AI-adoptie in het Nederlandse MKB stokt rond maand 3 omdat de eerste pilot wel werkt, maar de rest van de organisatie nooit meedeed. Blijvende adoptie volgt een vast patroon: eerst MT-buy-in, dan brede training, dan interne champions, dan implementatie per afdeling. De sleutel is mensen, niet tooling, plus de autonomie-sprong van 50% naar 97%.
Het gaat bijna altijd hetzelfde. Een klein team bouwt een AI-oplossing, draait een demo die werkt, iedereen enthousiast. Drie maanden later gebruiken dezelfde drie mensen de tool en doet de rest het werk gewoon weer zelf. Dat is geen techniekprobleem. MIT-onderzoek laat zien dat 95% van de GenAI-pilots geen meetbare impact haalt op de winst- en verliesrekening. De CBS AI-monitor 2024 noemt gebrek aan ervaring (75%) de grootste drempel in Nederland. SPAIK, in 2024 opgericht in Amsterdam door Jochem van Laren, Thijs Bongertman en Jan Bolle, deed sindsdien 35+ implementaties en trainde 700+ mensen, met een gemiddeld positieve ROI binnen 4 maanden. Het verschil tussen de 5% die het wel laat werken en de 95% die strandt zit niet in het model of de tool, maar in hoe je je organisatie meeneemt. Dit artikel laat zien waarom adoptie rond maand 3 stokt en welk patroon wel tot organisatiebrede, blijvende adoptie leidt.
Het maand-3-patroon: waarom de pilot werkt en de rest niet volgt
Een pilot met een handjevol enthousiastelingen is een prima start. Opschalen betekent iets anders: tientallen mensen passen hun werkwijze aan, leveren input, controleren output, hanteren dezelfde kwaliteitsstandaard. Staat de tooling er al voordat je je mensen vraagt mee te doen, dan verdwalen ze in processen die jij ze oplegt. Ze voelen geen eigenaarschap en vallen terug op oude gewoontes.
Daar komt het probleem van de edge cases bij. Veel pilots draaien op de mooie input: standaard pdf's, voorspelbare aanvragen, ongeveer 80% van het werk. De moeilijkheid zit in de overige 20%: afwijkende facturen, rare bestandsformaten, unieke aanvragen. Test je die niet tijdens de pilot, dan kom je ze pas bij opschaling tegen en begrijpt AI ze niet. We werkten dit patroon eerder uit in van AI-pilot naar organisatiebrede adoptie en in waarom 95% van de AI-implementaties geen rendement oplevert.
Mensen zijn onmisbaar: eigenaarschap, de enthousiasteling en de expert
Adoptie schaalt niet op tooling, maar op mensen. Voor opschaling heb je twee rollen nodig. De enthousiasteling houdt de grotere groep betrokken: bouwt draagvlak, beantwoordt vragen, neemt zorgen weg. De expert is technisch onderlegd en bepaalt of de output goed genoeg is. Heb je alleen een enthousiasteling, dan krijg je geen kwaliteit. Heb je alleen een expert, dan ontbreekt adoptie. Je hebt ze allebei nodig.
Bij Movir, arbeidsongeschiktheidsverzekeraar en onderdeel van Nationale-Nederlanden met 350 tot 400 medewerkers, zie je waarom dat werkt. Daar zijn 350+ mensen getraind en 10 interne champions opgeleid. De salesverwerking ging van een uur naar een minuut, 60 keer sneller, en de contentproductie ging 10 keer omhoog. Niet omdat de tool zo bijzonder was, maar omdat er eigenaren waren die de afdeling meenamen. Dat dezelfde mensen het werk doen en het verbeteren, is precies waarom je het niet over de schutting naar een tool gooit. Dat principe werkten we uit in je beste mensen doen werk dat een computer kan doen.
Het patroon dat wel werkt: MT, brede training, champions, afdeling-implementatie
Bij organisaties waar adoptie wel blijft hangen, herhaalt zich hetzelfde patroon in vier stappen.
1. MT-buy-in eerst
Adoptie begint bovenaan. Zonder mandaat vanuit het management blijft AI hangen bij een paar enthousiastelingen. Bij Movir startte het traject bij het MT, met CEO Maurick Schellekens. Bij de fraude-afdeling van Nationale-Nederlanden, onderdeel van NN Group, liep het via dezelfde volgorde: eerst commitment, dan pas brede actie. Wil je niet meteen de hele organisatie omgooien, dan start je klein zonder eigen IT-afdeling, zoals we beschrijven in AI voor MKB: je hebt geen IT-afdeling nodig om te starten.
2. Brede training
Daarna train je breed, niet alleen het kernteam. Bij Movir gaat het om 350+ mensen, bij de fraude-afdeling van NN om 60 mensen die de AI-fundamentals leerden. De training AI Fundamentals van SPAIK scoort 9,1/10 uit 700+ evaluaties, duurt 6 weken met coaching en levert per deelnemer 4+ uur tijdsbesparing per week op. Dat sluit aan op de verplichting tot AI-geletterdheid uit Artikel 4 van de EU AI Act, die sinds februari 2025 geldt. Hoe je die geletterdheidsplicht omzet in een concreet trainingsprogramma lees je op onze pagina over AI-training voor het MKB onder de EU AI Act.
3. Champions aanwijzen
Uit de brede groep komen de champions naar voren. Bij Movir zijn dat er 10. Bij NN volgde na de fundamentals een Champions-training, waarna die groep guardrails en requirements voor AI-gebruik opstelde. Champions zijn de enthousiastelingen en experts die de adoptie binnen hun afdeling dragen als wij weer weg zijn.
4. Afdeling-implementatie
Pas dan implementeer je per afdeling, met echte processen en echte tools. Bij Movir liep dat onder andere via Adobe Journey Optimizer. SPAIK werkt tool-agnostisch en modulair, met een stack als n8n, Supabase en Claude, zodat je geen vendor lock-in opbouwt. "Movir is het model": training, capability building en daarna een langdurig partnerschap, het land-and-expand-patroon. De volledige aanpak van zo'n implementatie lees je op onze pagina over AI-implementatie in het MKB.
De autonomie-slider: waarom de sprong van 50% naar 97% pilots breekt
Denk aan AI-autonomie als een schuif van 0% (mens doet alles) naar 100% (AI doet alles). Tijdens een pilot zit je rond de 50%: AI doet het werk, de mens controleert alles. Wil je opschalen naar tientallen gebruikers, dan moet je naar zo'n 97%, het punt waarop je vertrouwt dat AI het overgrote deel zelf goed afhandelt.
Die sprong van 50% naar 97% is waar pilots stranden. Dat vertrouwen verdien je niet met een goede demo, maar door edge cases te testen en kwaliteit aantoonbaar te maken. Zonder die bewijslast durft niemand de schuif verder te zetten, blijft iedereen alles dubbelchecken en verdampt de tijdwinst. Reditus, een marketingbedrijf van 10+ medewerkers, kreeg die schuif wel omhoog: het vinden van affiliates ging van 16 uur naar 30 minuten per klant, 36 keer sneller en 95% besparing, met ROI binnen 3 maanden. Bij Euphoria Mobility, een mobiliteits-SaaS met 60+ medewerkers, leverde een hackathon met 25 engineers 6 werkende prototypes in 2 dagen op, waarvan er 3 in productie gingen, met 12 keer ROI in 1 maand. Dat lukt alleen als je de autonomie stap voor stap verdient.
Meetbaarheid: begin met een nulmeting
Je kunt adoptie niet sturen die je niet meet. Begin met een nulmeting: hoe lang duurt een taak nu, hoeveel output lever je, wat is de kwaliteit? Pas daarna maak je hard wat AI oplevert. Bij Movir ging de salesverwerking van een uur naar een minuut; bij Reditus van 16 uur naar 30 minuten per klant. Dat zijn geen schattingen achteraf, maar verschillen tegen een beginpunt. Zonder nulmeting hoor je "het voelt sneller", en daar stuurt geen MT op. SPAIK trainde inmiddels 700+ mensen over 50+ organisaties en 10+ sectoren, met een gemiddelde tevredenheid van 9,1/10; dat soort cijfers krijg je alleen als je vanaf dag één meet.
Zelf doen of een AI-implementatiepartner kiezen?
Veel organisaties twijfelen of ze dit zelf trekken of een bureau inschakelen. Forrester laat zien dat 83% van de inkopers ergens ontevreden is over hun bureau, vaak omdat het pitch-team niet het dagelijkse team blijkt. Let daar dus op. In onze koopgids lees je hoe je de juiste AI-implementatiepartner kiest voor het MKB, met de vragen die je vooraf stelt.
Wat de route ook wordt: het patroon blijft hetzelfde. MT-buy-in, brede training, champions, afdeling-implementatie, en een autonomie-schuif die je stap voor stap verdient met een nulmeting onder je hand. Wil je verder lezen over de bredere principes van AI-adoptie in het MKB, dan vind je daar de volledige aanpak.
Deze pijler hoort samen met twee andere: lees ook AI-training voor teams en AI-strategie voor management.
Benieuwd hoe we dit artikel maken en welke bronnen we gebruiken? Lees ons redactiebeleid.
