MIT-haalbaarheidsonderzoek: voorbeeld + template voor MKB

Een groothandel of producent die wil onderzoeken of betere voorspellingen uit het eigen ERP en de Excel-lijsten haalbaar zijn, weet vaak niet hoe een subsidieaanvraag daarvoor eruit moet zien. Dit artikel laat aan een uitgewerkt voorbeeld zien welke onderdelen erin horen, hoe de begroting is opgebouwd en waar de beoordelaar op let.

Kernpunten: Een MIT-haalbaarheidsonderzoek is bedoeld om in maximaal 12 maanden vast te stellen of een innovatief idee technisch haalbaar is. Daar staat 35% subsidie (tot €20.000) op de projectkosten tegenover. MIT-haalbaarheid wordt regionaal uitgevoerd en niet op kwaliteit beoordeeld: aanvragen worden behandeld op volgorde van binnenkomst, met een loting op de openingsdag bij overtekening. Een complete aanvraag op dag één is dus doorslaggevend. Dit artikel toont een succesvol voorbeeld inclusief structuur, begroting en de cruciale onderdelen die elke aanvraag moet bevatten.

Wat een MIT-haalbaarheidsproject is (en niet is)

Wel: een afgebakend technisch onderzoek met een duidelijke vraag. Voorbeelden:

• Kan een model met onze data klantchurn voorspellen met een accuracy van meer dan 70%?
• Is een real-time fraud-detectiepijplijn binnen onze bestaande betaalinfra technisch haalbaar?
• Welke architectuur is nodig om sensordata van 50 productielocaties centraal te verwerken?

Niet: marketingvalidatie, businessplan-onderzoek of het bouwen van een product (daarvoor zijn er MIT R&D-samenwerking en WBSO).

Het verschil zit in de uitkomst: een haalbaarheidsproject levert een rapport op, geen werkend product. Het rapport beantwoordt "kan dit technisch?" en is de basis voor een vervolgproject.

Voorbeeldcase: AI-vraagvoorspelling voor groothandel

Hieronder staat een gefictionaliseerd maar representatief voorbeeld. De feitelijke aanvraag werd succesvol toegekend.

Bedrijfssituatie

Een groothandel in technische onderdelen met €25 miljoen omzet, 38 medewerkers, voorraad op één Nederlands distributiecentrum. Probleem: stock-outs bij seizoenspieken en overtollige voorraad bij dalingen; beide kosten geld. Huidige aanpak: voorraadparameters handmatig per artikel ingesteld op basis van ervaring.

De technische vraag

Kan een machine-learningmodel op basis van 4 jaar verkoophistorie, kalenderfeatures en externe signalen (weersdata, valuta, sectorindicatoren) de wekelijkse vraag per SKU voorspellen met betere accuracy dan de huidige naïeve moving-average-baseline, gemeten via WAPE?

Waarom dit een goede technische vraag is:

1. Een uitkomst in cijfers (WAPE-getal)
2. Een baseline om tegen te benchmarken (moving-average)
3. Een afgebakende scope (één DC, wekelijkse granulariteit, beperkte feature-set)
4. Onzekerheid die echt onderzoek vereist (we weten niet welke modelfamilie wint of welke features lift geven)

Projectplanstructuur (RVO-vorm)

Een goed projectplan voor MIT-haalbaarheid telt 8-12 pagina's, onderverdeeld in:

1. Bedrijfsprofiel (½ pagina)

• Omzet, aantal medewerkers, sector, voorgaande WBSO-historie (relevant voor de starterstatus)

2. Innovatie-uitdaging (1-2 pagina's)

• De technische onzekerheid: waarom is dit niet gewoon "Excel beter gebruiken"?
• Wat is de huidige stand van de techniek in de sector?
• Wat is het gat?

3. Onderzoeksvraag (½ pagina)

• Eén zin: de hoofdvraag
• 2-4 deelvragen
• Duidelijke meetcriteria

4. Methode (3-4 pagina's)

• Welke data wordt gebruikt?
• Welke methoden worden getest? (bijvoorbeeld ARIMA, Prophet, gradient boosting, neural forecaster)
• Welke evaluatiestrategie? (cross-validation schema, baseline-vergelijking)
• Welke iteraties worden verwacht?

5. Werkplan + tijdlijn (1-2 pagina's)

• Gantt-chart met werkpakketten
• Per werkpakket: doel, resultaat, urenschatting, verantwoordelijke

6. Begroting (1 pagina)

Opbouw van de begroting voor dit voorbeeld:

7. Verwacht resultaat + vervolg (½ pagina)

• Wat levert het rapport op?
• Bij positief resultaat: vervolgproject (MIT R&D-samenwerking, WBSO-implementatie)
• Bij negatief resultaat: wat hebben we geleerd, wat doen we in plaats daarvan?

8. Team + capaciteit (½ pagina)

• Wie doet het werk en met welke ervaring (cv)?
• Eigen mensen versus externe partners

Welke onderzoeksresultaten leverde dit project op?

Na 4 maanden onderzoek waren de bevindingen:

• Beste model: LightGBM met lagged features + kalender + weergegevens. WAPE op de testset: 22%, tegenover 41% voor de baseline.
• Grootste lift komt van: seizoensfeatures en sectorindicatoren. Weersdata had minder effect dan verwacht.
• Implementatie-architectuur: gevalideerd ontwerp voor batch-training (wekelijks) + real-time inference (per SKU).
• Geschatte ROI van het vervolgproject: voorraadkosten 12-15% lager, stock-outs 30% minder.

Eindrapport: document van 24 pagina's plus reproduceerbare notebooks in een Git-repo. Basis voor vervolgproject via MIT R&D-samenwerking.

Tien tips voor de eigen MIT-aanvraag

1. Schrijf de technische vraag eerst. Een vage vraag levert een vage aanvraag.
2. Benchmark expliciet. "Beter dan X" is sterker dan "verbeteren". Noem de baseline.
3. Kwantificeer overal. WAPE, accuracy, recall, doorlooptijd; vermijd "betere prestatie".
4. Plan iteratief. Drie kleine iteraties werken beter dan één grote ontwikkelfase.
5. Uren van eigen personeel tegen €50 per uur. Dat is het maximum; hogere tarieven worden gekort.
6. Externe expertise gewenst. RVO ziet samenwerking met externe technische partners (zoals Stratalytic) als positief.
7. Geen marketing in het projectplan. Spreek alleen over de techniek; bewaar de zakelijke opbrengst voor de slotparagraaf.
8. Tijdig indienen. MIT-haalbaarheid wordt regionaal toegekend op volgorde van binnenkomst, met een loting bij overtekening op de openingsdag; het budget is meestal vrijwel direct op. Elke regio opent op een eigen datum, vaak in het voorjaar (Noord-Holland en Zuid-Holland openden in 2026 rond 7 april). Zorg dus dat de aanvraag compleet klaar is vóór de regionale openingsdag.
9. Vermijd vervolgkosten in de aanvraag. Begroot alleen het onderzoek; implementatie hoort er niet bij.
10. Lees de algemene voorwaarden. RVO publiceert precies wat wel en niet in aanmerking komt. Wie de specifieke uitsluitingen (zoals routinewerkzaamheden) leest, voorkomt afwijzingen.

Veelgestelde vragen

Hoe lang duurt een MIT haalbaarheidsproject? Officieel maximaal 12 maanden. Realistisch voor MKB: 3-6 maanden.

Welke kosten kan ik opvoeren? Interne loonkosten (max. €50 per uur), externe expertise, materiaal- en testkosten, kosten van software/licenties voor het onderzoek. Marketing- en commerciële kosten niet.

Wat is het verschil tussen een goed en slecht projectplan? Een goed plan formuleert één heldere technische vraag met een uitkomst in cijfers. Een slecht plan stapelt vage ambities zonder concrete onderzoeksstappen.

Hoe Stratalytic dit aanpakt

Wij schrijven MIT-haalbaarheidsaanvragen voor MKB-bedrijven en voeren daarna het haalbaarheidsonderzoek zelf uit. Dat heeft drie voordelen:

• Snelheid. Aanvraag in 2 weken klaar (tegenover 6-8 weken bij zelf schrijven).
• Beoordelaarsperspectief. Wij weten welke formulering RVO doorlaat.
• Alles in één hand. Aanvraag goedgekeurd? Dan starten wij het onderzoek op dag één.

Lees ook hoe wij stappenplan en aanvraag combineren.

Plan een kennismaking van 30 minuten, vrijblijvend.