AI-strategie in 90 dagen: van nulmeting tot eerste resultaat

Kernpunten: Een werkende AI-strategie hoeft geen half jaar te kosten. In 90 dagen gaat een bedrijf van nulmeting naar een gevalideerd proof of concept, mits de fasering klopt en de veelgemaakte fouten vermeden worden. Dit artikel beschrijft een beproefde aanpak in vier fasen: nulmeting (week 1-2), selectie van use cases (week 3-4), proof of concept (week 5-8) en validatie met schaalbeslissing (week 9-12).

Waarom 90 dagen en niet zes maanden

Een AI-strategie die zes maanden in beslag neemt, is in 80% van de gevallen een strategie die nooit geïmplementeerd wordt. Langdurige strategietrajecten verliezen momentum, budgethouders raken ongeduldig, en de markt beweegt door terwijl de plannen nog op tafel liggen. Uit onderzoek van McKinsey (2025) blijkt dat bedrijven die binnen 90 dagen van strategie naar eerste resultaat gaan, 3,2 keer vaker succesvol opschalen dan bedrijven met langere trajecten.

De 90-dagenaanpak werkt omdat hij dwingt tot focus. Alles tegelijk kan niet, en dat is precies het punt. In plaats van een allesomvattend transformatieplan levert 90 dagen concreet bewijs dat AI waarde toevoegt in dit ene bedrijf, met de eigen data en voor de eigen processen. Dat bewijs is meer waard dan welk strategiedocument dan ook.

Een veelgehoord bezwaar is dat 90 dagen te kort is voor "echte" AI. Dat klopt zodra de verwachting een volledig geautomatiseerd systeem is. Maar het doel van de eerste 90 dagen is niet perfectie; het is validatie. De vraag is of het werkt, hoeveel het oplevert, en wat er nodig is om op te schalen. Die antwoorden liggen er binnen 90 dagen, en ze zijn precies de input voor een onderbouwde investeringsbeslissing.

Week 1-2: de nulmeting

De eerste twee weken zijn gewijd aan het begrijpen van de huidige situatie, zonder enige technologie aan te raken. Een solide nulmeting is het fundament waarop alle vervolgstappen rusten en voorkomt dat er een oplossing gebouwd wordt voor een probleem dat niet bestaat.

De data-audit is het startpunt en neemt 3-5 werkdagen in beslag. Die inventariseert welke data de organisatie genereert, waar die data opgeslagen is, in welk formaat, hoe actueel die is, en wie er toegang toe heeft. In de praktijk ontdekken de meeste MKB-bedrijven tijdens deze audit dat ze meer data hebben dan ze dachten, maar dat die data verspreid en inconsistent is. Doorgaans beschikt een bedrijf met 50 medewerkers over 15-25 databronnen, waarvan slechts 4-6 gestructureerd en betrouwbaar genoeg zijn voor directe AI-toepassing.

Naast de data-audit loopt een procesanalyse. Die brengt de 5-10 meest tijdintensieve of foutgevoelige processen in kaart, met concrete cijfers: hoeveel uur per week kost het, hoeveel fouten treden er op, wat is het directe financiële effect? Deze kwantificering is essentieel, omdat de use cases later op verwachte ROI geprioriteerd moeten worden.

Tot slot volgen in deze fase gesprekken met 5-8 sleutelfiguren in de organisatie: de mensen die dagelijks met de processen werken. Zij weten waar de pijn zit, welke workarounds ze hebben bedacht, en waar informatie verloren gaat. Deze interviews kosten elk 45-60 minuten en leveren inzichten op die in geen enkel dashboard te vinden zijn.

Het resultaat van week 1-2 is een baseline-rapport met drie elementen: een overzicht van het datalandschap, een procesanalyse met kwantitatieve pijnpunten, en een eerste lijst van 8-12 mogelijke AI-toepassingen. Dit rapport hoeft geen 50 pagina's te zijn; 5-10 pagina's met concrete cijfers is effectiever.

Week 3-4: selectie van de top 3 use cases

Met de nulmeting in handen is het tijd om te kiezen. De verleiding is groot om de meest ambitieuze toepassing te selecteren, maar de beste eerste use case is zelden de meest spectaculaire. Het gaat om de toepassing die de hoogste kans op succes combineert met opbrengst in euro's en een acceptabele complexiteit.

De ROI-scorematrix is het instrument dat deze keuze objectief maakt. Elke mogelijke toepassing scoort op vijf criteria, elk op een schaal van 1-5. Eerste criterium: verwachte jaarlijkse besparing of omzetverhoging in euro's. Tweede criterium: datakwaliteit en -beschikbaarheid, want zonder goede data is elk AI-project gedoemd te mislukken. Derde criterium: technische complexiteit, waarbij lager beter is voor een eerste project. Vierde criterium: organisatorische impact, oftewel hoeveel mensen hun werkwijze moeten aanpassen. Vijfde criterium: strategische fit met de bedrijfsdoelen op de middellange termijn.

De weging van deze criteria hangt af van de situatie. Een bedrijf dat snel bewijs nodig heeft voor het MT, weegt criteria 1 en 3 zwaar: snelle winst met lage complexiteit. Een bedrijf dat draagvlak wil bouwen, weegt criterium 4 zwaarder: een toepassing die weinig weerstand oproept.

In de praktijk scoren documentautomatisering en vraagvoorspelling het vaakst het hoogst voor een eerste AI-project. Documentautomatisering scoort hoog op datakwaliteit (documenten zijn er al) en lage organisatorische impact (weinig mensen hoeven hun werkwijze aan te passen). Vraagvoorspelling scoort hoog op financiële opbrengst (directe besparing op voorraadkosten) maar vereist betere datahygiëne.

Selecteer de top 3 en werk voor elk een one-pager uit: het probleem, de verwachte oplossing, de benodigde data, een grove kosteninschatting, en het verwachte rendement. Die drie opties gaan naar de besluitvormers. In 70% van de gevallen is de keuze unaniem; in de overige gevallen helpt een korte discussie om de prioriteit te bepalen.

Week 5-8: het proof of concept bouwen

De vier weken voor het proof of concept zijn de kern van het 90-dagentraject. In deze fase gaat het van papier naar een werkend prototype dat met echte bedrijfsdata laat zien wat het oplevert. De discipline om dit in vier weken te doen is essentieel; elk proof of concept dat langer duurt dan zes weken, verliest zijn functie als snelle validatie.

Week 5 richt zich op datavoorbereiding: de benodigde data wordt geëxtraheerd, getransformeerd en in een werkomgeving geladen. Dit is de fase waarin projecten doorgaans 30-50% meer tijd kosten dan gepland, dus plan bewust ruimte in. Een pragmatische vuistregel: is er na vijf werkdagen nog geen werkende dataset, dan is de datakwaliteit waarschijnlijk onvoldoende voor deze specifieke use case en is de tweede keuze uit de top 3 het overwegen waard.

Week 6-7 is de daadwerkelijke modelontwikkeling. Afhankelijk van de gekozen toepassing betekent dat het fine-tunen van een bestaand taalmodel, het trainen van een voorspelmodel op historische data, of het bouwen van een classificatiemodel voor documentherkenning. De keuze tussen zelf bouwen en een platform gebruiken is op dit punt al gemaakt in week 3-4. Budget voor deze fase: 5.000-15.000 euro aan externe ontwikkelkosten, of 80-120 interne uren wanneer de expertise in huis is.

Week 8 is gewijd aan het bouwen van een minimale gebruikersinterface en het testen met 3-5 eindgebruikers. Het proof of concept hoeft niet mooi te zijn; het moet werken. Een spreadsheet met modeloutput die een medewerker handmatig vergelijkt met de werkelijkheid, is voldoende. De vraag die aan het einde van week 8 beantwoord moet zijn: levert dit model een betere uitkomst dan wat we nu doen?

De kosten voor het proof of concept liggen doorgaans tussen de 8.000 en 20.000 euro, afhankelijk van complexiteit en van de mate van externe inhuur. Dit is bewust een fractie van een volledig implementatietraject. Het doel is valideren, niet productieklaar maken.

Week 9-12: validatie en schaalbeslissing

De laatste vier weken zijn even belangrijk als het bouwen van het proof of concept, maar worden in de praktijk het vaakst overgeslagen. Validatie is het proces van systematisch bewijzen dat het proof of concept de beloofde waarde levert onder realistische omstandigheden.

Week 9-10 draait om kwantitatieve validatie. Het model draait twee weken lang parallel aan het bestaande proces en de resultaten worden gemeten. Hoeveel procent van de voorspellingen klopt? Hoeveel tijd bespaart het per medewerker per dag? Wat is de foutratio vergeleken met het handmatige proces? Deze cijfers zijn het harde bewijs onder de investeringsbeslissing.

Bij vraagvoorspelling is de maat de Mean Absolute Percentage Error (MAPE) van het model, vergeleken met de huidige methode. Een verbetering van 15-30% ten opzichte van de huidige inschatting is een realistisch doel voor een eerste iteratie. Bij documentautomatisering telt het percentage correct verwerkte documenten; 85-95% is een realistische eerste score, afhankelijk van documentcomplexiteit.

Week 11 is de financiële onderbouwing. De validatieresultaten vormen de basis van een businesscase: als het model op jaarbasis X% verbetering oplevert en een volledige implementatie Y euro kost, wat is dan de verwachte ROI en terugverdientijd? Neem hier de verborgen kosten mee die in veel projecten vergeten worden: dataonderhoud, modelhertraining, change management, en compliance.

Week 12 is de schaalbeslissing, met drie scenario's op tafel: stoppen (de resultaten rechtvaardigen verdere investering niet), doorontwikkelen naar productie (de resultaten zijn overtuigend), of van richting veranderen (de aanpak werkt, maar voor een andere toepassing). In de praktijk leidt 60-70% van de goed uitgevoerde proofs of concept tot een positieve schaalbeslissing.

De rol van subsidies bij het beperken van het risico

Subsidies zijn niet alleen een financieel voordeel; ze fungeren als risicoverlager voor het gehele traject. Strategisch ingezet financieren ze het 90-dagentraject zonder dat het volledige bedrag uit eigen middelen komt.

De WBSO is direct toepasbaar op het 90-dagentraject. De uren die medewerkers besteden aan het ontwikkelen en testen van het proof of concept kwalificeren als speur- en ontwikkelingswerk. Bij een team van twee medewerkers die elk 50% van hun tijd aan het project besteden, levert de WBSO over het kwartaal circa 8.000-15.000 euro op. Belangrijk: de WBSO-aanvraag moet voor aanvang van de werkzaamheden zijn ingediend, dus dat is werk voor week 1.

De MIT-regeling biedt voor haalbaarheidsstudies een subsidie van 35%, tot maximaal 20.000 euro. De nulmeting en de selectie van use cases (week 1-4) gelden als haalbaarheidsonderzoek. Een externe adviseur voor de data-audit en ROI-scorematrix kost doorgaans 5.000-10.000 euro; met MIT-subsidie blijft daar 3.250-6.500 euro eigen bijdrage van over.

Voor de langere termijn is de SLIM-regeling relevant. Volgt na het 90-dagentraject een besluit om op te schalen, dan zijn er medewerkers nodig die met AI-tools kunnen werken. SLIM vergoedt tot 60% van de kosten voor een opleidingsplan, tot maximaal 24.999 euro voor individuele MKB-bedrijven. Een AI-trainingsplan voor 5-10 medewerkers kost doorgaans 8.000-15.000 euro; met SLIM blijft daar 3.200-6.000 euro van over.

Samenvattend: het 90-dagentraject kost 15.000-35.000 euro all-in. Een combinatie van WBSO en MIT levert 10.000-25.000 euro aan subsidies op, waardoor de netto-investering daalt naar 5.000-15.000 euro. Dat staat gelijk aan een maandsalaris, voor bewijs dat maanden discussie over "of AI iets voor ons is" kan besparen.

Valkuil 1: alles tegelijk willen

De meest voorkomende fout in AI-strategietrajecten is het proberen om te veel tegelijk te doen. Een MKB-bedrijf dat tegelijk een chatbot, vraagvoorspelling en procesautomatisering wil implementeren, eindigt met drie halfbakken projecten in plaats van één succesvol project.

Die alles-tegelijk-reflex komt voort uit begrijpelijk enthousiasme. Na de nulmeting liggen de kansen overal, en elke stakeholder heeft zijn eigen favoriete toepassing. De verleiding om iedereen tevreden te stellen door meerdere projecten parallel te starten, is groot, maar de gevolgen zijn voorspelbaar: versnipperde aandacht, concurrentie om dezelfde data-engineers, en geen enkel project dat genoeg doorpakt om echte resultaten te laten zien.

De oplossing is in theorie eenvoudig maar politiek lastig: kies één project, maak dat succesvol, en gebruik het succes als hefboom voor het volgende project. Een MKB-bedrijf dat in 90 dagen een werkend proof of concept oplevert, bouwt meer draagvlak voor AI dan een bedrijf dat na zes maanden drie slidedecks heeft maar geen werkend systeem.

In de praktijk betekent dit dat 80% van het AI-budget en de capaciteit naar het eerste project gaat en maximaal 20% naar de voorbereiding van het tweede. De tweede use case uit de top 3 begint pas wanneer de eerste in productie staat, of wanneer er bewust voor een andere richting gekozen wordt.

Valkuil 2: beginnen bij de tool

De tweede grote valkuil is beginnen bij de technologie in plaats van bij het probleem. "We moeten iets met ChatGPT doen" of "ik wil een AI-dashboard" zijn geen strategie. Het zijn oplossingen op zoek naar een probleem, en ze leiden bijna altijd tot teleurstellende resultaten.

Wie bij de tool begint, krijgt projecten die technisch indrukwekkend zijn maar commercieel niets opleveren. Een geavanceerd deep learning-model dat 2% nauwkeuriger voorspelt dan een simpel regressiemodel maar drie keer zo duur is om te onderhouden, is geen goede investering. De juiste vraag is niet "welke AI-tool moeten we gebruiken?" maar "welk bedrijfsprobleem kost ons het meeste geld, en kan AI dat beter oplossen dan onze huidige aanpak?"

Het 90-dagenraamwerk beschermt hier deels tegen, doordat de eerste twee weken volledig procesgericht zijn. Het begint bij pijn, niet bij technologie. Maar de verleiding ontstaat opnieuw in week 5-8, wanneer de technologiekeuze gemaakt moet worden. Houd vast aan het principe dat de eenvoudigste oplossing die werkt de beste is. Een regelgebaseerd systeem dat 85% van de gevallen correct afhandelt, is vaak waardevoller dan een neuraal netwerk dat 92% scoort maar onvoorspelbaar faalt op de overige 8%.

Een praktisch hulpmiddel is de "zou een stagiair dit kunnen?"-test. Als een slimme stagiair met een spreadsheet en voldoende tijd hetzelfde resultaat haalt, is AI waarschijnlijk overkill. AI voegt waarde toe wanneer de taak patroonherkenning in grote datasets vraagt, wanneer snelheid essentieel is, of wanneer menselijke inconsistentie een probleem is.

Valkuil 3: het proof of concept nooit afsluiten

De derde valkuil is subtieler en daardoor gevaarlijker: het proof of concept dat eindeloos blijft doorlopen zonder dat er een definitieve go/no-go-beslissing wordt genomen. Dit gebeurt wanneer de resultaten "veelbelovend maar niet overtuigend" zijn en het team meer tijd wil om het model te verbeteren.

Het risico is dat het proof of concept ongemerkt uitgroeit tot een productiesysteem zonder de benodigde architectuur, monitoring en ondersteuning. Medewerkers gaan op het model vertrouwen, er worden beslissingen op gebaseerd, maar niemand heeft budget vrijgemaakt voor onderhoud of een terugvalprocedure vastgelegd voor als het model fouten maakt.

De oplossing is een harde deadline in week 12. Het proof of concept wordt op dat moment beoordeeld op vooraf afgesproken criteria, en er zijn maar drie uitkomsten: productieontwikkeling goedgekeurd met budget X, project gestopt met vastgelegde lessen, of een koerswijziging naar een andere use case met een nieuw 90-dagentraject. "Nog even doorgaan" is geen geldige optie.

De eerste week: concrete startstappen

Dit artikel is waardeloos als het niet leidt tot actie. Daarom eindigen we met vijf concrete stappen om deze week het 90-dagentraject te starten.

Stap 1: wijs de interne trekker aan. Dit is de persoon die het traject trekt, niet als nevenfunctie maar als primaire verantwoordelijkheid voor de komende drie maanden. In bedrijven tot 50 medewerkers is dit vaak de directeur-eigenaar of de operationeel manager; bij grotere bedrijven een data-analist of IT-manager. Reserveer minimaal twee dagen per week van deze persoon.

Stap 2: plan de data-audit. Boek 3-5 werkdagen in de agenda's van de mensen die de kernsystemen beheren: de ERP-beheerder, de CRM-verantwoordelijke, de financieel medewerker. Stel per gesprek dezelfde vijf vragen: welke data genereert het systeem, in welk formaat, hoe ver gaat de historie terug, wie heeft toegang, en wat zijn de bekende kwaliteitsproblemen?

Stap 3: dien een WBSO-aanvraag in. Dit moet voor aanvang van de werkzaamheden, dus doe het nu. De aanvraag kost 4-8 uur werk en kan 8.000-15.000 euro opleveren. Het risico van afwijzing is beperkt; de goedkeuringspercentages voor WBSO liggen boven de 90%.

Stap 4: definieer de succescriteria. Schrijf op papier wat er over 90 dagen bekend moet zijn. Niet "of AI werkt" maar specifiek: "kan AI onze voorraadkosten met minimaal 10% verlagen?" of "kan AI 80% van onze facturen correct verwerken zonder menselijke interventie?" Meetbare criteria voorkomen scope creep en maken de go/no-go-beslissing in week 12 objectief.

Stap 5: communiceer het traject intern. Informeer het team dat de komende drie maanden een AI-pilot plaatsvindt, dat hun input nodig is, en dat het doel is om te leren, niet om banen te vervangen. Die laatste boodschap is cruciaal: angst voor baanverlies is de grootste saboteur van AI-adoptie in het MKB. Benadruk dat AI hen gaat helpen het saaie werk te verminderen, niet hun functie overbodig te maken.

Conclusie: strategie is actie

Een AI-strategie in 90 dagen is een complete cyclus van analyse, ontwerp, bouw en validatie. Het verschil met langere trajecten is niet dat er minder gebeurt, maar dat er minder gepraat en meer gedaan wordt. Na 90 dagen ligt er een aangetoond resultaat: harde data over wat AI voor het specifieke bedrijf kan betekenen, wat het kost, en wat de volgende stap is. Die informatie is het fundament voor elke vervolgbeslissing, of dat nu opschalen, bijsturen of bewust afzien van AI is.