Veel bedrijven hebben inmiddels met AI geëxperimenteerd: een chatbot uitgeprobeerd, een pilot gedraaid, een demo gezien. Maar AI implementeren zo dat het elke dag in je werkproces meedraait, blijkt een andere opgave. Uit het AI-Trendonderzoek 2026 van Berenschot en Nyenrode (oktober 2026, ruim 200 respondenten) blijkt dat ongeveer een derde van de organisaties nog in de experimenteerfase zit. Het aandeel dat AI inzet op basis van beleid en doelen daalde zelfs van 27% naar 19%. In dit artikel lees je hoe je in vijf stappen van een eerste idee naar een AI-toepassing in productie gaat.
Waarom AI implementeren vaak blijft hangen in de pilot
Een pilot bewijst dat iets technisch kan. Productie vraagt meer: betrouwbare data, een koppeling met je bestaande systemen, mensen die ermee werken en iemand die het beheert. In het Berenschot-onderzoek noemen organisaties digitale veiligheid, AI-geletterdheid, de juistheid van de uitkomsten, datakwaliteit en de kennis van medewerkers als grootste drempels. Wie in kleine pilots blijft hangen, heeft juist die punten vaak niet opgelost.
Voor het MKB speelt daarnaast ervaring een rol. Volgens het CBS gebruikte in 2025 29,8% van de bedrijven met 10 tot 249 werknemers één of meer AI-technologieën. Van de microbedrijven die AI overwogen maar er toch van afzagen, noemde 71,6% gebrek aan ervaring als reden.
Het goede nieuws: de meeste drempels zijn op te lossen met een gestructureerde aanpak. Niet door groter te beginnen, maar door kleiner en concreter te beginnen.
AI-implementatie in 5 stappen
De vijf stappen hieronder volgen de logica van een succesvol traject: eerst scherp krijgen wat je wilt oplossen, dan pas bouwen. Elke stap eindigt met een beslismoment, zodat je nooit verder investeert dan de resultaten rechtvaardigen.
Stap 1: Kies één proces en maak het meetbaar
Begin niet met de vraag “wat kunnen we met AI?”, maar met “welk proces kost ons nu te veel tijd of gaat te vaak mis?”. Goede kandidaten zijn repetitief, hebben een duidelijk volume en leveren een uitkomst die je kunt controleren. Denk aan facturen verwerken, contracten analyseren, e-mails sorteren, producten herkennen op een foto of storingen voorspellen.
Leg vooraf vast hoe je succes meet: verwerkingstijd per document, foutpercentage, doorlooptijd of het aantal handmatige handelingen. Zonder nulmeting kun je later niet laten zien wat AI oplevert. Een quickscan helpt hierbij: we brengen use cases in kaart, toetsen de technische haalbaarheid en adviseren welk vervolg past. Meer over die aanpak lees je bij AI-strategie en training.
Stap 2: Controleer je data
AI is zo goed als de data waarop het draait. Breng in kaart welke data er is, waar die staat, hoe volledig die is en wie er eigenaar van is. Voor veel taken volstaan enkele honderden goede voorbeelden om een model te trainen, maar die voorbeelden moeten wel representatief zijn voor de praktijk.
Kijk in deze stap ook naar privacy en compliance. Gaat het om persoonsgegevens of vertrouwelijke documenten, dan bepaalt dat mede waar je AI mag draaien. Sinds 2 februari 2025 vraagt de EU AI Act bovendien dat organisaties maatregelen nemen voor de AI-geletterdheid van medewerkers die met AI werken (overzicht van de geldende verplichtingen).
Stap 3: Kies de juiste oplossing en bouw een proof of concept
Niet elk probleem vraagt om een eigen AI-model. Soms volstaat een no-code automatisering of een bestaande API; maatwerk loont vooral bij hoge volumes, gevoelige data of taken die heel specifiek zijn voor jouw bedrijf. In kant-en-klare API of eigen model? lees je hoe je die afweging maakt.
Bouw daarna een proof of concept op echte data en meet het tegen de nulmeting uit stap 1. Haalt het de afgesproken nauwkeurigheid niet, dan weet je dat nu, voordat je investeert in integratie. Dat is geen mislukking maar precies waar deze stap voor is.
Stap 4: Integreer in je systemen en werkproces
Hier zit het verschil tussen een demo en een toepassing die waarde oplevert. De AI moet gegevens ophalen uit en terugschrijven naar de systemen die je al gebruikt, zoals je ERP, CMS, mailbox of planningssoftware. Spreek af wat er gebeurt als het model twijfelt: welke gevallen gaan naar een medewerker ter controle, en hoe zie je dat terug?
Betrek de mensen die ermee gaan werken vroeg. Zij weten waar de uitzonderingen zitten en zij bepalen of de toepassing straks echt gebruikt wordt. Een korte training op maat helpt om vertrouwen te bouwen en voorkomt dat de oude werkwijze ernaast blijft bestaan.
Stap 5: Beheer, monitor en ontwikkel door
Een AI-toepassing is nooit helemaal af. Documenten veranderen van opmaak, producten wijzigen en processen schuiven. Monitor daarom de prestaties, verzamel de gevallen waarin het model fout zat en train periodiek opnieuw. Wijs ook een eigenaar aan: in het Berenschot-onderzoek daalde het aandeel organisaties zonder duidelijke eigenaar voor AI-kennis van ongeveer 30% naar 10%, en dat is geen toeval.
Bij Codint blijven we na de livegang betrokken voor beheer en doorontwikkeling, zodat de oplossing meegroeit met je bedrijf.
Wat levert een goede AI-implementatie op?
Wanneer AI goed is ingebed, merk je dat vooral in tijd, kwaliteit en schaalbaarheid. Werk dat eerst handmatig gebeurde, loopt automatisch door, en medewerkers houden tijd over voor uitzonderingen en klantcontact. Twee voorbeelden uit onze cases:
- Financieel Lab: een AI-model haalt leveranciersnaam, factuurnummer, datum, btw-bedragen, regelomschrijvingen en IBAN uit facturen en laadt ze direct in het ERP. Resultaat: 95% tijdsbesparing en een foutkans onder 0,5%. Hoe dat werkt, lees je in factuurverwerking automatiseren met AI.
- Arat Autobanden: met een foto in de app herkennen vijf eigen computer vision modellen de band, lezen ze de tekst op de zijwand en zetten ze die om in velden. Het product staat daarna automatisch ingevuld in het CMS.
Beide toepassingen begonnen met één afgebakend proces en een heldere meetlat, precies zoals in stap 1.
Wat kost AI implementeren?
De kosten hangen af van de complexiteit van de taak, de staat van je data, het aantal koppelingen met bestaande systemen en of een bestaande oplossing volstaat of een eigen model nodig is. Na een korte verkenning krijg je een heldere offerte per fase, zodat je per stap kunt beslissen of je doorgaat. Op wat kost een AI-model lees je welke factoren de prijs bepalen.
Veelgestelde vragen
Waar begin je met AI implementeren?
Begin bij één proces dat veel handwerk kost en waar je al data over hebt. In een quickscan bepalen we samen of AI daar echt iets oplevert en wat de eerste stap is. Pas daarna krijg je een offerte per fase.
Hoe lang duurt het om AI te implementeren?
Dat hangt af van de taak en je data. Een proof of concept is meestal een kwestie van weken; de integratie in je systemen en het werkproces bepaalt daarna grotendeels de totale doorlooptijd. Door per fase te werken, zie je vroeg of het resultaat de moeite waard is.
Heb ik veel data nodig om te beginnen?
Vaak minder dan je denkt. Voor veel taken volstaan enkele honderden goede voorbeelden, en soms kun je starten met een bestaande API en zo gaandeweg trainingsdata verzamelen. In stap 2 wordt duidelijk wat er nodig is en wat er al ligt.
Moet ik iets regelen voor de EU AI Act?
Voor de meeste toepassingen in het MKB gaat het vooral om AI-geletterdheid van je medewerkers, en bij bijvoorbeeld chatbots of gegenereerde content om transparantie richting gebruikers. Voor toepassingen met een hoog risico, zoals AI bij werving of kredietbeoordeling, gelden zwaardere eisen; die zijn uitgesteld tot 2 december 2027. Neem dit mee in stap 2, dan voorkom je verrassingen achteraf.
Klaar om van pilot naar productie te gaan?
Heb je een proces in gedachten waar AI tijd of fouten kan schelen, of zit je vast in een pilot? We denken graag mee over de eerste stap. Plan een kennismaking.