In de eerste tien minuten van een gesprek weet ik meestal al of we een bedrijf écht met AI kunnen helpen — ruim voordat we het over modellen, budgetten of planningen hebben. Dat klinkt als een verkooppraatje, maar dat is het niet. Het is patroonherkenning uit een hoop kennismakingsgesprekken, en het komt neer op het luisteren naar een handvol signalen die bijna niets met technologie te maken hebben. De techniek is het makkelijke deel. Of een project gaat werken, hangt af van dingen die je hoort in de manier waarop iemand zijn probleem beschrijft.
Ik wil die signalen langslopen — deels omdat het verklaart hoe we bij Crux Digits werk kwalificeren, en deels omdat je, als je ze in je eigen denken herkent, veel meer uit elk AI-gesprek haalt — met ons of met wie dan ook.
Waarom de eerste tien minuten zwaarder wegen dan de briefing
De meeste bedrijven komen binnen met een briefing: "we willen een chatbot", "we willen AI inzetten voor X", "onze concurrent doet iets met LLM's". Die briefing is zelden het echte verhaal. Wat mij vertelt of we kunnen helpen, is het gesprek eronder — hoe helder iemand het probleem begrijpt dat hij eigenlijk wil oplossen, en of AI een middel is of gewoon een modewoord waarvan men het gevoel heeft het te moeten gebruiken.
Tegen de tijd dat we het over tech-stacks hebben, is de belangrijke beslissing meestal al genomen. Een goed afgebakend probleem met een duidelijke eigenaar en bruikbare data slaagt met vrij gewone technologie. Een vage ambitie zonder eigenaar en met rommelige data mislukt met het meest geavanceerde model op de markt. Dus besteed ik die eerste minuten aan het probleem, niet aan de oplossing.
Waar ik echt naar luister
Er lopen vier vragen door mijn hoofd tijdens een eerste gesprek. Ik stel ze zelden zo botweg, maar de antwoorden komen er toch uit.
Kun je het probleem beschrijven zonder AI te noemen?
Dit is de belangrijkste. Als iemand een concreet, pijnlijk probleem kan beschrijven — "ons supportteam beantwoordt elke dag dezelfde veertig vragen en dat kost vijftien uur per week" — dan hebben we iets om mee te werken. AI is misschien wel of niet het antwoord, maar er is een echt probleem om op te mikken. Als de enige manier waarop iemand kan beschrijven wat hij wil het noemen van een technologie is, dan kwam de techniek eerst en wordt het probleem er nog omheen geconstrueerd. Die volgorde loopt zelden goed af.
Zit er een getal aan vast?
Echte problemen komen meestal met een getal, al is het ruw. Verloren uren, gemiste deals, foutmarges, reactietijden, kosten per zaak. Als iemand me kan vertellen wat het probleem hem vandaag kost, volgen er twee goede dingen: we kunnen inschatten of een oplossing de bouw waard is, en we kunnen achteraf vaststellen of het werkte. "We willen innovatiever zijn" heeft geen getal, en een project zonder getal is een project dat niemand ooit een succes kan noemen. Dit is dezelfde discipline achter een goede AI-implementatie — eerst de uitkomst, dan pas het gereedschap.
Wie wordt eigenaar als het werkt?
AI is geen project dat je afrondt; het is een systeem dat je beheert. Dus luister ik of er een met naam genoemde persoon is die er na livegang mee gaat leven — het monitort, bijstuurt, de resultaten bezit. Als het antwoord "dat zien we later wel" is, word ik voorzichtig. Een model zonder eigenaar gaat zweven, verslechtert stilletjes en wordt uiteindelijk uitgezet. De meest succesvolle klanten weten al wiens werk dit wordt.
Hoe praat je over je data?
Je leert veel van de manier waarop iemand zijn data beschrijft. Degenen die zeggen "het staat allemaal in één systeem en het is redelijk schoon" zijn meestal klaar. Degenen die stil vallen, of vrolijk aannemen dat de data wel goed zit zonder ernaar gekeken te hebben, vertellen me dat er eerst data engineering te doen is. Dat is geen breekpunt — het is vaak het waardevolste wat we uiteindelijk doen — maar het verandert de vorm en volgorde van het hele traject.
Er is een vijfde ding dat me opvalt, lastiger te benoemen. Het is of iemand nieuwsgierig is of vooral op zoek naar geruststelling. Nieuwsgierigheid klinkt als tegenvragen — "wat zou dat eigenlijk kosten?", "waar gaat dit meestal mis?". Geruststelling klinkt als iemand die al besloten heeft en toestemming wil. De nieuwsgierigen bouwen betere systemen, omdat ze betrokken blijven wanneer het werk onspectaculair wordt, en dat wordt het altijd. Een model is niet beter dan het team dat het na de livegang-roes blijft verzorgen.
De groene vlaggen waarbij ik naar voren leun
Sommige signalen maken me oprecht enthousiast over een project. Ze hebben een helder, specifiek probleem dat ze in gewone taal kunnen beschrijven. Ze zijn nieuwsgierig in plaats van defensief als ik op de details doorvraag. Ze hebben nagedacht over hoe succes eruitziet en kunnen er een getal op plakken. En — dit telt zwaarder dan mensen verwachten — ze staan open voor de boodschap dat AI nog niet het juiste gereedschap is. Paradoxaal genoeg zijn de klanten die het best klaar zijn om goed te bouwen, juist degenen die het minst wanhopig willen bouwen.
Ik let ook op of iemand het eerste gesprek behandelt als een diagnose in twee richtingen of als een pitch die hij moet winnen. De beste trajecten voelen als twee mensen die samen de waarheid van een situatie proberen te achterhalen. Dat voel je meestal binnen enkele minuten.
De rode vlaggen waarbij ik gas terugneem
En sommige signalen maken dat ik het tempo wil verlagen — niet om weg te lopen, maar om de verwachtingen bij te stellen voordat iemand geld uitgeeft. De duidelijkste is hype zonder onderliggend probleem: een sterke wens om "iets met AI te doen" die verdampt zodra je vraagt wat er precies kapot is. Een andere is een vaste oplossing op zoek naar een rechtvaardiging — ze hebben al exact besloten wat ze willen bouwen en willen alleen een leverancier die ja knikt. Een derde is onrealistische zekerheid over data die niemand daadwerkelijk heeft gecontroleerd.
Geen van deze betekent dat een project gedoemd is. Ze betekenen dat de eerlijke eerste oplevering geen model is — maar helderheid. Soms is het nuttigste wat we doen een bedrijf helpen een vage ambitie om te zetten in een scherp gedefinieerd probleem, en daar is een korte audit met vaste scope precies voor. Af en toe is het juiste antwoord echt "nog niet", en dat vroeg zeggen is het waardevolste wat een leveranciersneutrale partner kan doen. Werk je in Europa, dan houdt die juiste volgorde je ook aan de goede kant van governance — de EU AI Act koppelt verplichtingen aan hoe en waar een systeem wordt gebruikt, dus het scopinggesprek en het compliancegesprek zijn eigenlijk hetzelfde gesprek.
Wat dit betekent als je een gesprek wilt inplannen
Als je overweegt om met ons te praten — of met welke AI-partner dan ook — heeft de nuttigste voorbereiding niets met technologie te maken. Kom klaar om het probleem in gewone woorden te beschrijven. Breng het getal mee dat het je kost. Weet wie de oplossing zou bezitten. En wees eerlijk over de staat van je data. Doe dat, en de eerste tien minuten vertellen ons allebei snel iets echts.
Zo werken we bewust. We besteden liever een eerlijk half uur aan de vraag of er een project is dat de moeite waard is, dan dat we je er een verkopen die er niet is. Je ziet hoe dat uitpakt in onze case studies, en onze transparante prijzen beginnen met een audit met lage drempel — juist zodat de eerste echte oplevering helderheid is, geen contract. Bekijk de prijzen, of boek een gratis consult en we brengen je eerste use case samen in kaart.
Veelgestelde vragen
Hoe kwalificeer je een AI-project in het eerste gesprek?
Door op vier dingen te letten: of iemand een concreet probleem kan beschrijven zonder een technologie te noemen, of er een getal aan vastzit, of iemand na livegang eigenaar wordt van het systeem, en hoe realistisch men over de data praat. Die antwoorden voorspellen succes veel beter dan de keuze van model of platform.
Waardoor mislukt een AI-project waarschijnlijk?
De gangbare oorzaken zijn niet technisch. Een project mislukt meestal als er geen helder gedefinieerd probleem is, geen meetbare uitkomst, geen aangewezen eigenaar, of data die versnipperd en ongecontroleerd is. Geavanceerde technologie kan een vage ambitie niet redden — daarom telt eerlijke scoping zwaarder dan de keuze van gereedschap.
Hoe bereid ik me voor op een AI-consult?
Sla de technologie over en bereid het probleem voor. Wees klaar om de kwestie in gewone taal te beschrijven, breng een ruw getal mee voor wat het je vandaag kost, weet wie de oplossing zou bezitten, en wees eerlijk over de staat van je data. Met die voorbereiding bereiken beide kanten binnen enkele minuten een echte conclusie.
Zeggen jullie het als AI niet de juiste oplossing is?
Ja. Leveranciersneutraal zijn betekent dat het waardevolste antwoord soms "nog niet" of "een eenvoudiger middel volstaat" is. Dat vroeg zeggen, voordat iemand geld uitgeeft, is precies waar een eerlijke partner voor is — en daarom begint ons werk met een audit met lage drempel in plaats van een bouwcontract.