AI-integratie is niet een AI-tool aanschaffen. Het is een model verbinden met jouw gegevens, jouw proces en jouw rechten, zodat de uitkomst ergens landt in plaats van in een chatvenster.
"We willen iets met AI" eindigt in de meeste bedrijven bij een abonnement. Iemand opent een chatvenster, plakt er een stuk tekst in, krijgt een bruikbaar antwoord terug en plakt dat weer ergens anders. Dat werkt. Alleen verandert er niets aan de doorlooptijd van het proces, want de koppeling tussen het model en je bedrijf is nog steeds een mens met een muis.
AI-integratie is precies het weghalen van die handmatige koppeling. Het model wordt onderdeel van het werk in plaats van een tabblad ernaast: het krijgt zijn opdracht van een gebeurtenis in je eigen systeem, het leest de gegevens die het nodig heeft, en de uitkomst landt weer op een plek waar iemand ermee verder kan. Pas dan gaat er iets sneller zonder dat iemand het aanzet.
Dit artikel gaat over hoe dat er in de praktijk uitziet: wat AI-integratie technisch is, welke vier niveaus er bestaan, wat je vooraf op orde moet hebben, waar het misgaat, en wat de AI-verordening er ondertussen van vindt.
Een taalmodel kan tekst produceren. Meer niet. Het weet niet wie je klanten zijn, wat je hebt afgesproken, welke prijzen gelden of wat er gisteren is besloten. AI-integratie is het verbinden van dat model met de vier dingen die het zelf niet heeft:
Ontbreekt er één van de vier, dan heb je geen integratie maar een demo. Dat is niet erg — een demo is een prima manier om te leren of iets kan — maar het verklaart wel waarom zoveel AI-pilots blijven steken op "het werkt, en niemand gebruikt het".
Een model zonder trigger en zonder bestemming is geen integratie. Het is een slimme collega zonder bureau.
Het woord integratie dekt in de praktijk vier heel verschillende dingen. Ze verschillen in wat ze opleveren, en vooral in wat ze aan voorbereiding kosten.
Een abonnement op een chatmodel. Mensen kopiëren erin en eruit. Nul integratie, nul voorbereiding, en de winst is persoonlijk: wie het gebruikt gaat sneller, de rest merkt er niets van. Een prima startpunt, geen eindpunt.
Het model krijgt leestoegang tot je gegevens — documenten, dossiers, historie — en beantwoordt vragen daarover. De uitkomst blijft een antwoord op een scherm; in je systeem verandert nog niets. Hier blijven de meeste bedrijven hangen, en hier is ook de eerste echte voorbereiding nodig: welke bron is leidend, en wie mag wat zien. Dat vraagstuk staat uitgewerkt in je documenten zijn opgeslagen, waarom vind je ze niet terug.
Een gebeurtenis start het werk, het model bereidt iets voor, en de uitkomst wordt weggeschreven: een concept dat klaarstaat, een veld dat gevuld is, een taak die is aangemaakt. Een mens keurt goed. Dit is het eerste niveau waarop je doorlooptijd meetbaar verandert, en voor de meeste MKB-bedrijven is dit het niveau waar het geld zit.
Het systeem maakt zelf af wat het kan afmaken en schakelt alleen op bij twijfel of uitzonderingen. Dat vraagt om scherpe grenzen: welke acties mag het uitvoeren, tot welk bedrag, met welke rechten, en wat gebeurt er als het misgaat. OWASP heeft daar een eigen risicocategorie voor in zijn lijst voor AI-toepassingen — excessive agency, een systeem dat meer mag dan het nodig heeft.3 Wanneer je een agent nodig hebt en wanneer een workflow volstaat, staat in wat is nou écht AI.
Dit is de vraag die integraties het vaakst laat stranden, en hij is niet technisch. Staat het e-mailadres van een klant in je CRM, in je facturatiepakket én in een Excel-bestand, dan moet iemand kiezen welke waar is. Doe je dat niet, dan kiest het model — en dan is de uitkomst een gok met goede zinsbouw. Wie meerdere pakketten naast elkaar draait, herkent dit uit tool-sprawl in de MKB-groothandel.
Een antwoordlaag die alles kan zien, laat ook alles zien aan wie het vraagt. OWASP zet prompt injection op één en het lekken van gevoelige informatie op twee in zijn top tien voor toepassingen met taalmodellen.3 Vertaald naar de praktijk: de index kent de rechten van de gebruiker, niet die van de beheerder. Dat regel je vóór het koppelen, niet erna — repareren achteraf is duurder en je weet nooit zeker wat er inmiddels is opgehaald.
Drie getallen volstaan: hoe vaak per week gebeurt dit, hoe lang duurt het nu, en hoeveel gaat er mis. Zonder die drie kun je achteraf niet aantonen dat het iets opleverde, en dan wordt de vraag of je doorgaat een smaakkwestie in plaats van een rekensom.
De vraag is bijna nooit of AI het kan. De vraag is of jouw proces duidelijk genoeg is om het te vragen.
De schoonste route: je systeem stelt gegevens beschikbaar en accepteert ze terug. Werkt goed als je leverancier een fatsoenlijke API heeft en die niet per aanroep afrekent. Let op de kostenkant, want het aantal aanroepen per proces bepaalt de rekening — en dat is iets anders dan de prijs van het model zelf, zoals uitgelegd in de API-prijs van AI is niet je kostprijs.
Een automatiseringsplatform of een eigen tussenlaag die systemen aan elkaar knoopt. Snel opgezet en prima voor het eerste proces. Het nadeel komt later: de logica van je bedrijf raakt verspreid over losse scenario’s die niemand versiebeheert, en bij elke wijziging in een van de systemen moet je op drie plekken kijken.
De AI zit ín de software waarin het werk gebeurt. Dan is er geen koppeling nodig, want de context zit er al: rechten, dossiers, historie en statussen zijn dezelfde als die van de gebruiker. Dat is de reden dat wij met een Bedrijfs-OS werken en AI-agents daarbovenop laten draaien in plaats van ernaast. Het argument staat uitgebreider in een losse AI-tool verandert je bedrijf niet.
Elke koppeling die je bouwt, moet je onderhouden. De goedkoopste integratie is de koppeling die je niet nodig hebt.
AI-integratie is sinds kort ook een administratief onderwerp. De Europese AI-verordening — Verordening (EU) 2024/16892 — wordt gefaseerd van toepassing. De Europese Commissie zet de data zo op een rij: de verboden praktijken en de verplichtingen rond AI-geletterdheid gelden sinds 2 februari 2025, de governanceregels en de verplichtingen voor AI-modellen voor algemene doeleinden sinds 2 augustus 2025, en het merendeel van de verordening vanaf 2 augustus 2026, met uitzonderingen. Voor systemen in bepaalde hoog-risicogebieden — waaronder biometrie, kritieke infrastructuur, onderwijs, werkgelegenheid, migratie en grenscontrole — gelden de regels vanaf 2 december 2027, en voor AI die in producten als liften of speelgoed is ingebouwd vanaf 2 augustus 2028.1
Voor de meeste MKB-toepassingen — een concept voorbereiden, een document uitlezen, een vraag beantwoorden — is dat geen hoog-risicoverhaal. Twee dingen raken toch vrijwel iedereen. Het eerste is AI-geletterdheid: je mensen moeten weten wat het systeem doet, waar het goed in is en waar het de mist in gaat. Het tweede is banaler en wordt vaker overgeslagen: je moet weten wélke AI je waar gebruikt. Zonder dat overzicht kun je geen enkele vraag over je eigen systemen beantwoorden — niet die van een klant, niet die van een verzekeraar en niet die van jezelf.
Wil je daar structuur in aanbrengen zonder een compliance-afdeling op te tuigen: het Amerikaanse NIST publiceerde op 26 januari 2023 een raamwerk voor AI-risicobeheer dat bedoeld is voor vrijwillig gebruik en het werk in vier functies organiseert — Govern, Map, Measure en Manage.4 Als checklist is dat bruikbaar, ook voor een bedrijf van twintig man: wie beslist erover, wat gebruiken we waar, hoe meten we of het klopt, en wat doen we als het misgaat.
Je hoeft geen jurist te worden. Je moet wel kunnen opnoemen welke AI er in je bedrijf draait, en wie daarover gaat.
Deze volgorde is niet spannend, en dat is precies het punt. De bedrijven waar AI iets oplevert, zijn zelden de bedrijven met het meest geavanceerde model. Het zijn de bedrijven die één proces goed hebben uitgezocht en het systeem eromheen op orde hadden. Waarom die volgorde er zo toe doet, staat in waarom groei vraagt om fundamentele systemen.
Het verbinden van een AI-model met je eigen systemen, zodat het zijn opdracht krijgt van een gebeurtenis in je proces, de context uit je eigen gegevens haalt en de uitkomst wegschrijft op een plek waar iemand ermee verder kan. Het verschil met een losse AI-tool is dat er geen mens meer nodig is om het model aan het werk te zetten.
Meestal wel, als je systeem een API heeft of gegevens kan exporteren en importeren. De vraag is zelden of het kan, maar wat het onderhoud kost: elke koppeling breekt een keer, en dan moet iemand weten waar hij moet kijken.
Nee. Begin bij één proces en koppel wat er al staat. Vervangen is pas aan de orde als een systeem aantoonbaar de bottleneck is, bijvoorbeeld omdat het je gegevens niet vrijgeeft of geen enkele gebeurtenis naar buiten meldt.
Door vóór de bouw drie getallen vast te leggen: hoe vaak het proces per week voorkomt, hoe lang het duurt en hoeveel er misgaat. Zonder die nulmeting is elke conclusie achteraf een mening.
Wil je weten welke koppeling in jouw bedrijf het eerst rendeert, doe dan de Bedrijfs-OS scan of kijk bij AI-automatisering hoe wij dat aanpakken. Liever direct sparren over wat in jouw situatie realistisch is? Plan een gesprek.
De Quickscan duurt één uur. Jullie weten daarna precies wat er speelt, of jullie daarna klant worden of niet.
