Elk project begint met een gevoel

Voordat een project een budget, een briefing of ook maar één regel code heeft, heeft het een gevoel. Iemand leest over een concurrent die AI inzet en voelt zich achterlopen. Een oprichter ziet zijn team verzuipen in repetitief werk en raakt gefrustreerd. Een bestuurder voelt de druk om voor het volgende kwartaal "een AI-verhaal" te hebben. Als je je afvraagt hoe je een AI-project moet starten, is het eerlijke antwoord dat je precies hier begint — door het gevoel eronder een naam te geven — want dat gevoel is de betrouwbaarste kaart die je hebt naar het probleem dat écht de moeite waard is. Geef het een naam, en de technische keuzes worden bijna makkelijk. Sla het over, en je bouwt iets indrukwekkends dat niemand nodig had.

Elk project waar ik ooit aan heb gewerkt begon als een emotie, lang voordat het een eis werd. De goede projecten werden alleen vroeg eerlijk over die emotie.

Dit is het deel van consultancy dat niemand op een slide zet. We praten over architecturen, modellen en ROI, en dat doet er allemaal toe. Maar het eerste echte gesprek is zelden technisch. Het is iemand die je, vaak een beetje verontschuldigend, vertelt hoe hij zich werkelijk voelt over waar zijn bedrijf staat — en dat gevoel, serieus genomen, is waar een goed AI-project geboren wordt.

Een AI-project starten: benoem het gevoel vóór de technologie

Als mensen vragen hoe je een AI-project moet starten, verwachten ze meestal een checklist: kies een use case, verzamel data, kies een model, lanceer. Op papier prima, in de praktijk misleidend, want het slaat de enige stap over die verspilling betrouwbaar voorkomt. De eerste zet is om in gewone taal te verwoorden wat je dwarszit. Niet "we willen AI gebruiken" — dat is een oplossing vermomd als probleem. Het echte beginpunt klinkt als "ik ben bang dat we achterop raken", of "ik ben het zat hoeveel handmatig herstelwerk mijn team doet", of "ik ben enthousiast dat we eindelijk de data hebben om iets slims te doen, en ik weet niet waarop ik moet richten".

Elk van die zinnen wijst naar een ander project. De angst wijst naar strategie en positionering. De vermoeidheid wijst naar het automatiseren van een specifieke, meetbare workflow. Het enthousiasme wijst naar verkenning en een proof of concept. Zelfde persoon, zelfde bedrijf, drie compleet verschillende eerste stappen. Het gevoel is geen ruis die je moet passeren op weg naar de "echte" eisen — het ís de eis, alleen nog niet vertaald. Onze hele taak in het eerste uur is die vertaling, en we behandelen die als het fundament van elke AI-implementatie, niet als opwarmertje.

De vier gevoelens die mensen naar AI brengen

Na genoeg van dit soort gesprekken duikt steeds dezelfde handvol gevoelens op. Herkennen welk gevoel jou drijft is echt nuttig, want elk heeft zijn eigen valkuil.

Onzekerheid — "Lopen we achter?"

Dit is het meest voorkomende en het gevaarlijkste, omdat het mensen aanzet om activiteit te kopen in plaats van resultaat. De angst om achter te lopen laat een flitsende demo als vooruitgang voelen, ook als die niets oplost. Het tegengif is geen groter model; het is helderheid over waar je echt staat. Een nuchtere AI-readiness-assessment verandert een vage onrust in een concreet beeld: wat je data aankan, welke workflows rijp zijn, en wat een cijfer echt zou bewegen. Onzekerheid die goed wordt aangepakt, wordt richting. Slecht aangepakt wordt het een la vol pilots die nergens heen gingen.

Frustratie — "We verspillen hier zoveel tijd aan"

Frustratie is eerlijk gezegd het beste gevoel om vanuit te starten, want het komt al vastgeklikt aan een specifiek, pijnlijk, meetbaar probleem. De persoon weet al precies welke taak hij verafschuwt. Dat is goud waard. Het betekent dat de use case echt is, de waarde telbaar, en succes overduidelijk. De valkuil hier is te weinig ambitie — de vervelende taak half of slecht automatiseren, zodat het team uiteindelijk de tool zit te babysitten. Frustratie verdient een goed afgebakende oplossing, geen pleister.

Ambitie — "We zouden echt iets nieuws kunnen doen"

Ambitie is opwindend en vraagt de stevigste hand. Het gevaar is de kathedraal bouwen vóór de kapel — een uitdijend platform dat alles moet doen, een jaar kost en niets oplevert. Ambitie wordt het best gediend door een strak afgebakende proof of concept die eerst de meest riskante aanname bewijst. Bewijs dat het moeilijke deel werkt op echte data, en breid dan uit. Ambitie met een smal eerste doel is onstuitbaar; ambitie zonder randen is een budgetvreter.

Hoop — "Misschien lost dit het eindelijk op"

Hoop is kwetsbaar en het beschermen waard. Ze duikt meestal op nadat een eerdere tool of leverancier iemand teleurstelde. De taak hier is eerlijkheid: helder zeggen wat AI wel en niet voor hun situatie kan doen, ook als een geruststellender antwoord de deal sneller zou sluiten. Hoop die met realisme wordt beantwoord, wordt vertrouwen. Hoop die met hype wordt beantwoord, wordt de volgende teleurstelling — en dan verliezen we liever het project dan dat we dat zijn.

Waarom het gevoel zwaarder weegt dan de technologie

Het is verleidelijk te denken dat de technologie het moeilijke deel is. Dat is het zelden. De modellen, de pijplijnen, de uitrol — lastig, maar goed begrepen problemen met bekende oplossingen. Het werkelijk moeilijke deel is al die capaciteit op het juiste doel richten, en het juiste doel zit verstopt in het gevoel. Een team dat een technisch vlekkeloos systeem bouwt voor het verkeerde probleem, is vollediger mislukt dan een team dat een ruw systeem bouwt voor het juiste — want het tweede kun je verbeteren en het eerste moet je weggooien.

Daarom levert dezelfde technologie in verschillende bedrijven zulke uiteenlopende resultaten op. Het verschil is bijna nooit het model. Het is of iemand het oprichtende gevoel serieus genoeg nam om het te vertalen naar een probleem dat de moeite waard is. We zijn bewust leveranciersneutraal over de tools, juist omdat de tool de minst doorslaggevende variabele is — kiezen tussen aanbieders telt veel minder dan het juiste probleem kiezen, en die eerste gesprekken besteden we liever aan dat laatste.

Een gevoel omzetten in een concrete eerste stap

Niets hiervan pleit voor eindeloze zielenroerselen. Het gevoel is het begin, niet de bestemming. Het benoemen dient om het snel om te zetten in iets waarop je kunt handelen en wat je kunt meten. In de praktijk betekent dat een bewust kleine eerste zet, op maat van het gevoel:

• Een audit (vanaf circa €2.500) wanneer onzekerheid het dominante gevoel is — om in kaart te brengen waar je staat en welke use case de eerste euro waard is.
• Een proof of concept (vanaf circa €20.000) wanneer het gevoel ambitie of frustratie met een duidelijk doel is — om te bewijzen dat het riskante deel werkt op jouw echte data voordat je verder gaat.
• Een productiebouw (vanaf circa €50.000) zodra een proof of concept het verdiend heeft — om op te schalen wat al werkt.

De volgorde telt zwaarder dan de bedragen. Meestal heb je tegen het tweede gesprek al een werkend prototype om op te reageren, geen strategiedocument van veertig pagina's om goed te keuren. Iets echts dat je kunt vastpakken zegt meer over de vraag of een project verder moet dan welke hoeveelheid planning ook. Hoe we die eerste stap afbakenen, lees je in een AI proof of concept afbakenen, en de vorm van afgerond werk zie je in onze cases.

Hoe goed eruitziet in de eerste twee weken

Een gezond AI-project voelt vrijwel meteen anders dan een vastgelopen project, en de vroege signalen zijn makkelijk te lezen. In de eerste twee weken kijk je naar een echt artefact — een prototype, een smalle werkende flow, een model dat draait op een stukje van je eigen data — in plaats van naar een roadmap. De gesprekken horen concreter te worden, niet abstracter. Je hoort net zo helder wat niet gaat werken als wat wel werkt. En de kosten om erachter te komen dat je op het verkeerde spoor zit, horen klein te zijn, omdat de eerste stap bewust klein was.

Als het project in plaats daarvan decks, commissies en steeds grotere ambities produceert terwijl er niets tastbaars verschijnt, is het oprichtende gevoel onder het proces begraven. Dat is het moment om te stoppen en het opnieuw te benoemen. Een partner kiezen die staat op vroege, tastbare bewijzen is het halve werk; waar je op moet letten, zetten we uiteen in hoe je een AI-consultant kiest.

De fouten die voortkomen uit het overslaan van het gevoel

Wanneer teams meteen naar de technologie springen, zijn de mislukkingen voorspelbaar. Ze kopen een platform omdat een concurrent dat deed, en worstelen daarna om er iets op te draaien te vinden. Ze automatiseren een proces dat geschrapt had moeten worden in plaats van geautomatiseerd. Ze bouwen een chatbot omdat chatbots zichtbaar zijn, terwijl de echte pijn in een backofficeproces zat dat niemand buiten het team zag. Elk daarvan is terug te voeren op dezelfde wortel: niemand vroeg wat hen werkelijk dwarszat, dus optimaliseerde het project op eruitzien als AI in plaats van het probleem oplossen.

Er is ook een stillere mislukking — een echt probleem zo schuchter oplossen dat het resultaat de verandermoeite niet waard is. Dat komt meestal van frustratie zonder ambitie: het team verhelpt tien procent van de pijn, de tool blijft ongebruikt, en AI krijgt de schuld van een afbakeningskeuze. Het gevoel eerlijk benoemen, en de reactie erop op maat maken, voorkomt zowel de over- als de onderbouw.

Risico en vertrouwen horen ook bij het gevoel

Voor de meeste beslissers komen hoop en ambitie gebundeld met een echte, rationele zorg: wat gebeurt er als dit misgaat, data lekt, of stilletjes op schaal bevooroordeelde beslissingen neemt. Die zorg verdient een recht antwoord, geen geruststelling. Die vanaf het eerste gesprek serieus nemen is wat een partner van een leverancier scheidt. Gevestigde kaders helpen hierbij — het NIST AI Risk Management Framework geeft een praktische structuur om AI-risico te beheersen via de functies govern, map, measure en manage, en wie in Europa opereert krijgt te maken met de verplichtingen onder de EU AI Act, die gefaseerd ingaan vanaf augustus 2026. (Dit is algemene informatie, geen juridisch advies — toets je specifieke verplichtingen bij een gekwalificeerd adviseur.) De zorg vroeg benoemen, en governance vanaf het begin inbouwen, verandert een bron van onrust in een bron van vertrouwen.

Hetzelfde gevoel, drie verschillende bedrijven

Abstract advies is makkelijk om instemmend bij te knikken en lastig om te gebruiken, dus zo ziet het er in de praktijk uit. Drie bedrijven die we herkennen uit echte trajecten, elk gedreven door een van de gevoelens hierboven, elk uitkomend op een compleet ander eerste project.

Een kliniek gedreven door frustratie

Een zorgpraktijk verloor hele middagen aan administratie: afspraakherinneringen, intakeformulieren, no-shows achternazitten, notities overtypen. Het gevoel was pure frustratie — ze konden de gehate taak tot op de minuut benoemen. De juiste eerste stap was geen groots "AI voor de zorg"-platform, maar een smalle, meetbare automatisering van de ergste workflow, met privacy vanaf de eerste regel ingebouwd, want patiëntdata laat geen ruimte voor improvisatie. Frustratie met een specifiek doel is het snelste gevoel om in waarde om te zetten; daarom begint ons werk in AI voor de zorg bijna altijd met één pijnlijk, telbaar proces in plaats van met een visie.

Een maakbedrijf gedreven door ambitie

Een fabrieksteam had jaren aan sensor- en productiedata en een echte vonk van ambitie: ze vermoedden dat ze storingen konden voorspellen en de planning konden bijsturen vóór problemen de lijn raakten. Het gevaar was duidelijk — in één keer een volledige digital twin van de fabriek willen bouwen. De eerlijke eerste stap was een strak afgebakende proof of concept op één lijn en één faalvorm, om te bewijzen dat de voorspelling klopte op hun eigen data voordat iemand tekende voor opschaling over de hele vloer. Ons werk in de maakindustrie volgt meestal precies die vorm: bewijs de riskantste aanname klein, en verbreed dan.

Een kantoor gedreven door onzekerheid

Een zakelijke-dienstverlener voelde de vrees om achterop te raken. Concurrenten "deden iets met AI", de partners wisten niet eens wat dat voor hen betekende, en de verleiding was iets zichtbaars kopen om maar een antwoord te hebben. De juiste eerste zet was de minst glamoureuze: een eerlijke beoordeling van waar hun data en processen werkelijk stonden, zodat de eerste euro naar een use case ging die een echt cijfer zou bewegen in plaats van naar een demo om aan klanten te tonen. Onzekerheid beantwoord met helderheid wordt een roadmap; beantwoord met een paniekaankoop wordt het spijt.

De vragen die het echte probleem boven tafel halen

Wil je je eigen oprichtende gevoel vinden voordat je met iemand praat, dan doet een handvol simpele vragen het meeste werk. We stellen varianten hiervan in het eerste gesprek, en je kunt ze ook aan jezelf stellen:

• Tegen welke taak zag je deze week het meest op, en hoe lang duurde die? Dit vindt frustratie en bepaalt stilletjes de omvang.
• Wat zou je bouwen als je wist dat het zou werken? Dit brengt ambitie boven en de aanname die je eerst moet toetsen.
• Waarvan ben je bang dat een concurrent het eerder doet dan jij? Dit benoemt onzekerheid op een manier waarop je kunt handelen.
• Wat probeerde je eerder dat je teleurstelde, en waarom? Dit legt hoop bloot, en het realisme dat ze nu nodig heeft.
• Als er twaalf maanden niets verandert, wat kost je dat? Dit scheidt een echt probleem van een nice-to-have.

De antwoorden wijzen zelden naar "we hebben AI nodig". Ze wijzen naar een specifiek resultaat, en AI is daar al dan niet de beste route naartoe — precies de eerlijkheid waar het eerste gesprek voor is. Soms is het juiste antwoord een procesverandering of een betere integratie, geen model, en een goede partner zegt dat ook als het niet het meest lucratieve advies is.

Je data is zelden het echte obstakel

Eén gevoel verdient bijzondere aandacht, omdat het zoveel projecten stopt voordat ze beginnen: het idee dat "onze data een rommeltje is, dus we zijn er nog niet klaar voor". Dat is bijna altijd overdreven. Je hebt zelden brandschone, perfect bestuurde data nodig om een use case te bewijzen; je hebt genoeg van de juiste data nodig om één aanname te toetsen. Veel waardevolle eerste projecten draaien op een bescheiden, licht rommelige selectie van wat een bedrijf al heeft. Het datawerk dat er echt toe doet — pijplijnen, kwaliteit, structuur — is reëel, maar bouw je meestal naast de eerste proof of concept, niet als voorwaarde die af moet zijn voordat je mag beginnen. Is het oprichtende gevoel "we zijn er nog niet klaar voor", dan is de eerlijke test klein en snel: neem een representatieve steekproef, probeer het, en laat het resultaat bepalen wat de data-engineering-roadmap echt nodig heeft.

Hoe wij met jou zouden beginnen

Als een van die gevoelens bekend klonk, is dat precies het punt — het betekent dat daar een echt project zit te wachten om benoemd te worden. We beginnen niet met het pitchen van een technologie, maar met eerlijk worden over wat je werkelijk dwarszit, en zetten dat om in de kleinste concrete stap die bewijst of het de moeite waard is. Meestal is dat een kort, in gewone taal gevoerd gesprek en een werkend prototype tegen het tweede gesprek, geen inkoopmarathon. Bekijk onze transparante prijzen, of boek een gratis consult en we brengen samen je eerste use case in kaart — beginnend, zoals elk project echt begint, met het gevoel eronder.

Veelgestelde vragen