Soms is het juiste antwoord: niets doen

Het waardevolste advies dat ik vorig kwartaal gaf, kostte een klant niets om uit te voeren — want het advies was: doe niets. Het budget was goedgekeurd, de directie wilde "een AI-strategie", en er lag al een shortlist van leveranciers. Wat ontbrak, was een probleem dat het waard was om met AI op te lossen. Dus zei ik: houd je geld in je zak. Weten wanneer je geen AI nodig hebt is misschien wel een van de nuttigste dingen die een eerlijke consultant kan bieden — en het is precies het deel dat bijna niemand je verkoopt.

Dit is geen anti-AI-verhaal. Ik bouw deze systemen voor mijn brood. Het is een pleidooi om terughoudendheid te zien als een volwaardige technische beslissing. "Niets doen" — voorlopig, of met dit specifieke idee — is vaak de keuze met het hoogste rendement, en de discipline om die te maken is zeldzamer dan ze zou moeten zijn.

De druk om "iets met AI te doen"

Er heerst momenteel een eigenaardige onrust in directiekamers. Concurrenten kondigen AI-initiatieven aan. Investeerders vragen naar je AI-roadmap. Iemand stuurde een demo door die op magie leek. Het gevolg is een stille druk om een project te starten zodat je kunt zeggen dat je er een hébt — en precies zo wordt er geld verbrand.

De cijfers ondersteunen de voorzichtigheid. Onderzoek van RAND naar waarom AI-projecten mislukken concludeert dat naar schatting meer dan 80% van de AI-projecten faalt — ongeveer het dubbele van IT-projecten zonder AI — en dat de oorzaken vooral organisatorisch zijn, niet technisch: een onduidelijk doel, zwakke data, wegebbende steun. Een veelgeciteerd MIT-onderzoek uit 2025 (het "GenAI Divide"-rapport) vond dat zo'n 95% van de generatieve-AI-pilots bij bedrijven geen meetbaar effect op de winst opleverde. En uit een onderzoek van S&P Global uit 2025 bleek dat het aandeel bedrijven dat de meeste AI-initiatieven staakte, sprong naar ongeveer 42% — fors hoger dan een jaar eerder.

Lees je die samen, dan tekent zich een patroon af. Het probleem is meestal niet dat de technologie niet kán werken. Het is dat het project in deze vorm nooit had moeten beginnen. Dat betekent dat de goedkoopste, snelste verbetering voor de meeste organisaties simpelweg is: niet aan de verkeerde projecten beginnen.

De signalen dat "niets doen" het juiste antwoord is — voorlopig

Na genoeg trajecten herken je de signalen. Geen ervan betekent dat AI voorgoed niets voor je is. Ze betekenen dat het nú, in deze vorm, niet klopt — en dat de verstandige zet is om te wachten of eerst iets anders te repareren.

Het onderliggende proces is onduidelijk

Als niemand kan beschrijven hoe het werk vandaag écht verloopt — wie doet wat, in welke volgorde, met welke uitzonderingen — dan codeer je met automatisering alleen de verwarring op hoge snelheid. Ik schreef eerder waarom de meeste mensen geen extra software nodig hebben; bij AI geldt dat met dubbele kracht. Een rommelig handmatig proces wordt een rommelig, duur en lastig te debuggen geautomatiseerd proces. Repareer het proces eerst op papier. Soms ís die reparatie de hele winst, en was de AI nooit nodig.

De data is er nog niet

De meeste ambitieuze AI-ideeën sneuvelen op data, niet op modellen. Staan je gegevens verspreid over spreadsheets, mailboxen en drie systemen die niet met elkaar praten, dan redt geen enkel model je. De eerlijke volgorde is vaak: doe niets met de AI, en besteed de komende twee kwartalen aan data engineering. Weinig glamoureus, maar het is het fundament waarop al het andere rust. Eerst het model bouwen is als een turbo monteren op een auto zonder wielen.

Het probleem is te klein om ertoe te doen

Sommige taken zijn oprecht irritant maar zeldzaam. Iets automatiseren dat twee keer per maand gebeurt, tien minuten kost en door één persoon wordt gedaan die het niet erg vindt, is een klassieke valkuil — de bouw-, onderhouds- en toezichtkosten overstijgen de besparing voor altijd. AI excelleert bij volume en herhaling. Is dat volume er niet, doe dan niets en steek de aandacht waar ze zich opstapelt.

De timing klopt niet

Deze wordt onderschat. Modellen worden in hoog tempo goedkoper en capabeler. Een use case die vandaag een fragiele, dure stellage van noodgrepen vereist, kan over negen maanden een schone, goedkope standaardfunctie zijn. Is iets technisch net wél mogelijk — bijeengehouden met heroïsche prompt-engineering en een schietgebedje — dan is wachten tot de grond steviger is vaak slimmer dan iets uitrollen dat je volgend jaar weer sloopt. Nu niets doen kan precies de zet zijn die je later het juiste laat doen, voor een fractie van de kosten.

Het risico of de regelgeving is nog niet uitgekristalliseerd

Zeker in Europa telt het governance-plaatje. De EU AI-verordening voert verplichtingen gefaseerd in per risicocategorie, en sommige toepassingen brengen plichten mee die je niet ná de lancering wilt ontdekken. Zou een voorgesteld systeem in een hoog-risicocategorie vallen, of raakt het persoonsgegevens op een manier die je nog niet hebt doordacht, dan is de verantwoorde eerste stap misschien pauzeren en de verplichtingen in kaart brengen — met kaders als het NIST AI Risk Management Framework — in plaats van uitrollen en hopen. Niets doen terwijl je de governance op orde brengt, is geen uitstel; het is zorgvuldigheid.

"Niets doen" is niet hetzelfde als "nooit"

Ik wil hier precies zijn, want "niets doen" klinkt defaitistisch en dat is het niet. Het betekent vrijwel nooit "AI heeft geen plek in je bedrijf". Het betekent "dit niet, nu niet, niet in deze vorm". Het is een beslissing over timing en volgorde, geen oordeel over de technologie. De beste AI-roadmaps die ik heb gezien, zijn vooral een lijst van dingen die dit jaar bewust niét worden gebouwd, zodat de één of twee dingen die er wél toe doen, goed gebeuren.

Terughoudendheid is wat het uiteindelijke "ja" geloofwaardig maakt. Een team dat nee heeft gezegd tegen vijf glimmende afleidingen, heeft de focus en het krediet om het zesde — dat wat de organisatie echt vooruithelpt — uitstekend te doen.

De alternatieve kosten die nooit op de slide staan

Elk project dat je start, is evenveel aandacht die je elders niet kunt besteden. Dat is de kostenpost die nooit in de businesscase opduikt. Geef je groen licht aan een AI-bouw die niet zou moeten bestaan, dan riskeer je niet alleen het bouwbudget. Je verbruikt de focus van je beste mensen, je verandercapaciteit en de beperkte honger van je organisatie naar nieuwe tools — allemaal aan iets dat in het beste geval quitte speelt.

Er zijn ook vertrouwenskosten. Lever een AI-functie die tegenvalt, en je verspilt niet alleen geld; je leert je team en je klanten dat "dat AI-ding" niet werkt. Het volgende initiatief — mogelijk juist het briljante — begint dan met een achterstand aan geloof. Voorbarige, halfbakken automatisering vergiftigt de bron voor het goede werk. Niets doen beschermt die bron.

Hoe wij het echt beslissen

Komt een klant met een AI-idee, dan begin ik niet met modellen of tools. Ik begin met drie botte vragen, en overleeft een use case die niet, dan is mijn eerlijke advies: doe er niets mee.

• Is dit een reëel, frequent, duur probleem? Niet interessant — duur. Kost het geen echt geld of echte uren op echt volume, dan rechtvaardigt de besparing de bouw niet.
• Hebben we, of krijgen we goedkoop, de data en de proceshelderheid om het goed te doen? Vereist het antwoord eerst een jaar opruimen, dan is dat opruimwerk — niet de AI — het eigenlijke project.

• Is AI echt het beste gereedschap, of het modieuze? Een helder formulier, een regel, een opgeschoonde workflow of een kant-en-klaar product is soms het betere antwoord. We zijn bewust leveranciersneutraal: het gaat om de uitkomst, niet om de AI.

Dit is dezelfde geest als een goede AI-readiness-assessment — uitzoeken wat waar is voordat je geld uitgeeft. Vaak is de waardevolste uitkomst van een eerste gesprek: "je bent er nog niet klaar voor, dit is het goedkopere alternatief, spreek ons over twee kwartalen weer." Dat factureert weinig. Het levert veel vertrouwen op.

Hoe "niets doen" er in de praktijk uitziet

"Niets doen aan AI" betekent zelden helemaal niets doen. Meestal betekent het eerst iets goedkopers, saaiers en nuttigers doen.

• Repareer het proces. Breng het in kaart, haal de evidente verspilling eruit, spreek af wie eigenaar is van de uitkomst. Vaak was de bottleneck helemaal geen ontbrekend model.
• Kopen, niet bouwen. Lost een volwassen standaardproduct al 90% op, dan is de verstandige keuze meestal kopen. We helpen klanten die build-vs-buy-afweging eerlijk te maken, ook als "kopen" betekent dat wij minder bouwen.
• Verbeter de data, stilletjes. Consolideer, schoon op en verbind je gegevens, zodat je bij de juiste use case in weken kunt schakelen in plaats van in kwartalen.
• Wacht, met opzet. Zet het idee op een "over zes maanden herzien"-lijst met een duidelijke trigger — een prijsdaling, een modelcapaciteit, een volumedrempel — die het op "go" zet.

Een kort verhaal over voorbarige automatisering

Een paar jaar geleden zag ik een bedrijf haastig een onboardingstap voor klanten automatiseren omdat een concurrent iets soortgelijks had aangekondigd. Het proces dat ze automatiseerden, veranderde drie maanden later om losstaande redenen. De slimme automatisering paste niet meer, vocht met de nieuwe workflow en creëerde stilletjes meer handmatig opruimwerk dan ze ooit wegnam. Uiteindelijk zetten ze het uit. De les was niet "automatisering is slecht". Het was dat ze een bewegend doel hadden geautomatiseerd om bij de tijd te lijken, in plaats van te wachten tot het proces was uitgekristalliseerd. Een seizoen niets doen had de bouw én de sloop bespaard.

Wie aandringt op AI die niet gebouwd zou moeten worden

Het helpt te weten waar de druk vandaan komt, want zelden roept de use case zélf om automatisering. Drie bronnen doen het meeste duwwerk. Er is angst op directieniveau om iets te missen — het gevoel dat iedereen "iets met AI doet" en dat je suf lijkt als jij dat niet doet. Er is het demo-effect: een gladde demo van vijf minuten verbergt de achttien maanden rommelige integratie, randgevallen en onderhoud die erachter zitten — en dat is verleidelijk. En er is de leverancier wiens verdienmodel alleen werkt als je bouwt — wie alleen een hamer verkoopt, ziet in elk probleem een spijker.

Geen van die drie gaat over je daadwerkelijke bedrijfsvoering. De taak van een goede adviseur is die druk eruit te filteren en opnieuw de stille vraag te stellen: welk probleem lossen we precies op, en is AI echt de goedkoopste goede manier om dat te doen? We zijn bewust leveranciersneutraal, juist zodat "niet bouwen" een antwoord blijft dat we mogen geven.

Wanneer een simpele regel een model verslaat

Een van de meest bevrijdende inzichten is dat AI niet automatisch geavanceerder is dan de alternatieven. Voor veel taken is het de slechtere technische keuze. Is een taak deterministisch en weinig variabel — dezelfde invoer hoort altijd dezelfde uitvoer te geven — dan is een simpele regel, een opzoektabel of een paar regels conventionele logica goedkoper, sneller, volledig voorspelbaar en eenvoudig te controleren. Plak daar een taalmodel op en je hebt kosten, vertraging en een kleine maar reële kans op een zelfverzekerd fout antwoord toegevoegd, in ruil voor niets.

AI verdient zijn plek waar de invoer rommelig, gevarieerd en menselijk is — ongestructureerde tekst, beelden, vragen in natuurlijke taal, oordelen op schaal. De eerlijke toets is: zou een heldere regel 90% van de gevallen afhandelen? Zo ja, schrijf de regel, en bekijk of de resterende 10% echt een model nodig heeft of gewoon een mens. Naar AI grijpen voor een probleem dat een spreadsheetformule aankan, verraadt dat de technologie de beslissing stuurt, niet het probleem.

Waarom juist het Nederlandse mkb de haast moet weerstaan

Voor mkb- en middelgrote bedrijven hier in Nederland is het pleidooi voor terughoudendheid nog sterker. Teams zijn kleiner, budgetten krapper, en er is geen grote innovatieafdeling die een mislukt experiment stilletjes opvangt. Een pilot van een ton die nergens toe leidt, kost niet alleen het geld — het kan een door de eigenaar geleid bedrijf jarenlang kopschuw maken voor technologie. Tel daar de Europese compliancelaag bij op, waar de verplichtingen van de EU AI-verordening ongeacht je omvang op je bordje belanden, en de kosten van het verkeerde project starten zijn reëel en persoonlijk.

Het goede nieuws: de verstandige route past ook bij hoe het Nederlandse mkb graag werkt — pragmatisch, allergisch voor hype, wantrouwend tegenover slideware. Begin met het proces en de data op orde brengen, koop het saaie standaardproduct waar het past, en reserveer een echt maatwerk-bouwtraject voor dat ene probleem waar het zich echt terugbetaalt. Precies zo werken we met bedrijven in de regio Utrecht en daarbuiten — eerst de uitkomst, AI alleen waar het zijn waarde bewijst.

"Wachten" op de roadmap zetten zonder achter te lijken

Het lastigste aan "niets doen" adviseren is politiek, niet technisch. Niemand wil een directie vertellen "we doen dit kwartaal het AI-project niet" en de indruk wekken achter te lopen. Kader het dus als wat het werkelijk is: een volgordebeslissing met een plan. "We besteden Q3 aan het klaarmaken van onze data en het repareren van het onboardingproces — waar elke geslaagde AI-bouw toch van afhangt. We bekijken het model opnieuw in Q1, als het voorwerk klaar is en de tooling goedkoper." Dat is geen achterstand — dat is weigeren de fundering over te slaan. Een roadmap die eerlijk is over wat hij bewust nog niet bouwt, is veel geloofwaardiger dan eentje vol lanceringen die stilletjes nooit live gaan.

Wanneer het antwoord omslaat naar "ja, nu"

Wanneer ga je dan wél? Als het probleem reëel, frequent en kostbaar is; als de data en het proces goed genoeg zijn; als AI het juiste gereedschap is in plaats van het trendy; en als de timing en het risicoplaatje kloppen. Liggen die op één lijn, beweeg dan met overtuiging — dat is precies het werk waar wij van houden, en juist daarom maakt het vele nee zeggen het ja iets waard. Het doel van al die terughoudendheid is niet AI vermijden. Het is zorgen dat je, als je bouwt, het juiste bouwt — één keer, goed.

Een gut check van één regel voordat je geld uitgeeft

Wil je één toets meenemen naar je volgende AI-gesprek, gebruik dan deze: zou je je eigen geld aan deze bouw besteden als het woord "AI" uit de pitch werd geschrapt? Haal het label weg en beschrijf het project in gewone taal — "we willen een ton uitgeven zodat het systeem het juiste antwoord kan raden op een vraag die een regel kon beantwoorden" overleeft die vertaling zelden, terwijl "we willen maandelijks tienduizend vrije-tekstklachten lezen en correct routeren" er moeiteloos doorheen komt. Klinkt het idee alleen aantrekkelijk omdát er AI in zit, dan is dat je signaal om niets te doen en opnieuw te kijken.

Eerlijk besluit

Als je één ding meeneemt: een goede AI-partner moet bereid zijn je een project uit het hoofd te praten. We zeggen liever "wacht" en behouden je vertrouwen, dan dat we je een bouw verkopen die zich voegt bij de 80% die faalt. Is iets het waard, dan is ons gebruikelijke pad een audit vanaf circa €2.500 om de juiste use case in kaart te brengen, een proof of concept vanaf circa €20.000 om te bewijzen dat het werkt, en productie vanaf €50.000 om op te schalen — meestal met een werkend prototype bij het tweede gesprek. Maar de eerste eerlijke vraag is altijd óf je moet bouwen. Bekijk onze transparante prijzen, of boek een gratis consult en we zeggen je eerlijk hoe het zit — inclusief, als dat het juiste antwoord is, dat de beste zet is om voorlopig niets te doen.

Veelgestelde vragen