Moet u wachten op betere AI-modellen voordat u met AI-adoptie begint? Meestal niet. Modellen worden steeds beter en prijzen dalen, en juist daarom is het model het onderdeel dat u zonder lange binding moet afnemen. Wat niet beter wordt door te wachten, is het werk dat alleen uw eigen bedrijf kan doen: het proces beschrijven, echte voorbeelden verzamelen en een eigenaar aanwijzen. Begin daar nu mee en koop het model later.
Moet u wachten op betere AI-modellen voordat u begint?
Ik krijg deze vraag in de eerste tien minuten van opvallend veel gesprekken, meestal verpakt als een verstandig klinkend plan: "We kijken er over een jaar nog eens naar, als het wat volwassener is." Het Nederlands kent er een uitdrukking voor: de kat uit de boom kijken. In een land met een lange traditie van niet betalen voor de fouten van een ander is dat een respectabel instinct. Ik vind het geen dwaas instinct. Ik vind dat het op het verkeerde doel gericht is.
Het argument voor wachten is echt, dus ik geef het eerlijk weer. Modellen worden om de paar maanden beter. Ze worden goedkoper. Vroege gebruikers betalen voor fouten die latere kopers vermijden, en een systeem dat rond het model van vorig jaar is gebouwd, voelt verouderd nog voordat het zichzelf heeft terugverdiend. Als AI-adoptie een aankoop was, zoals een laptop, dan zou wachten op de volgende generatie een verdedigbare strategie zijn.
Het is geen aankoop. AI-adoptie is vooral een verandering in de manier waarop uw bedrijf werkt, waarbij op één punt een model is aangesloten. Het model is het deel dat beter wordt terwijl u wacht. Bijna al het andere in het project is werk dat uw bedrijf zelf moet doen, en dat komt niet vanzelf af doordat de tijd verstrijkt.
Dat onderscheid is het hele essay. De korte regel: wacht op het model, wacht niet op uzelf.
Wat levert wachten u eigenlijk op?
Goedkopere en betere modellen, en dat wil ik niet kleineren. Op 30 juli 2026 meldde Axios dat OpenAI de prijs van zijn model GPT-5.6 Luna met ongeveer 80 procent had verlaagd, tot 20 cent per miljoen invoertokens en 1,20 dollar per miljoen uitvoertokens, en die van het middensegmentmodel Terra met 20 procent, tot 2 en 12 dollar, ongeveer drie weken na de lancering. Het topmodel, Sol, werd niet goedkoper. Beschouw die getallen als een momentopname met een datum, niet als een actuele prijslijst. Tegen de tijd dat u dit leest, kunnen ze alweer achterhaald zijn, en dat is precies het punt.
Zulke prijsdalingen zijn echt en ze zijn nuttig voor één soort beslissing: waar u voor volume betaalt. Een systeem dat tienduizend documenten per dag leest, merkt een prijsverlaging. Een systeem dat tweehonderd verzoeken per week afhandelt, merkt er meestal weinig van, want op die schaal is de modelrekening een afrondingsverschil naast de uren die mensen kwijt zijn aan het proces eromheen.
Het eerste wat wachten oplevert is dus een kleinere tokenrekening, en dat is in de meeste projecten die ik zie niet de grootste post op de begroting. Het tweede is een beter model voor de moeilijke gevallen. Dat is meer waard, maar er zit een addertje onder het gras: u weet pas welke gevallen moeilijk zijn als u het werk al op echte voorbeelden hebt laten draaien. Zonder dat is een beter model een verbetering die u niet kunt meten.
Een derde opbrengst van wachten is minder prettig om te horen: de reeds gemaakte fouten van anderen. Even afwachten terwijl een leverancier of een branchegenoot uitzoekt welke toepassingen mislukken, is een zinvolle manier om uw tijd te besteden. Maar het werkt alleen als u let op wat zij leren, en "wachten" is meestal een eufemisme voor nergens op letten.
Wat levert wachten niet op?
Om te beginnen ervaring. Toen het Centraal Bureau voor de Statistiek (CBS) microbedrijven die AI hadden overwogen en ervan hadden afgezien naar de reden vroeg, noemde 71,6 procent gebrek aan ervaring, tegen 56,5 procent in 2023. De kosten stonden onderaan. Over die cijfers schreef ik in waarom kleine bedrijven geen AI gebruiken, inclusief de kanttekeningen bij de cijfers over 2025, die voorlopig zijn. Hier gaat het om iets specifiekers. Gebrek aan ervaring is het enige bezwaar dat niet kleiner wordt als modellen beter worden. Het wordt alleen kleiner als iemand in uw bedrijf een echte taak door een echt systeem heeft gehaald en heeft geteld wat er misging.
Wachten levert ook geen procesbeschrijving op. In de meeste eerste gesprekken die ik voer, kan niemand precies zeggen hoe een verzoek van de klant bij de factuur terechtkomt, wie de uitzonderingen afhandelt en wat "klaar" betekent. Een beter model lost dat niet op. Het maakt de vaagheid alleen sneller.
Het levert geen voorbeelden op. Een bruikbaar AI-project heeft een paar honderd echte gevallen uit uw eigen werk nodig, elk met het juiste resultaat ernaast. Dat verzamelen duurt weken, omdat de mensen die het antwoord weten het werk zelf doen. Geen modelrelease verkort dat.
En het levert geen eigenaar op. Ik heb eerder geschreven dat een AI-project een eigenaar nodig heeft, geen sponsor. Een persoon met naam en beslissingsrecht verschijnt niet vanzelf als de techniek volwassen wordt. Iemand moet die taak krijgen.
Elk van die vier dingen is een voorwaarde, geen optie. Het bedrijf dat er dit kwartaal mee begint en het bedrijf dat een jaar wacht, gebruiken over twaalf maanden hetzelfde nieuwe model. Slechts één van de twee weet dan waarvoor.
Welk deel van een AI-project verliest aan waarde terwijl u wacht, en welk deel wint aan waarde?
Ik gebruik met klanten een eenvoudige sorteeroefening. Neem het project en leg elk onderdeel in een van twee kolommen: dingen die aan waarde verliezen naarmate de techniek zich ontwikkelt, en dingen die aan waarde winnen naarmate u ze gebruikt.
Wat aan waarde verliest terwijl u wacht
De modelkeuze is het meest voor de hand liggende. Een model dat u vandaag kiest, is over een jaar waarschijnlijk niet meer de beste keuze, en ik heb elders betoogd dat uw strategie niet het beste model moet najagen. Prompts die op de eigenaardigheden van één model zijn geschreven, verliezen ook aan waarde, net als slimme tussenlagen die zijn bedacht om de zwaktes van vorig jaar te compenseren. Een lange volumeverplichting tegen de tokenprijs van vandaag verliest aan waarde, zoals het voorbeeld van Axios laat zien, want de prijs veranderde binnen weken na een lancering.
Dat betekent niet dat u deze dingen moet mijden. U hebt een model nodig om een pilot te draaien. Het betekent dat u ze compact bouwt, vastlegt en vervangbaar houdt. Een model wisselen moet een middag testen kosten, geen herbouw.
Wat aan waarde wint terwijl u wacht
De opgeschreven werkwijze wint aan waarde, want de eerste keer dat u het proces beschrijft, ontdekt u dat er drie versies van bestaan. De set echte voorbeelden met het juiste antwoord wint aan waarde bij elke aanvulling, en het is het enige onderdeel waarmee u van leverancier kunt wisselen zonder opnieuw te beginnen. De lijst met uitzonderingen wint aan waarde: ik heb eerder gezegd dat de uitzonderingslijst meer vertelt dan het ideale scenario. Dat geldt ook voor een eigenaar met beslissingsrecht, en voor een team dat het systeem iets verkeerds heeft zien doen en heeft geleerd dat op te vangen.
Kijk nog eens naar de tweede kolom. Niets daarvan hangt af van het model dat u gebruikt, en alles groeit met bestede tijd, niet met verstreken tijd. Het wrede aan wachten is dat de klok van die kolom alleen loopt wanneer u zelf aan het werk bent.
Is afwachten nog steeds de veilige Nederlandse standaard?
Lange tijd was het dat, en ik wil voorzichtig zijn met hoe ver dit argument reikt. De cijfers hieronder zijn Nederlands, van het CBS, en ik beweer niet dat ze Vlaanderen beschrijven.
Het CBS meldde in december 2025, zoals Accountant.nl samenvatte, dat ongeveer één op de zes Nederlandse bedrijven inmiddels AI gebruikt, het dubbele van twee jaar eerder, en dat driekwart geen AI-technologie gebruikt en dat ook niet heeft overwogen. De beweging was het snelst in het middensegment. Bij bedrijven met 50 tot 250 werknemers steeg het gebruik van 20 procent in 2023 naar 45 procent in 2025. De verschillen tussen sectoren waren groot: informatie en communicatie kwam op 54 procent, terwijl horeca, vervoer en opslag en de bouw op 6 tot 7 procent bleven steken.
Lees dat als oprichter, niet als statisticus. De veilige positie van eerst kijken is stilletjes opgeschoven. Voor een bedrijf van honderd mensen in een dienstensector is de eerste katten al een tijdje uit de boom, en veel van uw branchegenoten staan al beneden. Zit u in de horeca of de bouw, dan ziet het beeld er anders uit en is het argument om te wachten sterker, want er zijn minder voorbeelden om van te leren.
Ik wil hier niet te veel achter zoeken. "Gebruikt AI" in een statistische enquête omvat alles van een chatvenster tot een ingebouwd werkproces, en een hoog aandeel zegt niet of die bedrijven er iets aan hebben. Mijn vermoeden, dat de CBS-cijfers niet toetsen, is dat veel bedrijven het chatvenster sneller omarmden dan het werkproces (zie ook de CBS-gegevens over adoptie). Een branchegenoot die "AI heeft ingevoerd" kan dus nog weinig hebben gedaan.
Maar dat werkt ook andersom. Als uw branchegenoten voornamelijk weinig doen, dan is het punt niet dat u achterloopt, maar dat de lat laag ligt en dat leren openstaat voor iedereen die begint. Het risico van wachten is niet dat u een deadline mist. Het is dat de bedrijven in uw sector die wel beginnen de tweede kolom opbouwen, terwijl u niets opbouwt.
Wanneer is AI-adoptie uitstellen wel de juiste keuze?
Soms wel. Vaker dan u zou verwachten raad ik aan om nog niet te beginnen, en de redenen zijn steeds dezelfde.
Wacht als het proces zelf gaat veranderen. Vervangt u volgend jaar uw ERP, voegt u twee teams samen of ontwerpt u de orderstroom opnieuw, dan automatiseert u het huidige proces, en dat gaat verdwijnen. Herontwerp eerst en automatiseer daarna.
Wacht als niemand als eigenaar kan worden aangewezen en niemand dat wil zijn. Dat is geen technische reden. Het is een veelvoorkomende reden waarom een project na de oplevering mislukt, en een reden om eerst de organisatie op orde te brengen voordat u iets koopt.
Wacht als u de gegevens die het project nodig heeft juridisch of contractueel niet mag gebruiken. Voor privacy- en contractvragen bestaan bekende antwoorden, en ik zie liever dat u ze goed oplost dan dat u ze in week zes ontdekt. Dat is wachten op een jurist, niet op een model.
Let op wat deze redenen gemeen hebben. In elk geval wacht u op iets binnen uw eigen bedrijf. Ik heb nog nooit een bedrijf gesproken waarvoor het eerlijke antwoord op "waarom wachten we?" luidde: "omdat het model nog niet goed genoeg is", en ik heb er veel gesproken die het toch zeiden. Het model is de handigste reden, want het legt de vertraging buiten uw eigen invloed.
U wacht niet op het model. U wacht op uzelf. Dat is prima, zolang u het hardop zegt en er een datum aan hangt.
Hoe begint u zo dat het de volgende modelrelease overleeft?
Begin klein en begin met de tweede kolom. In de praktijk zijn dat vijf dingen.
Kies eerst één taak, geen platform. Een terugkerend, goed begrepen stuk werk dat iemand in uw team in een alinea kan beschrijven. Laat het vier weken draaien met een mens die elke uitvoer controleert, en tel de uitzonderingen. Die getelde lijst is meer waard dan elke demo, en hij begint het bezwaar van gebrek aan ervaring met bewijs te weerleggen.
Schrijf ten tweede de voorbeelden op. De eerste vijftig echte gevallen, met het juiste resultaat ernaast, worden uw evaluatieset. U bewaart een kopie. Wie die set heeft, kan van leverancier wisselen; ieder ander begint opnieuw. Daardoor wordt een modelwissel een testrun in plaats van een project, en dat is het antwoord op de dag dat de prijslijst of het beste model verandert.
Houd de verplichting ten derde kort. Betaal per gebruik of teken voor maanden in plaats van jaren, en houd het model achter een dunne laag die u zelf beheert. Wordt een model midden in uw contract goedkoper, dan wilt u daarvan kunnen profiteren, en komt er een beter model, dan wilt u het vrijdag kunnen proberen.
Wijs ten vierde de eigenaar aan voordat de bouw begint, met het recht om stop te zeggen. Dat heb ik door schade en schande geleerd, van projecten die technisch werkten en binnen een kwartaal stilvielen.
Bepaal ten vijfde vooraf hoe een goed resultaat eruitziet, in getallen die uw controller accepteert, en meet vanaf week één. Is dat lastig, dan bent u nog niet klaar om te beginnen, en dat is goed om te weten.
Wilt u een tweede paar ogen bij de vraag met welke taak u begint, dan is dat een gebruikelijk eerste gesprek bij ons, en op de pagina AI-implementatie staat hoe wij werken. Het gesprek gaat grotendeels over de tweede kolom.
Wat doet u dit kwartaal?
Sla de strategiepresentatie over. Kies één proces dat knelt, zoek de persoon die het het best kent en vraag die op te schrijven wat er gebeurt, stap voor stap, inclusief de lastige gevallen. Dat document is het eerste wat u in eigen beheer hebt. Het overleeft elk model dat u probeert.
Zoek daarna vijftig echte voorbeelden en wijs een eigenaar aan. Kies dan pas een model, want dan weet u waarvoor u het kiest, en dat maakt de keuze een stuk makkelijker.
En is de eerlijke conclusie dat u moet wachten, zeg dan waarop u wacht, wie daarvoor verantwoordelijk is en op welke datum u opnieuw kijkt. Een datum maakt van wachten een besluit. Zonder datum drijft u maar wat, en het model wordt hoe dan ook beter.
Wij bouwen maatwerk-AI en LLM-systemen die in productie draaien: een klikbare MVP bij het tweede gesprek, vaste stappen, en de code is van u.
AI-ontwikkelbureau in Nederland →
