AI voor het MKB: 95% gebruikt het, maar slechts 5% haalt er waarde uit

Vorige week hoorde ik het weer. Een directeur van een MKB-bedrijf met 80 medewerkers: "We willen iets met AI. Maar we weten niet waar we moeten beginnen."

Hij staat niet alleen. Volgens onderzoek van First AI Movers gebruikt 95% van de Nederlandse organisaties inmiddels AI in een of andere vorm. Maar slechts 5% haalt er daadwerkelijk bedrijfswaarde uit.

Het verkeerde debat over AI

Er is een vreemde tweedeling in het MKB. Aan de ene kant: bedrijven die AI zien als de oplossing voor alles. Aan de andere kant: bedrijven die het afdoen als hype. Beide groepen missen het punt.

AI is niet goed of slecht. Het is gereedschap. En gereedschap is zo goed als het materiaal waarmee je werkt. Een machine learning-model voeden met rommelige, onvolledige en inconsistente data is als een huis bouwen met kapotte stenen. Het resultaat valt tegen.

Wat ik in de praktijk zie bij het bouwen van data-analysetools voor het MKB: de meeste bedrijven slaan de belangrijkste stap over. Ze willen het eindresultaat (churnvoorspelling, fraudedetectie, automatische segmentatie) zonder eerst hun eigen data op orde te brengen.

De kloof tussen grote en kleine bedrijven: 38 procentpunten

Een rapport van de OECD (december 2025) laat de kloof zien in harde cijfers. In de EU gebruikt 55% van de grote bedrijven AI. Bij kleine bedrijven is dat 17%. Een verschil van 38 procentpunten.

In Nederland zijn de cijfers hoger dan het EU-gemiddelde, maar de kloof blijft. De drie belangrijkste oorzaken:

1. Data verspreid over losse systemen. De boekhouder werkt in Exact, de verkoop in een CRM, de operatie in Excel. Niemand heeft het totaalplaatje.
2. Geen intern datateam. Een data-analist kost €4.000 tot €6.000 per maand. Voor een MKB-bedrijf met 30 medewerkers is dat moeilijk te rechtvaardigen.
3. Verwachtingen kloppen niet. De directeur wil "AI inzetten", maar wat hij eigenlijk nodig heeft is weten hoeveel klanten er de afgelopen drie maanden zijn vertrokken en waarom.

52% noemt datakwaliteit als grootste barrière voor AI

Uit internationaal onderzoek van de AI & Data Analytics Network blijkt dat meer dan de helft van de ondervraagde leidinggevenden (52%) datakwaliteit en -beschikbaarheid als de grootste AI-barrière noemt. Niet kosten. Niet regelgeving. De data zelf.

Dat komt overeen met wat wij dagelijks zien. Als een MKB-bedrijf ons voor het eerst zijn data aanlevert, is het typische beeld: lege velden, inconsistente datums, dubbele klantgegevens, categorieën die op drie verschillende manieren zijn gespeld. Voordat je ook maar aan een analyse begint, moet die basis eerst op orde.

Wat werkt vóór AI

Het goede nieuws: je hebt geen kunstmatige intelligentie nodig om 80% van je managementvragen te beantwoorden. Je hebt schone data en goed uitgevoerde basisanalyses nodig.

Voorbeelden uit de praktijk:

• Klantsegmentatie vereist geen AI. Het vereist correcte data. En toch doet minder dan 25% van de bedrijven het goed.
• Fraudedetectie kan starten met 6 eenvoudige vuistregels, zonder enig machine learning-model. Toch leverde het bij de eerste analyse al 20 verdachte gevallen op.
• Het werkelijke klantverloop bleek twee keer zo hoog als de manager schatte. Die informatie heeft geen AI nodig. Het heeft een juiste berekening op juiste data nodig.

AI is stap 5. De meeste MKB-bedrijven zitten nog bij stap 1.

Wanneer AI wél zinvol is voor het MKB

Ik zeg niet dat AI irrelevant is. Ik zeg dat er een juist moment voor is. AI is zinvol wanneer:

1. Je data al georganiseerd en consistent is. Zonder dat leert elk model verkeerde patronen.
2. Je al beslissingen neemt op basis van data. Als vandaag niemand naar de rapportages kijkt, gaat een voorspellend model de cultuur niet veranderen.
3. Het volume automatisering rechtvaardigt. 50 schadeclaims per maand analyseren? Simpele regels werken prima. 5.000? Dan begint een anomaliedetectiemodel zich terug te verdienen.
4. Je een specifiek probleem hebt. "We willen AI" is geen probleem. "We willen voorspellen welke klanten de komende 30 dagen opzeggen" is dat wel.

De praktische route: data eerst, AI later

Als je een MKB-bedrijf runt en je wilt data gebruiken (met of zonder AI) om betere beslissingen te nemen, raad ik deze aanpak aan:

1. Centraliseer je data. Haal alles uit losse spreadsheets. Breng het samen in één omgeving waar financiën, verkoop en operatie met elkaar praten.
2. Schoon op en standaardiseer. Corrigeer lege velden, verwijder dubbelingen, maak categorieën uniform. Deze stap alleen al onthult informatie die verborgen zat.
3. Stel de basisvragen. Wat is je werkelijke klantverloop? Welke klanten genereren de meeste omzet? Hoe lang duurt het om de acquisitiekosten terug te verdienen? Er zijn betaalbare manieren om die antwoorden te krijgen.
4. Handel naar de data. Data zonder actie is decoratie. Bel de 37 klanten die op vertrekken staan. Heronderhandel de 15 verliesgevende contracten.
5. Pas dan overweeg AI. Met schone data, heldere vragen en een cultuur van datagedreven besluitvorming voegt een voorspellend model pas echte waarde toe.

Het debat of AI goed of slecht is voor het MKB leidt nergens toe. De juiste vraag is: is je data klaar voor welke analyse dan ook? Als het antwoord nee is, begin daar. De rest volgt vanzelf.

Over de data: De praktijkvoorbeelden in dit artikel komen uit analyses van echte MKB-datasets. Marktstatistieken komen uit gepubliceerd onderzoek (OECD, First AI Movers, AI & Data Analytics Network) met links naar de originele bronnen. Patronen kunnen per sector en regio verschillen.

Referenties

1. First AI Movers. 95% AI Adoption, 5% Value Creation: How Dutch SMEs Can Close the Gap in 2026.
2. OECD. AI adoption by small and medium-sized enterprises. December 2025.
3. AI & Data Analytics Network. Data quality & availability top list of AI adoption barriers.
4. Alice Labs. Global AI Adoption Statistics 2026.

Lees ook:

• Wat kost data-analyse voor het MKB in Nederland?
• 81% zegt dat segmentatie essentieel is, maar weinigen doen het goed
• Fraudedetectie zonder historische data: wat zegt de wetenschap?

Veelgestelde vragen

Waarom gebruikt 95% van de Nederlandse bedrijven AI, maar haalt slechts 5% er waarde uit?

Omdat de meeste organisaties AI inzetten bovenop data die rommelig, verspreid en inconsistent is. Een model leert patronen uit de data die het krijgt. Zijn die patronen onbetrouwbaar, dan is de uitkomst dat ook. First AI Movers (2026) laat zien dat 95% AI gebruikt, maar slechts 5% er bedrijfswaarde uit haalt. Het verschil zit niet in het model, maar in de datafundering eronder.

Wat is de belangrijkste barrière voor AI-adoptie in het MKB?

Datakwaliteit en databeschikbaarheid. 52% van de leidinggevenden in internationaal onderzoek noemt dit als grootste barrière, boven kosten en regelgeving. Typische problemen: lege velden, inconsistente datums, dubbele klantgegevens en categorieën die op meerdere manieren gespeld zijn. Zonder dat eerst op te lossen, levert geen enkele AI-tool wat het belooft.

Hoe groot is de AI-kloof tussen grote bedrijven en het MKB?

In de EU gebruikt 55% van de grote bedrijven AI, tegen 17% van de kleine bedrijven, volgens het OECD-rapport van december 2025. Een verschil van 38 procentpunten. Belangrijkste oorzaken: data verspreid over losse systemen, geen intern datateam (een analist kost €4.000–€6.000/maand) en verwachtingen die niet passen bij wat het bedrijf eigenlijk nodig heeft.

Wanneer heeft een MKB-bedrijf AI nodig, en wanneer is een basisanalyse genoeg?

AI wordt zinvol als je data al schoon is, er volume is dat automatisering rechtvaardigt en er een specifiek probleem ligt (bijvoorbeeld churn voorspellen voor de komende 30 dagen). Voor de meeste MKB-vragen (omzet, klantverloop, segmentatie, kostenanalyse) zijn eenvoudige statistische analyses op schone data voldoende, zonder machine learning.

Waar moet een MKB-bedrijf beginnen met data voordat het aan AI denkt?

Vijf stappen: centraliseer je data in één omgeving, schoon lege velden en dubbelingen op, stel de basisvragen (werkelijke churn, LTV, CAC-terugverdientijd), handel op de bevindingen en overweeg pas daarna AI. Wij zien in de praktijk dat de stappen 1 tot en met 4 alleen al meer waarde opleveren dan de meeste AI-projecten die zonder die fundering gestart worden.