlijk.
Leg vooraf vast wat de agent zelfstandig mag en waarvoor hij aftekening nodig heeft. Dat is een bedrijfsregel, geen instelling achteraf.

Zelden werkend

Oplossingen die vaak verkocht en zelden gebruikt worden

Drie dingen komen in offertes terug die in een mkb-omgeving zelden opleveren wat ze beloven:

Een chatbot op de website als eerste project. Zichtbaar, makkelijk te demonstreren, en hij lost meestal geen probleem op dat u had — tenzij u aantoonbaar veel dezelfde vragen krijgt.
Een dashboard dat "inzicht met AI" geeft. Als niemand naar het huidige dashboard kijkt, verandert een slimmer dashboard daar niets aan. Het probleem is de beslissing, niet de grafiek.
Een eigen getraind model waar een bestaand model volstaat. Zelf trainen is soms terecht, maar het is een dure standaardkeuze en zou een beredeneerde uitzondering moeten zijn.

Wat altijd nodig is

Wat elke categorie nodig heeft, ongeacht welke

Ongeacht de categorie gelden dezelfde drie voorwaarden, en projecten stranden vrijwel altijd op één daarvan in plaats van op de techniek.

Een beslissing die verandert. Verandert er niemands handelen door de uitkomst, dan is het een rapport en geen oplossing.
Data die al bestaat. Niet perfect, wel aanwezig. Een model bouwen op data die u nog moet gaan verzamelen is twee projecten die als één worden begroot.
Iemand die eigenaar is als het misgaat. Elke oplossing heeft uitzonderingen. Is er niemand aangewezen, dan lost de werkvloer het informeel op en dooft het gebruik binnen een kwartaal uit.

Verder

Wat rendeert het, en wie bouwt het

Deze pagina wijst de categorie aan. Twee vragen volgen daarop, en die staan elders uitgewerkt.

Voor de vraag of het loont — per afdeling, per bedrijfsgrootte, inclusief wat de Nederlandse regelingen dekken — zie AI voor bedrijven: waar het werkelijk rendeert. Voor hoe zo'n oplossing gebouwd en in productie genomen wordt, zie AI-automatisering.

FAQ

Veelgestelde vragen

Welke AI-oplossingen zijn er voor een bedrijf?

In de praktijk zes bruikbare categorieën, en u kiest op symptoom in plaats van op techniek.

Informatie uit documenten halen, vragen beantwoorden uit eigen documenten, en voorspellen.
Binnenkomend werk sorteren en routeren, visueel controleren, en meerstapswerk uitvoeren.
De vraag die de keuze maakt: welke handeling doet iemand nu dagelijks met de hand die telkens hetzelfde patroon volgt?

Welke AI-oplossing levert het snelst iets op?

Doorgaans documentverwerking, omdat de uitkomst objectief te controleren is en het werk zichtbaar dagelijks terugkomt.

Het bedrag klopt of het klopt niet — daardoor is het effect meetbaar zonder discussie.
Sorteren en routeren van binnenkomend werk komt vaak op de tweede plaats en is minder zichtbaar dan het oplevert.
Verwacht geen 100%. De vraag is of de onzekere gevallen bij een mens landen in plaats van stilletjes door te lopen.

Hebben we veel data nodig voor een AI-oplossing?

Dat verschilt sterk per categorie, en het is de vraag die het vaakst te laat gesteld wordt.

Voorspellen vraagt historie — twee jaar bruikbare data is een realistische ondergrens.
Documentverwerking en vragen beantwoorden werken op wat u al heeft, mits het geordend is.
Visuele controle vraagt vooral voorbeelden van wat er fout gaat, en juist die zijn meestal schaars.

Is een chatbot een goede eerste AI-oplossing?

Zelden, tenzij u aantoonbaar veel dezelfde vragen binnenkrijgt.

Een chatbot is zichtbaar en makkelijk te demonstreren, wat iets anders is dan nuttig.
Krijgt u vooral uiteenlopende vragen, dan verplaatst hij het werk in plaats van het weg te nemen.
Beantwoorden uit uw eigen documenten — mét bronvermelding — is meestal de nuttigere variant van hetzelfde idee.

Wat kost een AI-oplossing?

Het verschilt per categorie, en de techniek is zelden de grootste post.

Wat de prijs bepaalt is het aantal systemen dat geraakt wordt en hoeveel uitzonderingen er afgehandeld moeten worden.
Bij ons: een audit van €2.500 die symptoom naar categorie vertaalt en er een bedrag aan hangt, een proof of concept van €20.000 op uw eigen data, productie vanaf €50.000.
Meerstapsagents zijn de duurste categorie, omdat het integratieprojecten zijn met een AI-jasje aan.

Weet u het symptoom maar niet de categorie?

De audit van €2.500 vertaalt wat er misgaat naar een concrete oplossingscategorie, met een bedrag eraan — en zegt het eerlijk wanneer geen enkele categorie past.

Plan een gesprek