AI adoptie MKB

AI adoptie in een MKB-context is het proces waarmee een team dat al met AI werkt het gebruik gelijktrekt naar één gedeelde werkwijze, in plaats van losse gebruikers die elk hun eigen manier hanteren. Het verschil met AI implementatie zit in het vertrekpunt. Bij implementatie begint het team bij nul. Bij adoptie heeft het team al AI-licenties of werken één of meer mensen met de gratis versie van ChatGPT, maar bestaat er geen gedeelde basis waarop de hele organisatie steunt.

Het MIT-rapport "The GenAI Divide: State of AI in Business 2025" liet zien dat AI in bedrijven vaak op deze manier ontstaat: een "shadow AI economy" waarin ongeveer 90 procent van de medewerkers consumenten-AI inzet zonder dat het bedrijf erbij betrokken is. Dat patroon komt in het MKB nog vaker voor dan in grote corporates, omdat MKB-organisaties zelden een IT-afdeling hebben die zicht houdt op het tool-gebruik. Het officiële AI-programma loopt vast of bestaat niet, het ad-hoc gebruik bloeit.

Een AI adoptie-traject lost dit op door het ad-hoc gebruik te vervangen door een werkbare gedeelde werkwijze, waarbij de directie weer regie krijgt over hoe AI in de organisatie wordt ingezet. Niet door het ad-hoc gebruik te verbieden (dat zou de productiviteit van de enthousiasteling-medewerkers schaden) maar door er een gedeelde basis aan toe te voegen die ook minder enthousiaste collega's mee kunnen pakken.

De enthousiasteling versus de rest van het team

De enthousiasteling tegenover de rest van het team is het meest voorkomende patroon in MKB-organisaties. Eén medewerker (vaak een jongere kandidaat-marketeer, junior accountant of stagiaire-gebleven medewerker) heeft op eigen initiatief leren werken met ChatGPT en gebruikt het dagelijks. De directeur is hier blij mee maar weet niet hoe deze werkwijze ook bij de andere tien medewerkers landt. Bij vertrek van die ene enthousiasteling verdampt alle AI-kennis uit het team. Het traject zet de impliciete kennis van die ene medewerker om in een expliciete werkwijze die door iedereen gebruikt wordt.

Tool zonder werkafspraken

Tool zonder werkafspraken is het tweede patroon. De directeur koopt ChatGPT Team-licenties voor het hele MKB-team, in de veronderstelling dat het team nu vanzelf met AI zal gaan werken. Drie maanden later toont de loginstatistiek dat slechts 30 procent van het team het wekelijks gebruikt. Niet omdat de tool tekortschiet, maar omdat er geen werkafspraken zijn: welke prompts werken voor onze klanten, wanneer mag je ChatGPT gebruiken voor klantmateriaal, hoe documenteren we wat AI heeft gedaan. Het traject vult deze afspraken in op een werkbare manier.

Geen adoptie-meting in het team

Geen adoptie-meting in het team is het derde patroon. Een MKB-organisatie die ChatGPT-licenties heeft gekocht weet vaak niet precies wie er wekelijks inlogt, voor welke type taken, en met welk effect op de doorlooptijd. De aanname is dat adoptie wel zal volgen omdat de licentie er is. In de praktijk blijft het gebruik geconcentreerd bij twee of drie enthousiasteling-medewerkers, terwijl de licentiekosten voor het hele team doorlopen. Het traject voert een nulmeting in week 1 uit en een eindmeting zes weken na afronding, zodat de adoptie aantoonbaar wordt.

Fase 1: intake en nulmeting (week 1)

Intake en nulmeting gebeuren in een Teams-sessie van één tot anderhalf uur met de directeur en de huidige enthousiasteling-medewerker. We brengen in kaart welke AI-tools nu worden gebruikt, welke prompts er in losse documenten leven, en welke processen zich het best lenen als startpunt voor gedeelde werkwijze. De nulmeting registreert hoeveel medewerkers AI gebruiken, welke tools, welke prompts. Mocht na deze intake blijken dat de fit niet klopt, dan stopt het traject hier zonder vervolgkosten.

Fase 2: e-learnings en gedeelde prompt-bibliotheek (week 2-4)

E-learnings en de gedeelde prompt-bibliotheek worden in deze fase opgezet. Het team doorloopt de relevante AI cursus van LearnLLM in eigen tempo. Parallel bouw ik de gedeelde prompt-bibliotheek op basis van de bestaande prompts uit het team en mijn eigen ervaring met MKB-context. Dit is het moment waarop AI verschuift van "iets dat één medewerker kan" naar "iets dat het hele team toepast".

Fase 3: coaching en AI-richtlijn (week 4-6)

Coaching en de AI-richtlijn zijn de derde fase. Eén tot drie live coachingsessies waarin we door echte werktaken lopen, met de hele groep of in subteams. We leveren de AI-richtlijn op: een werkbaar document van vier tot zes pagina's dat expliciet maakt welke data in welke tool mag en welke output door controle moet. Train-de-trainer voor de interne champion (vanaf het Groei-pakket) die de adoptie na het traject warm houdt.

Fase 4: afronding en eindmeting (week 6-8 plus 6 weken later)

Afronding en eindmeting sluiten het traject af. Afsluitende sessie waarin we de adoptie-status meten en bespreken welke processen als volgende kandidaat in aanmerking komen. Zes weken later een laatste check-in om te toetsen of de werkwijze stand houdt. Geen open einde, geen abonnementsverplichting.

Voor marketing- en SEO-bureaus

Voor marketing- en SEO-bureaus richt deze aanpak zich op bureaus waar één of twee enthousiasteling-medewerkers ChatGPT gebruiken voor contentwerk, terwijl de rest van het team handmatig blijft werken. Het traject trekt het gebruik gelijk: gedeelde prompts voor briefings, content-rewrites en social posts, met afspraken over verifieerbare bronnen om verzonnen statistieken in klantmateriaal te voorkomen. CBS-cijfers toonden voor 2025 een omzetdaling in de reclamesector; bureaus die geen gestandaardiseerde AI-werkwijze hebben, lopen achter bij bureaus die wel team-brede tijdwinst boeken.

Voor financieel advies en accountancy

Voor financieel advies en accountancy richt deze aanpak zich op kantoren waar AI ongelijk gebruikt wordt: een junior adviseur die ChatGPT inzet voor klantbrieven naast een senior die het mijdt. Het traject trekt het gebruik gelijk via een AI-richtlijn die rekening houdt met NBA-beroepsregels, AFM-toezicht en geheimhouding. Met name relevant gezien de NVKM-deadline van 2027 (SKM1/SKM3N), waarbij administratie en compliance zwaarder gaan wegen en eenduidige werkwijzen meer waarde krijgen.

Voor juridische dienstverleners

Voor juridische dienstverleners (advocaten, juristen, juridisch adviseurs) richt deze aanpak zich op kantoren waar AI ongelijk wordt gebruikt door associates en partners. Het traject trekt het gebruik gelijk via gedeelde prompts voor concept-overeenkomsten, juridische analyses en cliëntcommunicatie, met een AI-richtlijn die rekening houdt met NOvA-gedragsregels en geheimhouding. Voor notariskantoren is een aparte uitwerking beschikbaar op AI adoptie notariaat, omdat de KNB AI-weegschaal daar specifieke vereisten stelt.

AI adoptie voor MKB-organisaties in Eindhoven en de Brainport-regio loopt op dezelfde manier als voor MKB-organisaties elders in Nederland: volledig remote, via Teams, zonder dat ik fysiek langskom. Wat in deze regio anders is, is de context. Brainport Eindhoven heeft een dichtheid aan kennisintensieve MKB-organisaties die elkaar als benchmark gebruiken; een bureau in Eindhoven dat zijn AI-werkwijze heeft gelijkgetrokken wordt gezien door bureaus in Helmond, Veldhoven, Geldrop, Nuenen, Best en Waalre.

LearnLLM is gevestigd in de Brainport-regio en kent de lokale dynamiek. Tegelijk maakt het remote karakter van het traject het mogelijk om MKB-organisaties uit heel Nederland te begeleiden. De keuze tussen lokaal en landelijk maakt voor de uitvoering geen verschil. Wel kun je in de intake aangeven of je referenties uit jouw regio waardevol vindt voor de wegingsfase.

Het verschil tussen AI adoptie en AI implementatie voor het MKB zit in waar jouw organisatie nu staat. Een MKB-organisatie die nog niets met AI doet, hoort op de implementatie-pagina: daar bouwen we de werkwijze vanaf nul op. Een MKB-organisatie waar al een of twee mensen AI gebruiken zonder gedeelde basis hoort hier op de adoptie-pagina: we trekken het bestaande gebruik gelijk in plaats van het te ontwerpen.

De pakketten zijn identiek, de uitvoeringsfases zijn identiek, en de deliverables zijn identiek (prompt-bibliotheek, AI-richtlijn, certificering, optioneel interne champion). Wat verschilt is de inhoud van fase 1: de nulmeting bij adoptie inventariseert eerst welk AI-gebruik er al bestaat en welke schaduw-IT zich heeft gevormd, terwijl de intake bij implementatie meteen door kan naar het ontwerpen van een werkwijze vanaf nul.

In de praktijk komt adoptie vaker voor in het MKB dan implementatie, omdat de meeste MKB-organisaties in 2025 al een vorm van AI-gebruik hadden, vaak ongepland en zonder bewust beleid. Twijfel je welke richting bij jouw situatie past? Vraag een vrijblijvende kennismaking aan; in 30 minuten is meestal duidelijk welke aanpak het beste aansluit.

De partner achter LearnLLM is Dennis van de Velde, SEO-specialist bij Space'M Online in Eindhoven en dagelijks professioneel gebruiker van AI in productie-omgevingen. Op eigen VPS-infrastructuur draaien Python-tools die op de API werken voor SEO-taken: contentpipelines, Google Search Console-analyses, technische audits via Screaming Frog. Die ervaring met AI in een productiecontext, waar fouten direct meetbare gevolgen hebben voor rankings en revenue, vormt de basis van elke MKB-adoptie-aanpak.

Daarvoor werkte ik bij Rabobank, ABN Amro en Van Lanschot. Omgevingen waar nauwkeurigheid en integriteit harde vereisten zijn. Het four-eyes-principe dat banken hanteren, vertaal ik in elke MKB-adoptie naar werkbare AI-controlepunten. Voor MKB-schaal betekent dat: één interne champion in plaats van een compliance-afdeling, een richtlijn van vier tot zes pagina's in plaats van een compliance-handboek.

Het primaire AI-model in mijn eigen werk is Claude van Anthropic via de API, vooral omdat het model onzekerheid expliciet benoemt waar andere modellen doorbluffen. LearnLLM is een specialistisch traject naast mijn werk bij Space'M Online, geen consultancybureau met een leger juniors. Drie tot vier trajecten per kwartaal, persoonlijk uitgevoerd. Volle aandacht voor jouw MKB-team in plaats van een account manager die je doorzet naar een trainee.