Dienst 01
AI-strategie en implementatie
De meeste MKB-bedrijven hebben geen AI-probleem maar een keuzeprobleem. Er zijn honderd dingen mogelijk en het is onduidelijk welke daarvan geld opleveren. Ik help je die keuze maken en breng vervolgens één use case tot een draaiende oplossing.
Waarom AI-projecten stranden
Het patroon is voorspelbaar. Iemand ziet een indrukwekkende demo, er komt budget, een pilot wordt gestart, en negen maanden later staat er iets dat technisch werkt maar dat niemand gebruikt. Het faalt zelden op de techniek. Het faalt omdat de gekozen toepassing geen echt knelpunt oploste, of omdat er niemand was die er eigenaar van werd zodra de externe partij vertrok.
Het tweede patroon is stilstand. Er wordt zoveel gepraat over wat er allemaal kan dat er niets gebeurt. Beide zijn duur: het eerste kost geld, het tweede kost tijd.
Wat de dienst inhoudt
Drie fasen, met een beslismoment na elke fase. Je zit nergens aan vast voordat je weet wat het oplevert.
-
Use-case scan
We gaan door je processen heen en verzamelen kandidaten. Niet alles wat kan, maar alles waar nu aantoonbaar tijd of geld weglekt. Dat levert meestal tien tot twintig mogelijkheden op.
-
Prioritering op ROI
Elke kandidaat krijgt een schatting van opbrengst, implementatielast en risico. Wat bovenaan eindigt is zelden het spannendste idee, maar wel het idee dat zichzelf het snelst terugverdient.
-
Proof of concept
De bovenste use case bouwen we uit tot iets dat werkt op je eigen data. Geen mockup, geen demo op een schone dataset, maar iets dat je collega een week lang echt kan gebruiken.
-
Implementatie en overdracht
Werkt het, dan maken we het productiewaardig: monitoring, foutafhandeling, documentatie. En iemand in jouw organisatie leert het beheren, zodat het blijft draaien als ik weg ben.
Hoe het loopt
- 01
Twee weken scan
Gesprekken met de mensen die het werk doen, meekijken in de systemen, en een lijst met kansen die op volgorde staat. Je krijgt die lijst ook als ik denk dat je beter niets kunt doen.
- 02
Twee tot vier weken proof of concept
Bouwen op je eigen data, met een vooraf afgesproken succescriterium. Haalt het dat niet, dan stoppen we. Dat gebeurt, en het is goedkoper dan doorgaan.
- 03
Vier tot acht weken implementatie
Van werkend prototype naar iets dat productie aankan, inclusief overdracht aan de persoon die het gaat beheren.
Wat het oplevert
Aan het eind draait er één toepassing die aantoonbaar iets bespaart of oplevert, en heb je een onderbouwde lijst met wat er daarna zou moeten komen.
- Eén werkende AI-toepassing in productie, geen pilot die blijft hangen
- Een geprioriteerde lijst met de volgende vijf tot tien use cases
- Iemand in je eigen team die de oplossing kan beheren
- Een meetbaar getal: bespaarde uren, kortere doorlooptijd of hogere conversie
Wat het kost
Wat een traject kost hangt af van de omvang en van hoeveel systemen erbij betrokken zijn. Ik werk met een vaste prijs per fase, niet met open regie: je weet vooraf wat een fase kost en je beslist na elke fase of je verder wilt.
Een concreet bedrag noem ik pas als ik weet waar het over gaat. Dat kost een gesprek van een half uur en daar zijn geen kosten aan verbonden.
Of dit bij je past
Dit werkt goed als
- je merkt dat er tijd weglekt maar niet precies weet waar
- er al een keer een AI-initiatief is gestrand en je wilt weten waarom
- je liever één ding af hebt dan vijf dingen half
- er iemand intern is die het straks kan overnemen
Dit past minder goed als
- je een leverancier zoekt die het hele traject overneemt en houdt
- de belangrijkste data nog nergens digitaal staat
- er geen budgethouder is die binnen twee weken kan beslissen
Vragen over AI-strategie
Moeten we eerst onze data op orde hebben?
Meestal niet. Dat advies klinkt verstandig maar leidt tot jarenlange datatrajecten zonder resultaat. Voor de meeste eerste use cases is de data goed genoeg. Als hij dat niet is, blijkt dat binnen twee weken in de scan, en dan weet je precies welk stuk data je moet opknappen en waarom.
Bouw je met ChatGPT of met eigen modellen?
Wat het probleem het goedkoopst oplost. In de praktijk komt dat vaak neer op een bestaand taalmodel via een API, gecombineerd met je eigen data. Zelf modellen trainen is voor het MKB zelden rendabel en ik zal het ook niet voorstellen als het niet nodig is.
Wat als de proof of concept mislukt?
Dan stoppen we en betaal je de implementatiefase niet. Dat is geen ramp maar het doel van die fase: goedkoop uitvinden of iets werkt voordat je er echt geld in stopt. Ongeveer een op de vier proofs haalt het criterium niet.
Laten we bespreken hoe ik jouw bedrijf kan helpen groeien
Een kort gesprek is genoeg om te bepalen of er een goede match is. Geen verkooppraatje, wel een eerlijk beeld van wat er mogelijk is.