De meeste AI-consultancytrajecten eindigen op dezelfde manier: maanden aan discovery-workshops, een gelikt strategierapport van 60 pagina's, een roadmap-deck — en geen enkele regel software die u daadwerkelijk kunt gebruiken. U betaalde voor een plan. Wat u nodig had, was bewijs. Bij Crux Digits B.V., een in Utrecht gevestigde AI-consultancy en softwarestudio, hebben we dat model omgedraaid. Bij het tweede gesprek leest u geen rapport meer; u klikt op een werkende AI-MVP gebouwd op uw eigen data. Dit artikel legt uit hoe dat mogelijk is, wat het eerlijk gezegd wél en niet is, en waarom een werkende AI proof of concept alles verandert aan risico, draagvlak en tijd tot waarde.
De belofte is eenvoudig te formuleren en lastiger waar te maken: een werkende AI-MVP in plaats van een rapport. Geen mock-up, geen Figma-flow, geen slide die zegt "stel je voor dat." Echte software, draaiend op uw echte data, die u aan een echte gebruiker kunt voorleggen. Dat is het hele punt.
Het probleem met het rapport van 60 pagina's
Het traditionele discovery-en-strategiemodel was logisch in een tijd waarin software traag en duur was om te bouwen, dus dekte je risico af met planning vooraf. AI doorbrak die logica. Het dure, onzekere deel van een AI-project is niet langer het tekenen van het diagram — het is uitvinden of het model écht accuraat en bruikbaar is op uw data. Een rapport van 60 pagina's kan u dat niet vertellen. Het kan een architectuur beschrijven, use cases opsommen en een business case schatten, maar het neemt stilzwijgend aan dat het moeilijke deel zal werken. Vaak werkt het niet zoals de slide beloofde, en dat ontdekt u maanden en een groot budget later.
Er is een tweede kostenpost die zelden wordt benoemd: momentum. Een lange discovery-fase trekt de energie uit een project voordat er iets tastbaars bestaat om je achter te scharen. Stakeholders knikken bij het deck, het rapport verdwijnt in een la, en het initiatief loopt vast in de kloof tussen "interessant idee" en "iets dat werkt." We schreven over het dichten van die kloof in AI-native softwarelevering — de verschuiving van software documenteren naar software opleveren.
Wat Crux in plaats daarvan doet: snel een werkende AI-MVP
Ons antwoord is het comprimeren van de afstand tussen gesprek en werkende software. Het eerste gesprek is werkelijk een gesprek: we luisteren naar het probleem, identificeren de ene meest risicovolle aanname, en spreken het kleinste ding af dat die zou bewijzen of weerleggen. Tussen de gesprekken door bouwen we. Bij het tweede gesprek kijkt u naar software die u kunt aanklikken — een gerichte AI proof of concept die draait op een deel van uw echte data, geen hypothese.
Concreet kan dat een retrieval-augmented assistent zijn die vragen beantwoordt uit uw werkelijke documentenset, een classifier die uw echte records scoort, of een computer-vision-model dat draait op uw eigen beelden. De interface is misschien ruw en de randen onaf — maar de kern werkt, en u ziet het werken. Een live demo op uw data beslecht discussies die een deck alleen maar opent. Dit is wat we bedoelen met een AI-consultancy die werkende software oplevert, en het loopt door elke dienst die we bieden, van AI-implementatie tot applicatieontwikkeling.
Hoe dat überhaupt kan: strakke scope en herbruikbare bouwblokken
Snelheid als deze is geen magie, en het is geen heroïsche doorhaalnacht. Het komt voort uit drie disciplines. Ten eerste: meedogenloze scope. We bouwen bewust het ene ding dat de kern bewijst, en laten al het andere bewust weg. De verleiding in AI-projecten is om de oceaan te koken; de vaardigheid is om de ene plak te kiezen die het meeste risico draagt en die eerst te beantwoorden.
Ten tweede: herbruikbare bouwblokken. We beginnen niet elk traject vanuit een lege repository. Dataconnectoren, retrieval-pipelines, evaluatie-harnassen, authenticatie, deployment-scaffolding — het leidingwerk waaruit het grootste deel van een AI-applicatie bestaat — zijn componenten die we eerder hebben gebouwd en snel samenstellen. Dat is precies de productie-AI-stack die zijn werk doet: de gecommoditiseerde lagen liggen klaar, dus onze tijd gaat naar het deel dat specifiek voor u is.
Ten derde: het pad van audit naar proof of concept. Een korte, gestructureerde stap AI-audit en -strategie brengt uw data, beperkingen en de meest waardevolle use case in kaart, zodat we bij het bouwen het juiste kleine ding bouwen in plaats van te gokken. De audit is geen deliverable van 60 pagina's om zichzelfs wil; hij bestaat om de proof of concept te richten. Deze design-first-discipline — helderheid vóór code — werken we uit in design-first AI.
Wat "bij het tweede gesprek" eerlijk betekent
Hier komt het eerlijke deel, want geloofwaardigheid telt zwaarder dan hype. "Bij het tweede gesprek" beschrijft hoe we werken, geen contractuele garantie, en wat u ziet is een gerichte, werkende prototype — geen afgewerkt, volledig gehard productiesysteem. Het bewijst de meest risicovolle aanname op echte data. Het heeft nog geen enterprise-authenticatie door elk randgeval, geen uitputtende monitoring, geen load-testing, geen volledige security-review, en geen gepolijste UX op elk scherm. Dat harden is echt werk, en daarvoor is de productiefase er precies.
De doorlooptijd hangt ook af van eerlijke input. Als uw data toegankelijk is en de scope echt strak, is een werkende AI-MVP in een paar weken realistisch. Als datatoegang juridische akkoorden vereist of de data zelf flink moet worden opgeschoond, kost dat extra tijd — en dat zeggen we vooraf, in plaats van een datum te beloven die we niet kunnen halen. Een AI proof of concept in weken, niet maanden, is de norm die we nastreven; het is een werkwijze, geen getal dat we in een contract zetten. Eerlijkheid over scope is wat de tweede-gesprek-MVP geloofwaardig houdt in plaats van een verkooptruc.
De impact: waarom een werkende MVP een rapport verslaat
Dit is de kern. Een werkende AI-MVP verandert de economie én de politiek van een AI-project in één keer.
Snellere validatie. U leert in weken of het idee echt werkt, op basis van bewijs, in plaats van een jaar en een groot budget te wedden op een business case die aannam dat het zou werken.
Lager risico. U ziet het werken voordat u serieus geld vastlegt. De grootste onbekende in elk AI-initiatief — presteert het model goed genoeg op onze data om bruikbaar te zijn? — wordt vroeg, goedkoop en concreet beantwoord. Is het antwoord nee, dan hebt u de kosten van een proof of concept uitgegeven, niet die van een productiebouw.
Echte feedback, vroeg. Op het moment dat een stakeholder of eindgebruiker het ding kan aanklikken, krijgt u feedback die geen rapport losmaakt. Mensen reageren op werkende software eerlijk en specifiek; op slides reageren ze beleefd en vaag. Dat vroege signaal stuurt de bouw bij terwijl bijsturen nog goedkoop is.
Draagvlak en momentum. Een live demo verslaat een deck in elke vergadering die over budget beslist. Een werkende proof of concept tonen op de eigen data van het bedrijf maakt sneller sponsors van sceptici dan welke slide ook, en het creëert het momentum dat een project van pilot naar productie draagt in plaats van het in een commissie te laten sterven.
Een sneller pad naar ROI. Elke week dat u niet vastzit in discovery is een week dichter bij meetbare waarde. Het comprimeren van de voorkant van het project comprimeert de hele tijdlijn tot rendement.
Waarom dit voor AI meer telt dan voor gewone software
Je zou kunnen stellen dat snel prototypen goed advies is voor elk softwareproject, en dat klopt. Maar voor AI telt het veel zwaarder, om één reden: AI-waarde is empirisch. Bij conventionele software werkt het als aan de specificatie is voldaan — gedrag is deterministisch en grotendeels vooraf bekend. Bij AI kunnen accuraatheid en bruikbaarheid alleen op uw echte data worden bewezen. Geen enkel rapport, hoe grondig ook, kan u vooraf vertellen of een model 70% of 95% accuraat is op uw specifieke records, of dat die accuraatheid goed genoeg is voor de beslissing die u wilt automatiseren. Alleen een werkende proof of concept kan u vertellen wat een rapport nooit kon. Daarom verslaat bij AI "laat het zien" met grote afstand "vertel het me" — en daarom weigeren we zekerheid te verkopen die we op uw data nog niet hebben verdiend.
Hoe te starten
Het pad is bewust gefaseerd zodat u zich nooit te veel vastlegt voordat u bewijs hebt. Het begint met een AI-audit en -strategie (doorgaans rond €2.500) om uw data in kaart te brengen en de meest waardevolle use case te kiezen. Daarna levert een gerichte proof of concept (rond €20.000) een werkende AI-MVP op uw eigen data — de aanklikbare, bewijs-op-uw-data-stap waar dit hele artikel over gaat. Pas wanneer dat de kern bewijst, gaan we naar productie (vanaf €50.000), waar we het verharden tot een gemonitord, gegovernd systeem. Transparante scope staat op onze prijzen-pagina, en illustratief werk in onze case studies. Wanneer u er klaar voor bent, boek een gratis consult en laten we het ene ding vinden dat het waard is om eerst te bewijzen. Bij het tweede gesprek klikt u erop.
Veelgestelde vragen
Hoe snel kunt u een AI proof of concept bouwen?
Als uw data toegankelijk is en de scope echt strak, is een werkende AI-MVP in een paar weken realistisch — een AI proof of concept in weken, niet maanden. De doorlooptijd hangt af van eerlijke input: vereist datatoegang juridische akkoorden of moet de data flink worden opgeschoond, dan kost dat extra tijd, en dat zeggen we vooraf. "Bij het tweede gesprek" beschrijft hoe we werken, geen contractuele garantie.
Is de MVP bij het tweede gesprek een afgewerkt productiesysteem?
Nee, en daar zijn we eerlijk over. Het is een gerichte, werkende prototype die de meest risicovolle aanname op uw echte data bewijst — software die u kunt aanklikken, geen slides. Het heeft nog geen volledige enterprise-authenticatie, uitputtende monitoring, load-testing, complete security-review of gepolijste UX op elk scherm. Dat harden levert juist de productiefase, zodra de proof of concept de kern heeft gevalideerd.
Waarom een werkende AI-MVP in plaats van een rapport?
Omdat AI-waarde empirisch is: accuraatheid en bruikbaarheid kunnen alleen op uw echte data worden bewezen, en geen rapport kan u vooraf vertellen of een model bruikbaar genoeg is voor uw beslissing. Een werkende proof of concept beantwoordt de meest risicovolle vraag vroeg, goedkoop en concreet, verlaagt het risico voordat u budget vastlegt, en een live demo wint draagvlak veel sneller dan een deck.
Hoe kunt u zo snel een werkende MVP bouwen?
Drie disciplines. Meedogenloze scope — we bouwen alleen de ene plak die de kern bewijst en laten de rest weg. Herbruikbare bouwblokken — dataconnectoren, retrieval-pipelines, evaluatie-harnassen, authenticatie en deployment-scaffolding zijn componenten die we eerder bouwden en snel samenstellen. En het pad van audit naar proof of concept, waarbij een korte audit de bouw richt zodat we het juiste kleine ding maken in plaats van te gokken.
Wat kost het om een werkende AI-MVP te krijgen?
Het pad is gefaseerd zodat u zich nooit te veel vastlegt voordat u bewijs hebt. Het begint met een AI-audit en -strategie (doorgaans rond €2.500) om uw data in kaart te brengen en de meest waardevolle use case te kiezen, daarna een gerichte proof of concept (rond €20.000) die een werkende AI-MVP op uw eigen data oplevert, en productie vanaf €50.000 zodra de kern is gevalideerd. Transparante scope staat op onze prijzen-pagina.