AI-leverancier kiezen voor MKB: checklist met 15 vragen

Kernpunten: Een AI-leverancier kiezen is geen prijsvergelijking, het is een risico-evaluatie. De verkeerde partner kost 3-9 maanden tijd en laat het AI-project op een plank belanden. Deze checklist met 15 concrete vragen scheidt de bureaus die opleveren van de bureaus die mooi praten. Daarna volgen de rode vlaggen die aangeven dat verder kijken verstandig is.

Vóór de offerteronde: eerst de scope

Voorkom de meest gemaakte fout: een onduidelijke vraag stellen aan drie partijen die er elk iets anders in lezen. Beantwoord daarom intern, vóór de offerteaanvraag:

1. Wat is mijn concrete probleem? (niet: "we willen iets met AI", wel: "we verliezen 8% van de leads omdat de opvolging geen prioriteit krijgt")
2. Welke data heb ik? (concreet: welke systemen, welke historie, welke kwaliteit)
3. Welk budget heb ik, ongeveer? (deel dit; dan verspillen partijen geen tijd aan een onrealistische scope)
4. Hoe meet ik succes? (één meetbare KPI, niet "tevredenheid")
5. Wat is mijn deadline? (een concrete maand, niet "zo snel mogelijk")

Staat dit op één pagina, dan levert een aanvraag bij drie tot vijf partijen zinvolle offertes op.

De 15 vragen aan elke kandidaat

A. Ervaring (vraag 1-4)

1. Welke vergelijkbare projecten hebben jullie de laatste 24 maanden geleverd? Let op: alleen pilots, niets in productie. Een bureau dat alleen pilots heeft gebouwd, weet niet hoe productie eruitziet.

2. Mag ik twee klanten spreken die nu in productie draaien met jullie werk? Echte klanten, echte gesprekken. Ontwijkt het bureau deze vraag, dan is dat een rode vlag.

3. Hoeveel jaar ervaring heeft de persoon die mijn project leidt, met deze specifieke technologie? Niet "ons team heeft 20 jaar ervaring", maar: wie zit er bij de kick-off aan tafel?

4. Welke MKB-projecten hebben jullie gedaan (versus enterprise)? Het MKB kent een andere realiteit: minder mensen, minder budget, snellere besluitvorming. Enterprise-bureaus passen daar vaak niet bij.

B. Technische aanpak (vraag 5-8)

5. Welke technische stack heeft jullie voorkeur, en waarom? Goed antwoord: "We bekijken eerst de bestaande stack en passen ons aan; we werken met Python/scikit-learn/PyTorch en deployen op AWS/Azure/GCP, afhankelijk van waar de omgeving draait." Slecht: "We bouwen alles in [ons eigen, gesloten platform]."

6. Hoe gaan jullie om met datakwaliteit als die slecht blijkt? Goed: "We beginnen elk project met een data-audit. Blijkt de data onverwacht slecht, dan passen we de scope aan of lassen we een haalbaarheidsfase in." Slecht: een belofte dat de data altijd "goed genoeg" zal zijn.

7. Wat gebeurt er als het model technisch niet werkt? Een eerlijke partner heeft een exitstrategie. Een optimistische partner ontkent dat dit kan gebeuren.

8. Welke monitoring komt er na deployment? Productie-AI vraagt doorlopende monitoring op model drift, data drift en teruglopende prestaties. Een bureau dat dit niet noemt, levert geen productiewerk.

C. Commerciële zaken (vraag 9-12)

9. Wat is jullie aanpak voor IP en code-eigendom? Standaard: het eigenaarschap van alle specifiek gebouwde code en modellen ligt bij de opdrachtgever. Wil een bureau het IP houden, dan is dat een rode vlag (tenzij het expliciet om een licentiemodel gaat).

10. Hoe wordt scope-creep afgehandeld? Goed: "We werken in werkpakketten met vaste prijzen. Toevoegingen worden apart afgesproken." Slecht: "We zijn flexibel." Dat eindigt vaak in budgetoverschrijdingen.

11. Wat zit er WEL en NIET in de offerte? Specifiek: training van het team? Productie-monitoring 6 maanden? Documentatie? Updates bij regressie?

12. Welk percentage van de projecten wordt binnen budget opgeleverd? Een eerlijk bureau zit op 70-85% binnen budget, met scope-creep in 15-30% van de projecten. Een bureau dat "100% binnen budget" claimt, liegt of doet alleen scopes met een vaste prijs.

D. Subsidies en bredere strategie (vraag 13-15)

13. Helpen jullie met subsidieaanvragen (WBSO, MIT, SLIM)? Bureaus die hier "nee" zeggen, laten 30-50% van het budget liggen.

14. Wat is jullie ervaring met compliance onder de EU AI Act? Per 2 augustus 2026 wettelijk verplicht. Een bureau dat dit niet kent, kan een boete opleveren.

15. Hoe ziet jullie ondersteuning na go-live eruit? Productie-AI heeft onderhoud nodig. Een bureau dat "het project levert en klaar is" laat een verouderend model achter.

Rode vlaggen: bij deze zinnen direct stoppen

• "We kunnen jullie X met 50% verbeteren", vóór ze de data hebben gezien.
• "Onze AI is anders dan andere AI", zonder concreet technisch onderscheid.
• "Vertel ons het budget, dan maken we een offerte", zonder verkennend gesprek over de scope.
• "We hebben patent op ons proprietary algoritme", meestal marketing.
• "Onze projecten zijn altijd succesvol", statistisch onmogelijk; eerlijke bureaus erkennen mislukte projecten en wat ze geleerd hebben.
• "We hebben een AI-platform dat alles oplost"; zoiets bestaat niet. Een aanpak per use case wint.
• Onduidelijk eigendom van data of model.
• Geen klant die al 18 maanden of langer in productie draait.

Het scorecardsysteem

Maak een simpele matrix:

Onder de 50: niet doen. 50-60: kan, maar onderhandel. 60-75: serieuze kandidaat. Een 75 haalt geen enkel bureau echt; komt er een op uit, dan is het te mooi om waar te zijn.

Stratalytic in de checklist

Een bureau evalueren betekent ook ons evalueren. Onze antwoorden op de 15 vragen:

• Projecten: Masparts, Travelaround, vraagvoorspelling in de bouw, predictive maintenance. Allemaal live in productie.
• Technische lead: Rutger Geerlings, MSc Computer Science. Bij elke kick-off zelf aanwezig.
• Stack: Python, een moderne ML-stack, deployment in de cloud (Azure, AWS, GCP) of on-prem.
• Data-audit: elk project begint hiermee, geen uitzonderingen.
• IP: alle code en modellen in eigendom van de opdrachtgever.
• Subsidies: WBSO, MIT, SLIM standaard in elke offerte verwerkt.
• EU AI Act: wij doen compliance-assessments en bouwen risicoclassificatie in.
• Na livegang: standaard 3 maanden monitoring, plus elke maand een check-in van een uur.

Plan een kennismakingsgesprek van 30 minuten en toets ons aan deze checklist.

Veelgestelde vragen

Hoeveel offertes moet ik vergelijken? Minimaal drie. Meer dan vijf wordt onhanteerbaar.

Wat is een red flag bij een AI-bureau? Beloften zonder data-audit, technische vragen ontwijken, geen referentieklanten, onduidelijke IP-afspraken.

Moet ik gaan voor een groot consultancybureau of een specialist? Voor MKB tot 250 FTE: vrijwel altijd een specialist. Sneller, scherper, goedkoper.