Waarom AI bij grote bedrijven wél van de grond komt en het mkb achterblijft

Het Centraal Bureau voor de Statistiek publiceerde in maart een cijfer dat in de discussie over AI in het mkb nauwelijks is opgepikt. Van de Nederlandse grootbedrijven gebruikte in 2025 66,2 procent AI-technologie. Van het mkb was dat 29,8 procent. Van de microbedrijven, met 2 tot 9 werkzame personen, 13,8 procent. De groei zit er wel in, van 6,8 procent in 2023 naar 13,8 procent in 2025, maar het gat met het grootbedrijf wordt niet kleiner. Het wordt groter.

De cijfers van het CBS zijn hier terug te vinden.

De gebruikelijke verklaring is een kennisachterstand. Die speelt mee, net als het budget voor een integratietraject en de tijd om zoiets te begeleiden. Maar er is nog een factor die minder vaak ter sprake komt: er is vaak simpelweg geen plek waar een AI-toepassing goed op kan aansluiten.

De ondernemers die ik spreek hebben ChatGPT op hun telefoon. Waar ze op vastlopen is niet per se de vraag wat AI kan, maar waar zo’n toepassing zijn gegevens vandaan haalt.

AI in het mkb: het probleem zit een laag lager

Neem een bedrijf met tien tot vijftig mensen. Dat draait al snel op acht tot vijftien systemen: een kassa of orderpakket, een planning, een urenregistratie, een boekhoudpakket, iets voor klantcontact en daarnaast spreadsheets waarin de rest wordt bijgehouden. Elk systeem heeft zijn eigen inlog, zijn eigen exportknop en zijn eigen waarheid.

In zo’n omgeving sluit AI nergens vanzelf op aan. Je kunt een taalmodel niet vragen hoe de omzet zich verhoudt tot de bezetting als omzet en bezetting in twee pakketten zitten die elkaar niet kennen.

Wat je dan krijgt, is bijvoorbeeld een chatbot op de website die netjes antwoord geeft op vragen die niemand stelt, terwijl de kern van het dagelijkse werk nog steeds uit overtypen bestaat.

Juist daarom zijn koppelingen tussen bestaande systemen vaak een belangrijkere eerste stap dan direct beginnen met AI. Als gegevens uit verschillende systemen betrouwbaar bij elkaar komen, ontstaat er pas een fundament waarop automatisering, dashboards en AI-toepassingen echt iets kunnen toevoegen.

Het beeld dat het grootbedrijf zijn zaken wel volledig op orde heeft, klopt overigens niet. Ook daar draaien verouderde systemen naast pakketten die afdelingen los van elkaar hebben aangeschaft, en ook daar lopen migraties soms jarenlang. Het verschil zit vooral in wie dat overbrugt.

Bij een grote organisatie is er meestal een integratielaag en een team dat koppelingen onderhoudt, betaald uit een IT-budget waarin die post al bestaat. Toen de taalmodellen kwamen, lag die stekkerdoos er grotendeels al. In een bedrijf van tien tot vijftig mensen is hetzelfde werk vaak van niemand.

Wat één voorbeeld wel en niet laat zien

Ik heb het afgelopen halfjaar zo’n fundament gebouwd voor een openbaar zwembad in Barendrecht. Kassa, rooster, uren, boekhouding, gebouwbeheer, energie en klantcontact stonden allemaal apart.

De eerste maanden ging er vrijwel geen AI in. Het werk bestond vooral uit koppelen.

Wat daarmee verdween, is op zichzelf behoorlijk banaal. Informatie stond overal en meestal wist één persoon waar. Is die persoon er niet, dan ligt iets stil of moet iemand opnieuw gaan zoeken.

Nu is er één plek waar informatie bij elkaar komt en waar je vragen in gewone taal kunt stellen, met de bron bij het antwoord. Daardoor kun je een antwoord nakijken in plaats van het simpelweg te moeten geloven. Over wat deze casus aantoont wil ik precies zijn.

Hij laat zien dat deze volgorde in één organisatie van dit type werkt en dat zo’n fundament in maanden gebouwd kan worden in plaats van jaren.

Hij toont niet aan dat het mkb als geheel hierop vastloopt. Ook toont hij niet aan dat een productiebedrijf dezelfde route moet volgen, of dat het ontbreken van een koppellaag dé verklaring is voor de CBS-cijfers.

Het is één casus, uitgevoerd en beschreven door dezelfde persoon. Voor een uitspraak over de hele sector is dat te weinig.

De rekensom die niemand maakt

Automatisering wordt vaak verkocht als een project met een opleverdatum. In de praktijk is het een abonnement op onderhoud.

Koppelingen breken. Een leverancier wijzigt zijn API, een certificaat verloopt of een import verandert stilletjes van formaat. Het platform waar ik aan werk controleert zichzelf daarom iedere vijf minuten en de back-up wordt iedere week daadwerkelijk teruggezet. Dat specifieke ritme is niet het belangrijkste.

Waar het om gaat, is dat de post ‘iemand kijkt of het morgen nog werkt’ in de businesscase staat, ook als die iemand een ander is dan degene die het systeem heeft gebouwd.

Wie dat weglaat, koopt al snel een systeem dat het een half jaar goed doet.

Welke koppeling levert in het mkb als eerste iets op?

Begin niet bij AI. Begin bij het werk dat vandaag al onnodig handmatig gebeurt.

Deze volgorde werkt:

1. Schrijf een week lang op welk werk uit overtypen bestaat.
   Noteer welk scherm links staat, welk scherm rechts, hoe vaak het gebeurt en hoeveel minuten het per keer kost. Schattingen zijn goed genoeg.
2. Zet er per regel bij wat er misgaat als het fout gaat.
   Een verkeerd overgenomen uurtarief weegt zwaarder dan een dubbel ingetypte interne notitie.
3. Controleer of beide systemen technisch toegankelijk zijn.
   Kijk of er een API, export of andere betrouwbare manier is om gegevens uit te wisselen. Een koppeling die afhankelijk is van continu meekijken op schermen wordt al snel onderhoud waar je later spijt van krijgt.
4. Controleer of beide systemen dezelfde sleutel kennen.
   Denk aan een klantnummer, ordernummer of personeelsnummer dat aan beide kanten hetzelfde is. Is die gemeenschappelijke sleutel er niet, dan heb je eerst een matchingprobleem en daarna pas een koppeling.
5. Kies wat overblijft met de hoogste combinatie van frequentie, tijd en risico.
   Bouw alleen die koppeling. Meet daarna opnieuw hoeveel minuten het proces kost. Met dat getal kun je vervolgens onderbouwen of de tweede koppeling de investering waard is.

Doe daarna pas de slimme dingen, dan werken ze ook.

Eerst het fundament, daarna AI

De CBS-cijfers laten een duidelijke kloof zien tussen het AI-gebruik bij grote ondernemingen en kleinere bedrijven. Kennis, geld en beschikbare tijd spelen daar waarschijnlijk allemaal een rol in.

Maar bij AI in het mkb begint het vraagstuk vaak nog een laag lager: zijn de gegevens überhaupt beschikbaar, betrouwbaar en met elkaar verbonden?

Dat is minder spectaculair dan een nieuwe AI-agent of chatbot. Het is wel het werk waardoor die toepassingen later daadwerkelijk iets kunnen doen.

De volgorde waarin je begint, is bovendien het deel waar een ondernemer zelf invloed op heeft.

Sem van der Wilk bouwt operationele platforms, dashboards en koppelingen voor het mkb vanuit Barendrecht. Hij is de bouwer van het platform waar het genoemde zwembad op draait, dus lees dit stuk met die bril.