Wat kost een AI-project echt? 5 MKB-trajecten doorgerekend

Kernpunten: AI-projecten voor het MKB kosten tussen de 10.000 en 60.000 euro, afhankelijk van complexiteit en datakwaliteit. De grootste budgetverrassingen zitten niet in ontwikkeling maar in datavoorbereiding, integratie en doorlopend onderhoud. Met subsidies zoals WBSO, MIT en SLIM kan de netto-investering met 30-50% dalen, waardoor projecten die onbereikbaar lijken binnen handbereik komen.

Waarom kostentransparantie ontbreekt

De AI-markt wordt gedomineerd door vaagheid over prijzen, waardoor ondernemers geen onderbouwde investeringsbeslissing kunnen nemen. Veel aanbieders hanteren "het hangt ervan af" als standaardantwoord, wat begrijpelijk is maar ondernemers niet helpt bij budgettering. Uit onderzoek van de Kamer van Koophandel uit 2025 blijkt dat 78% van de MKB-bedrijven AI-investeringen uitstelt door gebrek aan inzicht in de werkelijke kosten.

Het probleem wordt versterkt door de enorme variatie in aanbiedingen. Een chatbot kan 5.000 euro kosten bij een freelancer die een wrapper om ChatGPT bouwt, of 40.000 euro bij een bureau dat een volledig getraind domeinspecifiek model levert. Beide noemen het "een AI-chatbot". Zonder begrip van de onderliggende componenten is vergelijken onmogelijk.

Dit artikel doorbreekt die vaagheid. We ontleden vijf concrete AI-trajecten die we in de praktijk tegenkomen bij MKB-bedrijven met 10 tot 250 medewerkers. Per traject laten we zien wat de werkelijke kosten zijn, waar de verborgen uitgaven zitten, en hoe subsidies het plaatje veranderen. De bedragen zijn gebaseerd op marktgemiddelden in Nederland anno 2025-2026 en omvatten zowel interne als externe kosten.

Traject 1: Chatbot voor klantenservice (15.000-30.000 euro)

Een AI-chatbot die klantvragen beantwoordt op basis van de productdocumentatie en FAQ's kost voor een MKB-bedrijf doorgaans tussen de 15.000 en 30.000 euro voor een productiewaardige implementatie. Dit is exclusief de goedkoopste categorie waarbij slechts een standaard-widget wordt ingeplakt, en exclusief enterprise-oplossingen met complexe workflowintegraties.

De kostenopbouw ziet er als volgt uit. Ontwerp en scopebepaling kosten 2.000-4.000 euro en omvatten het in kaart brengen van veelgestelde vragen, gewenste tone-of-voice, en escalatiepaden naar menselijke medewerkers. De technische ontwikkeling zelf, inclusief het opzetten van de kennisbank, het fine-tunen van antwoorden en het bouwen van de chatinterface, kost 8.000-15.000 euro. Integratie met bestaande systemen zoals het CRM, het ticketsysteem of de webshop voegt 3.000-8.000 euro toe, afhankelijk van de complexiteit van het IT-landschap.

Wat ondernemers vaak vergeten, zijn de doorlopende kosten. API-kosten voor het taalmodel bedragen 50-300 euro per maand afhankelijk van het volume, hosting kost 30-100 euro per maand, en onderhoud en het bijwerken van de kennisbank kosten 2.000-5.000 euro per jaar. Over drie jaar komt de total cost of ownership daarmee op 25.000-50.000 euro.

De ROI is wel overtuigend. Bedrijven met 500 of meer klantvragen per maand zien het aantal eerstelijns supporturen binnen zes maanden doorgaans met 40-60% dalen. Bij een gemiddeld uurtarief van 35 euro en 200 afgehandelde vragen per maand minder, bespaart dat ruim 80.000 euro per jaar.

Traject 2: Vraagvoorspelling en voorraadbeheer (25.000-50.000 euro)

Demand forecasting met AI is een van de meest rendabele toepassingen voor MKB-bedrijven met fysieke producten, maar ook een van de trajecten waar de investering snel kan oplopen als de datakwaliteit tegenvalt. De bandbreedte van 25.000 tot 50.000 euro weerspiegelt het verschil tussen bedrijven met schone, gestructureerde verkoopdata en bedrijven waar data verspreid zit over Excel-bestanden, ERP-modules en hoofden van medewerkers.

Datavoorbereiding en -integratie vormen het grootste kostenblok: 8.000-18.000 euro. Dit omvat het ontsluiten van historische verkoopdata, het normaliseren van productcategorieën, het koppelen van externe factoren zoals seizoenspatronen en marketingacties, en het opschonen van inconsistenties. In de praktijk kost deze fase 40-50% meer tijd dan vooraf ingeschat.

Het ontwikkelen en trainen van het voorspelmodel kost 10.000-20.000 euro. Dit omvat het selecteren van het juiste algoritme, feature engineering, modelvalidatie op historische data, en het bouwen van een interface waarmee inkoop en logistiek de voorspellingen kunnen gebruiken. De integratie met het ERP of WMS voegt 5.000-10.000 euro toe.

Doorlopende kosten bedragen 5.000-12.000 euro per jaar voor modelhertraining, monitoring van voorspelkwaliteit, en aanpassingen bij veranderingen in het assortiment of de markt. De terugverdientijd is bij de meeste bedrijven 8-14 maanden. Retailers rapporteren gemiddeld 15-25% lagere voorraadkosten en 20-30% minder nee-verkopen na implementatie.

Traject 3: Documentautomatisering (10.000-25.000 euro)

Documentautomatisering met AI, waarbij het systeem facturen verwerkt, contracten analyseert of offertes genereert, is het meest toegankelijke instaptraject voor MKB-bedrijven. De investering van 10.000-25.000 euro levert relatief snel zichtbaar resultaat op, omdat het een proces automatiseert dat medewerkers dagelijks als tijdrovend ervaren.

De scopefase kost 1.500-3.000 euro en richt zich op het inventariseren van documenttypen, volumes, en de gewenste mate van automatisering. Volledig automatisch verwerken zonder menselijke controle is voor de meeste bedrijven nog een brug te ver; een opzet waarin 90% van het werk automatisch gaat en een medewerker controleert, is realistischer en goedkoper te implementeren.

Ontwikkeling kost 6.000-14.000 euro, waarbij de complexiteit sterk afhangt van de variatie in documentformaten. Gestandaardiseerde facturen van vaste leveranciers zijn relatief eenvoudig; contracten in vrije tekst met wisselende opmaak zijn een orde van grootte complexer. Integratie met de boekhoudsoftware of het documentmanagementsysteem kost 2.000-6.000 euro.

De operationele besparingen zijn direct meetbaar. Een financieel medewerker die 15 uur per week aan factuurverwerking besteedt, kan dat terugbrengen tot 3-4 uur. Bij een bruto uurtarief van 40 euro bespaart dat circa 23.000 euro per jaar. De terugverdientijd ligt daarmee tussen de 6 en 12 maanden, wat dit tot een van de veiligste AI-investeringen maakt.

Traject 4: Predictive maintenance (30.000-60.000 euro)

Voorspellend onderhoud is het duurste segment van AI-trajecten in het MKB, met een investering van 30.000-60.000 euro die gerechtvaardigd wordt door de hoge kosten van ongeplande stilstand in productieomgevingen. Een uur onverwachte machine-uitval kost een gemiddeld MKB-productiebedrijf tussen de 5.000 en 20.000 euro aan directe kosten, exclusief reputatieschade en leveringsvertragingen.

De hogere investering komt vooral door de sensorinfrastructuur. Bestaande machines moeten worden uitgerust met trillings-, temperatuur- en stroomsensoren, wat 5.000-15.000 euro aan hardware en installatie kost. Daarbovenop komt de data-infrastructuur om sensordata realtime te verzamelen en op te slaan: 4.000-10.000 euro voor een IoT-gateway en cloudomgeving.

Het ontwikkelen van voorspelmodellen kost 12.000-22.000 euro. De uitdaging is dat het model voldoende storingsdata nodig heeft om patronen te herkennen, en die data is per definitie schaars: het doel is juist dat machines niet kapotgaan. Technieken als transfer learning en anomaliedetectie helpen, maar vereisen specialistische kennis.

Integratie met het onderhoudsplanningssysteem en het bouwen van een alerteringsdashboard kosten 5.000-10.000 euro. De doorlopende kosten van 8.000-15.000 euro per jaar omvatten cloudkosten, modelupdates en sensoronderhoud. De ROI is hoog: bedrijven rapporteren 30-50% lagere onderhoudskosten en 70-85% minder ongeplande stilstand. Bij een productiebedrijf met 2 miljoen euro jaarlijkse onderhoudskosten betekent dat een besparing van 600.000-1.000.000 euro per jaar.

Traject 5: Aanbevelingsengine (20.000-40.000 euro)

Een AI-aanbevelingsengine die klanten gepersonaliseerde productsuggesties toont, is bijzonder effectief voor webshops en B2B-platforms met meer dan 500 producten. De investering van 20.000-40.000 euro is hoger dan een standaard "klanten kochten ook"-module, maar levert duidelijk betere resultaten op, omdat hij gedragsdata, productkenmerken en contextfactoren combineert.

De datalaag kost 5.000-10.000 euro en omvat het ontsluiten en structureren van productdata, klikgedrag, aankoophistorie en eventuele klantprofielen. De kwaliteit van deze data bepaalt grotendeels hoe goed de aanbevelingen zijn. Modelontwikkeling kost 8.000-18.000 euro, waarbij de keuze tussen collaborative filtering, content-based filtering of hybride benaderingen afhangt van het dataprofiel en het productassortiment.

Integratie met het webshopplatform of het CRM kost 4.000-8.000 euro. Infrastructuur voor A/B-tests om het effect te meten voegt 2.000-4.000 euro toe, maar is essentieel om de businesscase te onderbouwen. Doorlopende kosten bedragen 4.000-10.000 euro per jaar.

De resultaten zijn goed gedocumenteerd: gepersonaliseerde aanbevelingen verhogen de gemiddelde orderwaarde met 10-30% en de conversie met 5-15%. Voor een webshop met 1 miljoen euro jaaromzet betekent dat 50.000-300.000 euro extra omzet per jaar.

De verborgen kosten die iedereen onderschat

Naast de directe projectkosten zijn er vier kostenposten die in vrijwel elk AI-traject voor budgetoverschrijdingen zorgen. Het herkennen en inplannen van deze kosten voorkomt dat het project halverwege door budgetproblemen stilvalt.

Datavoorbereiding is de grootste boosdoener. De vuistregel in de branche is dat 60-80% van de projecttijd opgaat aan dataverzameling, opschoning en structurering. Toch begroten de meeste projectplannen hier slechts 20-30% van het budget voor. Het resultaat is een structureel tekort, dat eindigt in concessies aan de datakwaliteit of in een budgetoverschrijding. Reken standaard 30-40% van het totale projectbudget voor datawerk.

Change management staat bijna nooit in de begroting, maar is cruciaal voor adoptie. Medewerkers die met AI-tools moeten werken, hebben training nodig in het gebruik van de tool, maar ook in het lezen van de resultaten en in het herkennen wanneer ze de AI-output moeten negeren. Reken op 2.000-8.000 euro voor training en begeleiding, afhankelijk van het aantal gebruikers.

Technische schuld ontstaat wanneer een succesvol proof of concept wordt doorontwikkeld tot productiesysteem zonder de architectuur te herzien. Code die voor een demo werkte, schaalt niet altijd naar productie. Een refactoring na de pilotfase kost doorgaans 15-25% van het oorspronkelijke budget.

Compliancekosten door de EU AI Act worden steeds relevanter. Afhankelijk van de risicoklasse van de toepassing is een investering nodig in documentatie, menselijk toezicht en transparantie. Voor de meeste MKB-toepassingen blijft dit beperkt tot 2.000-5.000 euro, maar breng dit vroeg in het traject in kaart.

Hoe subsidies de netto-investering met 30-50% verlagen

Nederlandse MKB-bedrijven hebben toegang tot meerdere subsidieregelingen die de netto-investering in AI flink verlagen. Goed gebruik van deze regelingen bepaalt vaak of een project op de plank blijft liggen of groen licht krijgt.

De WBSO (Wet Bevordering Speur- en Ontwikkelingswerk) is de meest toegankelijke subsidie voor AI-projecten. Deze regeling vermindert de loonkosten voor R&D-activiteiten via een afdrachtvermindering op de loonbelasting. Voor starters geldt een verhoogd percentage van 40% over de eerste 350.000 euro aan R&D-kosten. Voor een MKB-bedrijf dat zelf AI-modellen ontwikkelt of aanpast, kan de WBSO 20.000-50.000 euro per jaar opleveren.

De MIT-regeling (Mkb-innovatiestimulering Regio en Topsectoren) biedt subsidie voor haalbaarheidsstudies (35% tot 20.000 euro) en R&D-samenwerkingsprojecten (35% tot 200.000 euro). Een haalbaarheidsstudie is ideaal om een AI-businesscase uit te werken vóór de volledige investering.

De SLIM-regeling (Stimuleringsregeling Leren en ontwikkelen in het MKB) vergoedt tot 60% van de kosten voor een opleidingsplan gericht op AI-vaardigheden van de medewerkers. Dit dekt de kosten voor change management en training die veel bedrijven vergeten te begroten.

Een concreet voorbeeld: een vraagvoorspellingsproject van 40.000 euro kan met WBSO (12.000 euro) en MIT-haalbaarheid (8.000 euro) teruggebracht worden tot een netto-investering van 20.000 euro. Dat scheelt 50%, waardoor de terugverdientijd halveert tot 4-7 maanden.

Wanneer het geld terugkomt: realistische ROI-tijdlijnen

De belofte dat AI "zichzelf terugverdient" is waar, maar de tijdlijn is langer dan verkoopbrochures suggereren. Een realistische kijk op terugverdientijden helpt om de verwachtingen van stakeholders reëel te houden en de financiering goed te plannen.

De eerste drie maanden na livegang zijn doorgaans de "leerfase". Het model presteert minder goed dan in de testomgeving, gebruikers moeten wennen, en er zijn onvoorziene edge cases die aandacht vragen. Reken in deze fase op 60-70% van de beloofde prestaties. In maand 4-6 stijgt dat doorgaans tot 80-90%, doordat het model leert van productiedata en gebruikers er beter mee overweg kunnen.

De volledige ROI komt tussen maand 6 en 18, afhankelijk van het type traject. Documentautomatisering laat het snelst rendement zien (6-10 maanden), gevolgd door chatbots (8-12 maanden) en aanbevelingsengines (10-14 maanden). Vraagvoorspelling en predictive maintenance hebben een langere aanloop van 12-18 maanden, maar leveren daarna ook de hoogste absolute besparingen op.

Een belangrijke kanttekening: deze tijdlijnen gelden voor projecten met voldoende datakwaliteit en organisatorische betrokkenheid. Bij bedrijven waar de data eerst op orde gebracht moet worden of waar interne weerstand de adoptie vertraagt, kan de terugverdientijd verdubbelen.

Build versus buy: het besliskader

De keuze tussen zelf bouwen en een kant-en-klare oplossing kopen is een van de belangrijkste strategische beslissingen bij een AI-project. We hebben die afweging uitgewerkt met cijfers in maatwerksoftware laten maken of SaaS kopen. Een verkeerde keuze kan duizenden euro's kosten aan lock-in of herontwikkeling.

Koop een bestaande oplossing wanneer de use case standaard is, snel live gaan belangrijk is en het concurrentievoordeel niet vooral uit de AI-component komt. SaaS-oplossingen voor documentverwerking, eenvoudige chatbots of standaard analytics kosten 200-2.000 euro per maand en zijn binnen weken operationeel. De totale kosten over drie jaar (7.200-72.000 euro) zijn vergelijkbaar met een maatwerktraject, maar de eerste opbrengst komt na weken in plaats van maanden.

Bouw een maatwerkoplossing wanneer de data of processen uniek zijn, wanneer de AI een kernonderdeel van de concurrentiepositie wordt, of wanneer bestaande oplossingen niet op de eigen systemen aansluiten. Maatwerk kost vooraf meer, maar geeft volledige controle over functionaliteit, data en doorontwikkeling.

De hybride aanpak wint terrein: gebruik een bestaand platform als fundament en bouw maatwerklagen eromheen. Dit combineert de snelle start van kopen met de flexibiliteit van bouwen, tegen 40-60% van de kosten van volledig maatwerk.

Ongeacht de keuze geldt: begin klein, bewijs de waarde, en schaal daarna op. Een pilot van 10.000-15.000 euro die zijn waarde bewijst, maakt het vele malen eenvoudiger om budget vrij te krijgen voor een volledig traject van 30.000 euro of meer.

Conclusie: investeer met open ogen

AI is geen magische oplossing en geen bodemloze put. Met de juiste verwachtingen, een realistisch budget en slimme inzet van subsidies is AI voor de meeste MKB-bedrijven een rendabele investering. Het draait om transparantie: ken de kosten, houd rekening met het onverwachte en meet de resultaten vanaf dag één. De vijf trajecten in dit artikel laten zien dat de investering substantieel is maar de rendementen dat ook zijn, mits u met open ogen investeert en niet alleen naar de technologie kijkt maar ook naar de organisatieverandering die ermee gepaard gaat.