AI voor bedrijven begint niet bij de tool, maar bij de vraag welk werk je verantwoord kunt uitbesteden aan een taalmodel. Een marketingbureau heeft daarbij andere grenzen dan een accountantskantoor. De winst zit in een werkwijze met vaste controlepunten, zodat je weet of de output klopt voordat die je organisatie verlaat.
Volgens de AI-monitor 2024 van het CBS gebruikte 22,7 procent van de Nederlandse bedrijven met tien of meer werkzame personen een of meer AI-technologieën, bijna 9 procentpunt meer dan een jaar eerder. Van de bedrijven die AI overwogen maar niet gebruiken, noemde 74,6 procent gebrek aan ervaring als belangrijkste reden. Het knelpunt is dus zelden de techniek.
Wat AI voor bedrijven oplevert
Wat AI voor bedrijven oplevert, hangt af van het type werk. Bij kennisintensieve dienstverlening zit de winst in terugkerende taken met veel tekst, zoals concepten opstellen, documenten samenvatten en ruwe gegevens ordenen. Bij werk dat afhangt van feiten die je zelf niet kunt controleren, verdampt die winst.
Een taalmodel herkent patronen in tekst en genereert op basis daarvan nieuwe tekst, maar geverifieerde feiten levert het niet. Het onderscheid tussen die twee bepaalt welke taken zich lenen voor AI. Het is een scherper criterium dan de gebruikelijke indeling in creatief werk versus routinewerk.
Taken waar de tijdwinst reëel is
De tijdwinst is reëel bij taken waarvan je het resultaat zelf kunt beoordelen zonder extra onderzoek. Een jurist controleert een gegenereerde modelovereenkomst sneller dan iemand hem vanaf nul schrijft, en een accountant herkent binnen een minuut of de opzet van een conceptrapportage klopt. De kennis om te toetsen zit in beide gevallen al in het hoofd van degene die leest.
Vier taaktypen komen in vrijwel elke kennisintensieve organisatie terug en voldoen aan die voorwaarde:
- Herschrijven van bestaande tekst naar een andere doelgroep of lengte
- Samenvatten van documenten die je zelf hebt gelezen of kunt nalezen
- Structureren van ruwe aantekeningen tot een bruikbaar concept
- Genereren van varianten op een tekst die je daarna zelf selecteert
Wat deze vier delen: het bronmateriaal ligt naast je en de fout is zichtbaar zodra je leest, waardoor de review minuten kost in plaats van uren. Een tweede categorie wordt vaak overgeslagen, namelijk voorbereidend werk dat nooit gepubliceerd wordt. Vragenlijsten voor een intake, een opzet voor een interne notitie en drie invalshoeken voordat je zelf begint, leveren tijdwinst zonder dat de output je organisatie verlaat.
Taken waar AI het werk alleen verplaatst
Bij taken zonder controleerbare bron verplaatst AI het werk van schrijven naar corrigeren. Wie om cijfers, jurisprudentie of bronvermeldingen vraagt zonder die aan te leveren, krijgt plausibel klinkende output die niet klopt. Een terugkerend patroon dat ik bij ChatGPT zag, was dat er ongevraagd zoekvolumes bij een zoekwoord verschenen, terwijl er geen koppeling met een keyword-tool bestaat waar die cijfers vandaan zouden kunnen komen.
Drie foutpatronen kwamen in die periode structureel voorbij en gelden breder dan SEO-werk:
- Verzonnen bronnen en onderzoeken die bij verificatie niet blijken te bestaan
- Samenvattingen die overtuigend klinken en inhoudelijk afwijken van het brondocument
- Complexe instructies waarvan een deel wordt uitgevoerd en een ander deel genegeerd
Het derde patroon is voor bedrijven het lastigst omdat het onzichtbaar blijft. Een medewerker geeft vijf voorwaarden mee, krijgt een tekst terug die aan drie voldoet en heeft geen aanleiding om de andere twee na te lopen. De eerste vraag bij elke taak is daarom niet of AI het kan, maar wie de uitkomst controleert en waartegen.
AI toepassingen per sector
De AI toepassingen die haalbaar zijn, verschillen sterk per sector. Wat in het ene vak tijdwinst oplevert, raakt in het andere aan beroepsregels, geheimhouding of aansprakelijkheid. Vier sectorgidsen werken dat uit voor de beroepsgroepen waar de grenzen het scherpst liggen.
Juridische dienstverlening
In de juridische dienstverlening staat toetsing van elke concepttekst voorop, omdat de aansprakelijkheid bij de beroepsbeoefenaar blijft liggen ongeacht welk hulpmiddel is gebruikt. AI voor advocaten gaat in op geheimhouding en op de controle voordat een concept naar de cliënt gaat. Voor bedrijfsjuristen behandelt AI voor juristen dezelfde afweging, met nadruk op werk dat je beter zelf blijft doen.
Voor het notariaat ligt er sinds november 2025 een concreet kader in de KNB AI-weegschaal, met een aanvulling uit december 2025. Die weegschaal benoemt per toepassing welk risiconiveau erbij hoort. De praktische grens zit bij cliëntgegevens in aktes en dossiers, want een samenvatting van openbare regelgeving is iets anders dan een concept met persoonsgegevens van betrokkenen.
Accountancy
In de accountancy draait AI-gebruik om controleerbaarheid, omdat de NBA-beroepsregels en het AFM-toezicht eisen dat je kunt aantonen hoe een oordeel tot stand kwam. AI voor accountants laat zien welk controle- en rapportagewerk zich leent voor AI-ondersteuning en welk werk buiten bereik blijft.
Aantoonbaarheid vraagt om vastlegging tijdens het werk, niet achteraf. Vier gegevens horen daarbij: de gebruikte prompt, de modelversie, de ingevoerde data en de naam van wie de output beoordeelde. Dezelfde eis verklaart waarom een gratis consumentenaccount hier zelden volstaat, want de verwerkingsvoorwaarden liggen anders dan bij een zakelijk contract.
Marketingbureaus
Marketingbureaus hebben meer bewegingsruimte, maar riskeren generieke output die niet opvalt in de zoekresultaten. AI voor marketing beschrijft welke stappen in het contentproces versnellen zonder kwaliteitsverlies, en wie zoekmachineoptimalisatie wil versnellen vindt in AI voor SEO de concrete toepassingen en hun grenzen.
Na de Google-update van januari 2026 zag ik in mijn eigen vakgebied wat er gebeurt met ongecontroleerde content. Generieke AI-teksten verloren zichtbaarheid, terwijl onderbouwd werk met eigen data overeind bleef. Voor leadgeneratie gelden weer andere eisen omdat het aantal ontvangers klein is, en AI voor B2B marketing werkt die aanpak uit.
Mkb zonder eigen IT-afdeling
Voor het mkb zonder eigen IT-afdeling is de eerste vraag waar je begint, niet welke tool de beste is. AI voor het mkb geeft een startpunt dat past bij een beperkt team en budget.
Een kleiner team betekent ook dat niemand het AI-gebruik centraal bewaakt. De governance mag daarom lichter zijn dan bij een grote organisatie, zonder te verdwijnen. Eén interne aanspreekpersoon en een document van enkele pagina’s dekken in de meeste gevallen wat nodig is.
Waar begin je met AI in je bedrijf
Om te beginnen met AI in je bedrijf kies je één concreet proces, want een brede strategie die maanden voorbereiding vraagt levert in deze fase niets op. Drie stappen leggen de basis. Ze staan bewust in deze volgorde, want zonder gekozen proces is er niets om regels op los te laten.
Kies één terugkerend proces
Kies een proces dat minstens wekelijks terugkeert en waarvan je de uitkomst zelf kunt beoordelen. Offertes opstellen, verslagen uitwerken en klantcorrespondentie voorbereiden voldoen daar in de meeste kantoren aan.
Een proces dat maandelijks één keer voorkomt, levert te weinig herhaling op om een werkwijze op te bouwen. Pas na tien keer weet je welke formulering consistent bruikbare output geeft. Begin daarom klein, met één tot drie processen als startpunt.
Bepaal wat je met je huidige tools mag
Bepaal per tool welke gegevens erin mogen voordat het eerste team ermee werkt. Een gratis account, een zakelijk abonnement en een API-koppeling verschillen in hoe de aanbieder omgaat met ingevoerde data. De vraag valt uiteen in drie delen: welke gegevens gaan erin, waar worden ze verwerkt en hoe lang blijven ze bewaard.
Zonder die antwoorden ontstaat beleid dat niemand kan naleven. Leg de uitkomst daarom vast per accounttype en niet per leverancier, want binnen één aanbieder verschillen de voorwaarden van een gratis account en een zakelijk contract. Medewerkers zien dat onderscheid niet in de interface.
Leg de eerste controlepunten vast
Leg per taak vast wie de output controleert en waarop. Uit mijn jaren bij Nederlandse grootbanken neem ik het four-eyes-principe mee, waarbij niets de deur uit gaat zonder tweede paar ogen. Op mkb-schaal betekent dat geen compliance-afdeling, maar wel een interne aanspreekpersoon en een werkbaar governance-document.
Niet elke taak heeft hetzelfde risicoprofiel, en de controle-intensiteit hoort mee te bewegen. Een interne notitie vraagt een lichtere check dan een klantadvies. In mijn eigen werkwijze beoordeel ik AI-output met één vraag, kan ik dit onder mijn eigen naam publiceren, en die vraag bepaalt waar een controlepunt nodig is.
Een controlepunt werkt pas als het benoemt waartegen wordt getoetst, want nakijken is geen controlepunt en vergelijken met het brondocument op cijfers en namen wel. Wil je die controlepunten voor een heel team vastleggen in plaats van per medewerker, dan werkt een AI implementatie de werkwijze uit tot een prompt-bibliotheek en een AI-richtlijn die eigendom blijven van je organisatie.
Regels en risico’s die voor elk bedrijf gelden
Naast je eigen kwaliteitseisen gelden er regels en risico’s die niet sectorgebonden zijn. Drie onderwerpen komen in elk bedrijf terug, ongeacht branche en omvang.
AI-geletterdheid onder de EU AI Act
AI-geletterdheid is sinds artikel 4 van de EU AI Act, in werking sinds februari 2025, een verplichting voor organisaties die AI-systemen inzetten. AI-geletterdheid legt uit welk kennisniveau daarbij hoort en hoe je aantoont dat je team dat niveau heeft.
De verplichting is een resultaatverplichting en geen aantal uren scholing. Wat telt is dat medewerkers de mogelijkheden en beperkingen kennen van de systemen die ze gebruiken, in verhouding tot hun rol. De bredere verplichtingen uit de verordening reiken verder dan opleiding, en AI Act compliance beschrijft welke systemen je moet registreren en welke documentatie daarbij hoort.
Shadow AI binnen het bedrijf
Shadow AI ontstaat wanneer medewerkers op eigen initiatief AI-tools gebruiken zonder dat de organisatie weet welke gegevens daarin belanden. Shadow AI beschrijft hoe je dat gebruik in kaart brengt. Een verbod werkt zelden, want het wordt omzeild zodra het goedgekeurde alternatief trager is.
Het onderliggende patroon is ouder dan AI. Shadow IT laat zien waarom medewerkers naar niet-goedgekeurde software grijpen, en die verklaring geldt onverkort voor taalmodellen.
Wanneer een impactanalyse verplicht is
Een impactanalyse is verplicht zodra je AI-gebruik persoonsgegevens raakt of onder een hoog-risicocategorie van de AI Act valt. Drie instrumenten worden door elkaar gehaald, terwijl ze elk iets anders onderzoeken.
Een DPIA onderzoekt de gevolgen voor de bescherming van persoonsgegevens en volgt uit de AVG, terwijl een AIIA de bredere risico’s van een AI-systeem zelf onderzoekt. Een FRIA is de wettelijk voorgeschreven variant uit artikel 27 van de AI Act en geldt alleen voor specifieke hoog-risicotoepassingen bij bepaalde organisaties.
De meeste mkb-dienstverleners vallen buiten die laatste categorie, want een algemeen taalmodel voor conceptteksten is geen hoog-risicosysteem in de zin van de verordening. Wat overblijft is de praktische vraag welke risico’s je huidige AI-gebruik meebrengt. Die vraag beantwoord je zonder formeel instrument.
AI als gedeelde werkwijze
AI als gedeelde werkwijze levert meer op dan losse gebruikers die ieder hun eigen aanpak kiezen. Zonder gedeelde afspraken verschilt de kwaliteit per medewerker en blijft kennis hangen bij wie toevallig handig is met een prompt. Drie documenten leggen die kennis vast in de organisatie:
- Een prompt-bibliotheek met de teksten die het werk doen
- Een AI-richtlijn die vastlegt wat is toegestaan
- Een governance-document dat de controlepunten per rol benoemt
Zolang die drie er niet zijn, is er geen werkwijze maar een verzameling gewoontes. Het verschil merk je bij verloop, want vertrekt de collega die het handigst was met prompts, dan verdwijnt bij losse gebruikers de hele opbrengst. Een vastgelegde werkwijze blijft.
Vastleggen is één ding en naleven een ander. Met AI adoptie controleer je of het hele team de afspraken uniform toepast. Verantwoord AI gebruik beschrijft welke afspraken daarvoor minimaal op papier moeten staan.
De volgende stap met AI voor bedrijven
De volgende stap met AI voor bedrijven hangt af van waar je nu staat. Werkt er nog niemand structureel met AI, dan begin je bij één proces en bouw je daar de eerste controlepunten omheen. Werken er al meerdere collega’s mee zonder gedeelde afspraken, dan is het vastleggen van de werkwijze urgenter dan een nieuwe tool.
Een AI-nulmeting brengt vooraf in kaart wat met je huidige tools en accounts is toegestaan en waar de risico’s zitten. Op basis daarvan weet je per tool wat verantwoord is en welke afspraken je eerst moet vastleggen. Wil je AI invoeren als gedeelde werkwijze in plaats van bij losse tools blijven, vraag dan een AI implementatie voor bedrijven aan.
