AI-roadmap voor jaar 1: het MKB-stappenplan dat werkt

Kernpunten: Een AI-roadmap voor het eerste jaar in een MKB-bedrijf werkt het best in vier kwartalen met elk een eigen focus: (Q1) fundament, (Q2) eerste pilot, (Q3) productie, (Q4) opschalen + opleiden. Een realistisch budget is €40.000-€80.000, na subsidies netto €20.000-€40.000. Wie alles tegelijk probeert, verzandt; wie deze fasering volgt, heeft eind jaar 1 een werkend AI-systeem in productie én een team dat ermee kan werken.

De vier kwartalen

Q1: Fundament leggen (maanden 1-3)

Voordat er één regel code geschreven wordt, moet de basis kloppen. Dit kwartaal draait om voorbereiding.

Doel: weten welke AI-use case zinvol is, met welke data, voor welke ROI.

Activiteiten:

• Data-audit: welke systemen, welke kwaliteit, welke historie
• AI-use case workshop: 3-5 kandidaat-use cases identificeren en scoren op impact × haalbaarheid
• Subsidie-strategie: WBSO-aanvraag indienen, MIT-haalbaarheid voorbereiden voor de opening in juni
• Quick wins op data: de meest kritieke gaten in de data dichten (vaak: versnipperde klantdata, ontbrekende historie)
• EDIH-assessment: gratis intake bij de regionale EDIH voor een onafhankelijke blik

Deliverables:

• Data-architectuurschets
• Gekozen use case (één, met argumentatie)
• WBSO ingediend
• Eerste MIT-haalbaarheidsplan in concept

Budget Q1: €5.000-€15.000 (vaak grotendeels via gratis EDIH + WBSO-voorbereiding).

Q2: Eerste pilot (maanden 4-6)

Het kwartaal waarin de gekozen use case een werkend prototype wordt.

Doel: technisch valideren dat de gekozen AI-toepassing werkt op de eigen data.

Activiteiten:

• MIT-haalbaarheidsaanvraag indienen (zodra MIT in juni opent)
• Data-pipeline bouwen: schone data uit bronsystemen naar één plek
• Model-iteratie: meerdere ML-aanpakken testen tegen baseline
• Pilot in een proof-of-concept-omgeving: niet live, wel met echte data
• Stakeholder-validatie: uitkomsten bespreken met inhoudelijke experts

Deliverables:

• Werkend model op gevalideerde data
• Performance-rapport met de resultaten in cijfers
• Go/no-go-beslissing voor productie

Budget Q2: €15.000-€25.000 (35% gedekt door pre-WBSO en MIT-haalbaarheid).

Q3: Productie (maanden 7-9)

Het kwartaal waarin de pilot een productiesysteem wordt.

Doel: model live in productie, geïntegreerd in de bestaande tools, gebruikers eraan gewend.

Activiteiten:

• Productie-engineering: model deployment, monitoring, error handling
• Integratie: modeluitkomsten komen in CRM, dashboard, ERP of intern systeem
• Gebruikerstest: eindgebruikers testen met realistische workflows
• MIT R&D-aanvraag indienen als het project in scope groeit
• SLIM-aanvraag voor de septemberronde (team-training Q4)

Deliverables:

• AI-systeem live in productie
• Monitoring-dashboard voor model-performance
• Eerste gebruikers actief
• Documentatie en runbook

Budget Q3: €15.000-€25.000 (WBSO dekt 36-50% van ontwikkeluren, MIT-haalbaarheid afgerond).

Q4: Opschalen + opleiden (maanden 10-12)

Het kwartaal waarin het AI-systeem onderdeel wordt van het dagelijkse werk en het team leert ermee te werken.

Doel: AI is geen bijzaak meer, maar onderdeel van de vaste werkwijze.

Activiteiten:

• Team-training: SLIM-gefinancierde AI-geletterdheidstraining (EU AI Act-compliant)
• Adoptie volgen: wie het gebruikt, wie niet en waarom
• Model-iteratie 2: verbeteringen op basis van productiegegevens
• Tweede use case starten: Q1 herhalen voor de volgende AI-toepassing
• Compliance-review: risicoclassificatie onder de EU AI Act, documentatie

Deliverables:

• Volledige team-training afgerond (AI Act-compliant)
• Eerste AI-toepassing met >70% adoptie onder gebruikers
• Roadmap voor jaar 2

Budget Q4: €5.000-€15.000 (SLIM dekt 60% van trainingskosten).

Totaalbudget eerste jaar

Verwachte ROI eind jaar 1: afhankelijk van de use case doorgaans €30.000-€100.000 aan tijdwinst, kostenbesparing of extra omzet. Break-even meestal in maand 8-14.

Veelgemaakte fouten in jaar 1

1. Meerdere use-cases tegelijk starten. Wie dat doet, onderschat de capaciteit. Eén use case helemaal af is beter dan drie half.

2. Beginnen zonder data-audit. "We hebben veel data", zonder te weten in welke staat die is. Eerst kijken, dan plannen.

3. Geen subsidie-strategie. Dan lekt 50% van het budget weg door een suboptimale belastingstrategie.

4. Team-training pas aan het einde. De adoptie mislukt als gebruikers het systeem niet begrijpen. Plan de training tegelijk met de uitrol in productie, niet erna.

5. Geen monitoring na go-live. ML-modellen gaan achteruit. Zonder monitoring blijkt pas na 6 maanden dat de prestaties teruglopen.

6. Te veel tijd in tool-selectie. "Welk ML-platform?" is een afleiding. Beginnen met Python, de cloud en bestaande tools werkt voor 95% van de MKB-cases.

7. EU AI Act negeren. Vanaf 2 augustus 2026 wettelijk verplicht. Wie hem negeert, riskeert een boete.

8. Marketing-AI vermarkten als business-AI. "We hebben AI" als slogan is iets anders dan AI die resultaat oplevert voor het bedrijf. Focus op resultaat.

Hoe Stratalytic dit ondersteunt

Wij maken AI-roadmaps voor MKB-bedrijven in 30 dagen: concreet plan, subsidiestrategie, technische aanpak. Daarna volgt de keuze: zelf uitvoeren of ons inschakelen voor één of meerdere fases.

Plan een kennismakingsgesprek van 30 minuten. We bespreken het vertrekpunt en hoe een realistische roadmap voor jaar 1 eruitziet.

Bekijk ook gerelateerde inzichten:

• Hoe AI in het bedrijf begint
• Welke AI-subsidie past bij mij
• Kosten AI-project MKB

Veelgestelde vragen

Hoeveel uur tijd kost AI-implementatie ons team in jaar 1? Voor een MKB-bedrijf van 20-50 FTE: 200-400 uur verspreid over het jaar. Eigenaar/management 80-120 uur, data-eigenaar 60-100 uur, gebruikers 60-180 uur (training en adoptie).

Wat als we geen data-fundament hebben? Begin daar. Een AI-roadmap zonder schone, toegankelijke data is bouwen op zand. Eerste kwartaal: data-audit en quick wins.

Welk AI-budget is realistisch voor het eerste jaar? €40.000-€80.000 bruto, na subsidies netto €20.000-€40.000.