Een ChatGPT-account maakt je nog geen AI-bedrijf. De echte waarde ontstaat pas als AI ín je software, processen en informatiestromen zit, niet als los tabblad ernaast.
Veel bedrijven zijn inmiddels “met AI bezig”. Er is een ChatGPT-account. Iemand gebruikt Claude voor teksten. Een developer probeert Copilot of Cursor. Ergens draait een tool die meetingnotities maakt, staat een chatbot op de website of ligt een promptdocument in de gedeelde drive.
Op zich is dat prima. Vaak is het zelfs een goede start. Maar het verandert een bedrijf meestal nog niet fundamenteel.
Want zolang AI los náást het werk staat, blijft de gebruiker zelf verantwoordelijk voor het belangrijkste deel: context verzamelen, informatie kopiëren, controleren wat klopt, vervolgacties uitzetten en zorgen dat het resultaat weer in het juiste systeem terechtkomt. De AI schrijft een mooie mail, maar iemand moet hem nog steeds in het CRM plakken, aan de juiste deal koppelen en de opvolging inplannen.
Dan heb je wel AI, maar nog geen werkend systeem.
Wij zien dat verschil dagelijks. En het is precies waar de waarde wint of verdampt.
Dat beeld zie je ook terug in de grotere onderzoeken. Het MIT/NANDA-rapport The GenAI Divide (2025) stelt dat er ondanks zo’n 30 tot 40 miljard dollar aan enterprise-investeringen in generatieve AI bij ongeveer 95% van de organisaties geen meetbare return zichtbaar is12. Slechts een kleine groep goed geïntegreerde pilots haalt er echt waarde uit.
De kern van dat rapport is niet dat AI niet werkt. De kern is dat AI vaak verkeerd wordt ingebed. Veel projecten blijven hangen als losse pilots of generieke tools die te weinig leren van de organisatie, niet aansluiten op de workflows en onvoldoende gekoppeld zijn aan de praktijk.
De samenvatting door Fortune legt dezelfde vinger op de zere plek: het probleem zit volgens de onderzoekers niet primair in de kwaliteit van de modellen, maar in de “learning gap” tussen tools en organisaties. Generieke tools werken prima voor een individu, maar lopen vast in een bedrijfsomgeving zodra ze niet meebewegen met bestaande processen.
Dat is precies wat wij in de praktijk ook vaak zien.
Bedrijven hebben geen AI-probleem. Ze hebben een contextprobleem.
Ook het DORA-onderzoek naar generatieve AI in softwareontwikkeling laat die spanning zien. Developers die veel generatieve AI gebruiken, rapporteren meer flow, hogere tevredenheid en een sterker gevoel van productiviteit. Tegelijkertijd ziet DORA dat hogere AI-adoptie niet automatisch leidt tot betere software delivery. Een stijging van 25% in AI-adoptie wordt in het rapport zelfs geassocieerd met ongeveer 1,5% lagere delivery throughput en 7,2% lagere delivery stability3.
Dat klinkt tegenstrijdig, maar het is eigenlijk logisch. Een individu kan sneller teksten schrijven, sneller code genereren of sneller ideeën uitwerken. Maar als het teamproces, de reviewflow, de data, de rechten en de overdracht niet goed zijn ingericht, verdwijnt een deel van die winst gewoon ergens anders in het systeem.
AI kan output versnellen. Maar de rekening loopt op een andere plek dan waar de tijdwinst valt.
Output is niet hetzelfde als waarde.
Waarde ontstaat pas wanneer betere output leidt tot betere opvolging, minder fouten, snellere beslissingen, hogere klanttevredenheid of minder operationele ruis. Sneller iets maken dat vervolgens blijft liggen, is geen vooruitgang.
Een losse AI-tool heeft in de praktijk meestal drie beperkingen.
Een model kan taal begrijpen, redeneren en helpen structureren. Maar zonder toegang tot de juiste context blijft het afhankelijk van wat iemand handmatig invoert. Waar staat de klantinformatie? Welke afspraken zijn gemaakt? Wat is de status van de deal? Welke uitzonderingen gelden voor deze klant? Wie mag wat zien? Wat is de volgende stap?
Als die informatie verspreid staat over mail, WhatsApp, Drive, CRM, Notion, Excel en de hoofden van mensen, dan moet iemand die context telkens zelf bij elkaar zoeken. Dan is AI een slimme tekstgenerator, maar geen bedrijfsbrein.
Stel dat AI een prima samenvatting maakt van een klantgesprek. Wat gebeurt er daarna? Worden de actiepunten automatisch gekoppeld aan de juiste klant? Staat de opvolgmail klaar? Wordt de offerte bijgewerkt? Gaat er een reminder naar sales? Wordt het projectdossier aangevuld?
Als dat allemaal handmatig moet, blijft AI hangen als los hulpmiddel. De waarde zit niet alleen in de gegenereerde tekst, maar in wat er daarna automatisch of semi-automatisch mee gebeurt.
Veel standaardtools zijn gebouwd voor een gemiddelde gebruiker. Maar bedrijven werken zelden gemiddeld. Een leasebedrijf werkt anders dan een recruitmentbureau. Een installateur werkt anders dan een marketingbureau. Een franchiseorganisatie werkt anders dan een klein projectteam.
Daarom zien wij vaak dat de echte waarde pas ontstaat wanneer AI niet als los blokje wordt ingezet, maar wordt toegepast in maatwerksoftware die aansluit op de specifieke processen, rollen, data en klantreis van het bedrijf.
In een eerder artikel schreven we het al: iedereen kan nu een app bouwen, maar dat was nooit het probleem. De bottleneck is niet meer alleen het bouwen. De bottleneck is begrijpen wát er gebouwd moet worden, waarom het gebruikt gaat worden en hoe het in het dagelijkse werk past.
Dat geldt net zo goed voor AI. Je maakt snel een chatbot. Je bouwt snel een agent. Je genereert snel een dashboard. Maar daarmee heb je nog geen systeem dat commerciële, operationele of administratieve waarde oplevert.
Daarom geloven wij steeds sterker in AI binnen maatwerksoftware. Niet omdat maatwerk mooier of ingewikkelder moet zijn — juist niet. De kracht zit erin dat je AI kunt toepassen op de plekken waar het bedrijf al werkt:
Dan hoeft niemand steeds te schakelen tussen losse tools. Dan wordt AI onderdeel van de werkwijze in plaats van een tabblad ernaast. Precies zo werkt AI in je bestaande processen: niet als apart eiland, maar verweven met de stappen die je toch al zet.
Veel ondernemers kunnen inmiddels met AI vrij snel een appje, prototype of dashboard maken. Maar een los dashboard verbindt nog niet het hele bedrijf. Klantinformatie staat in mail. Afspraken in WhatsApp. Documenten in Drive. Taken in een projecttool. De echte context in iemands hoofd.
Een goed bedrijfs-OS brengt die context bij elkaar. Niet zodat alles zomaar voor iedereen openligt, maar zodat de juiste mensen en systemen met de juiste informatie kunnen werken. Dat is waar maatwerk interessant wordt: niet als “we bouwen alles opnieuw”, maar als slimme laag waarin bestaande systemen, data, processen en AI logisch samenkomen.
Een medewerker hoeft dan niet te bedenken: wat moet ik in ChatGPT plakken? Die opent gewoon het klantdossier, de deal, de aanvraag of het Vandaag-dashboard. AI helpt daarbinnen met samenvatten, voorbereiden, signaleren, controleren en opvolgen. De context is er al — dat is het hele punt.
Daarmee komen we bij de kosten. Veel bedrijven vragen: wat kost een AI-agent? Maar dat is vaak de verkeerde vraag. Zoals we eerder uitwerkten in wat kost een AI-agent, is de losse agent meestal helemaal niet het ingewikkelde deel. De echte investering zit in het systeem eromheen:
Een agent die één smalle taak uitvoert, bouw je relatief snel. Maar een agent die betrouwbaar meedraait in een bedrijf — die beslissingen voorbereidt, gegevens ophaalt, acties uitzet en samenwerkt met andere onderdelen van het systeem — vraagt om een goed fundament.
De betere vraag is dus niet “wat kost een AI-agent?”, maar “wat kost het om dit stuk werk goed te automatiseren?” Of nog scherper: welke waarde ontstaat er als dit proces structureel beter loopt?
Vroeger was maatwerksoftware voor veel MKB-bedrijven lastig te verantwoorden. Het was duur, het duurde lang, je begon vaak vanaf nul, en voor kleinere processen leek standaardsoftware goedkoper en veiliger.
AI verandert dat deels. Niet omdat het ineens alles gratis maakt, maar omdat het bouwen, testen, structureren en documenteren sneller kan. En omdat herbruikbare templates, componenten en modules ervoor zorgen dat maatwerk niet elke keer opnieuw bij nul begint. Het eindresultaat blijft maatwerk, maar de bouwstenen worden steeds herhaalbaarder.
Daardoor ontstaat een interessant middengebied tussen standaard-SaaS en traditioneel duur maatwerk. Een bedrijf hoeft niet meer te kiezen tussen een standaardtool die net niet past en een groot softwareproject dat veel te zwaar is. Er is ruimte voor compacte, praktische software waarin AI direct wordt toegepast op het proces waar de meeste waarde lekt — precies de gedachte achter een bedrijfs-OS voor het MKB.
De belangrijkste les is simpel. Begin niet met de vraag “welke AI-tool moeten we gebruiken?”. Begin bij het werk:
Als dat helder is, kun je pas bepalen waar AI zinvol is. Soms is dat een losse automatisering. Soms een interne agent. Soms een koppeling tussen bestaande tools. En soms is maatwerksoftware de beste oplossing, omdat je AI dan direct toepast op je eigen proces, je eigen data en je eigen manier van werken.
De komende jaren komen er alleen maar meer AI-tools bij. Meer chatbots, meer agents, meer dashboards, meer app-builders, meer automatiseringsplatformen. Dat is handig, maar ook riskant, want meer tools betekent niet automatisch meer samenhang.
De bedrijven die echt waarde uit AI halen, zijn waarschijnlijk niet de bedrijven met de meeste experimenten. Het zijn de bedrijven die AI het beste weten te verbinden met hun dagelijkse werk — niet als los speeltje naast het proces, maar als onderdeel van de software, workflows en informatie die het bedrijf al draaiende houden.
Daarom zien wij in de praktijk vaak dat de echte waarde pas ontstaat wanneer AI wordt toegepast in maatwerksoftware. Niet omdat maatwerk het doel is, maar omdat waarde ontstaat op de plek waar AI context heeft, acties kan uitvoeren en past bij hoe het bedrijf echt werkt.
Dat is het verschil tussen AI gebruiken en AI laten werken.
Benieuwd waar dat verschil bij jou het meeste oplevert? Doe de Quickscan en zie in een paar minuten waar de grootste winst zit, of plan een vrijblijvend gesprek in om te sparren over waar AI in jouw processen past.
De Quickscan duurt één uur. Jullie weten daarna precies wat er speelt, of jullie daarna klant worden of niet.
