Je AI-tool werkt perfect. Waarom mag-ie nu niet live?
Je hebt iets slims gebouwd dat facturen verwerkt, offertes genereert of klantdata analyseert. Het scheelt je afdeling uren per week. Alleen: nu wil je het in productie draaien, en daar begint het gedoe.
Ik zie het steeds vaker bij MKB-bedrijven. Iemand uit sales, finance of operations bouwt een handige AI-tool met ChatGPT, Claude of een no-code platform. Het ding functioneert uitstekend op de laptop van die persoon. Maar zodra het breder uitgerold moet worden, komen de bezwaren.
Waarom krijg je geen groen licht?
Je hebt geen controle over wat er gebeurt. AI-modellen geven niet altijd hetzelfde antwoord, zelfs niet bij identieke input. Dat is prima voor een brainstormsessie, maar riskant als het systeem facturen verwerkt of offertes opstelt waar contractuele verplichtingen aan hangen.
Valideren kost meer tijd dan het bespaart. Collega’s moeten elk resultaat dubbelchecken. Ze weten niet hoe de tool precies functioneert of welke edge cases AI mist. Het vertrouwen ontbreekt.
Het past niet in de bestaande infrastructuur. Jullie ICT-afdeling draait op Azure, jouw tool praat met de OpenAI API via een gratis account. Of je hebt Google Sheets gebruikt terwijl het bedrijf standaard op Microsoft 365 zit. Technisch kan het wel, maar het vraagt werk om te integreren — en wie gaat dat doen?
ICT is er niet bij betrokken geweest. Logisch: je wilde iets uitproberen, niet drie maanden wachten op een project-intake. Maar nu moet diezelfde ICT-afdeling het opeens gaan hosten, beveiligen en monitoren. Zonder context, zonder voorbereiding, en vaak zonder budget.
Niemand weet wie het onderhoudt. Wat gebeurt er als de API over zes maanden kapot gaat? Als jij met vakantie bent? Of als je een andere functie krijgt?
Support is niet geregeld. Collega’s hebben vragen, maar jij zit in een meeting. Of de API geeft een foutmelding die niemand snapt. Wie lost dat op, en hoe snel?
Hoe breng je het wél live?
Begin klein en documenteer alles. Zelfs een simpel Google Doc met ‘wat doet dit script, wie gebruikt het, en waar staan de credentials’ bespaart later enorm veel gedoe. Neem screenshots van je instellingen. Schrijf op welke keuzes je hebt gemaakt en waarom.
Betrek ICT vroeg, maar vraag niet meteen om een compleet project. Deel je prototype, leg uit welk probleem het oplost, en vraag om een quickscan: past dit in onze infrastructuur, zijn er beveiligingsrisico’s, wat zou er moeten veranderen? De meeste ICT-afdelingen helpen graag als je concreet bent en niet verwacht dat zij alles overnemen.
Maak validatie onderdeel van de tool, niet een extra stap. Bouw checks in: als je tool facturen verwerkt, laat ’m automatisch controleren of het totaalbedrag klopt met de som van de regels. Of laat ’m een second opinion vragen als de output ongebruikelijk is. Dat kost wat extra tijd bij het bouwen, maar scheelt eindeloos handmatig nawerk.
Kies tools die passen bij jullie omgeving. Als je bedrijf op Microsoft 365 draait, gebruik dan Power Automate of Azure OpenAI in plaats van losse API-calls naar OpenAI. Dat verlaagt de drempel om het uit te rollen.
Leg afspraken over eigenaarschap vast voordat je iets uitrolt. Wie monitort of het blijft draaien? Wie past het aan als de API verandert? Wie helpt collega’s als ze vastlopen? Het hoeft niet allemaal bij één persoon te liggen, maar zorg dat het helder is.
Probeer deze week eens
Neem één tool die je nu gebruikt en schrijf er één A4 documentatie over: wat doet-ie, hoe werkt-ie, waar zitten de risico’s. Vraag een collega of-ie het kan draaien zonder jouw hulp. Je ziet meteen waar de knelpunten zitten.
Of: als je iets nieuws wilt bouwen, plan eerst een halfuurtje met ICT of je aanpak logisch is voordat je begint. Dat scheelt later herschrijven.
Veel van deze problemen los je niet op met betere AI, maar met beter procesbeheer. Het verschil tussen een handig experiment en een betrouwbare tool zit ’m in wat er omheen zit: documentatie, validatie, support. Saai misschien, maar het bepaalt of je oplossing over drie maanden nog gebruikt wordt of stilletjes vergeten is.

