Je hoeft AI niet te begrijpen. Je moet je problemen begrijpen.

Elke week spreek ik ondernemers die het gesprek op dezelfde manier beginnen. “Ik snap eigenlijk niet veel van AI, maar ik heb het gevoel dat we er iets mee moeten doen.”

Ze hebben de artikels gelezen. Ze zien de LinkedIn-posts voorbijkomen over ChatGPT dat 40 uur per week bespaart. Ze weten dat concurrenten aan het experimenteren zijn. Maar ze voelen zich buitengesloten. Niet omdat ze traag zijn, maar omdat niemand het gesprek voert in een taal die ze begrijpen.

Wat ik ze dan vertel: dat is geen zwakte. Het doet er niet toe.

Het AI-gesprek bereikt het verkeerde publiek

De meeste AI-content is geschreven voor CTO’s, developers of innovatiemanagers. Er wordt vanuit gegaan dat je weet wat een large language model is, wat een API doet, of waarom fine-tuning belangrijk is. Als je een productiebedrijf runt met 35 medewerkers of een distributiebedrijf met 80, heb je daar niets aan.

De echte vraag is niet “wat kan AI?” Maar “welke problemen heb ik die het waard zijn om aan te pakken?”

En niemand kent die problemen beter dan jijzelf.

Jouw bedrijfskennis is de meest waardevolle input

Als ik een AI-waardescan uitvoer bij een KMO, komen de doorbraken nooit van technisch inzicht. Ze komen van de operations manager die zegt “we zijn 12 uur per week bezig met data kopiëren tussen twee systemen.” Of van de salesverantwoordelijke die vertelt “ik beantwoord elke dag dezelfde 15 vragen van klanten.” Of van de zaakvoerder die weet dat elke offerte 45 minuten duurt omdat iemand drie spreadsheets moet raadplegen.

Deze mensen weten niets van AI. Ze weten alles over waar de tijd verdwijnt. Dat is de input die ertoe doet.

Ik werkte met een voedingsdistributeur waar de magazijnverantwoordelijke al acht jaar leveringsproblemen bijhield in een schrift. Welke routes de meeste retours hadden. Welke producten in bepaalde seizoenen beschadigd raakten. Welke klanten altijd te laat bestelden en dan klaagden over levertijden. Hij had geen idee wat machine learning was. Maar hij zat bovenop precies het soort patroondata dat het nodig heeft.

Een bedrijfsoefening, geen technische

Bij Virada gebruiken we een eenvoudig filter met vier vragen om te bepalen waar AI echt kan helpen:

1. Is de input gestructureerd? Begint de taak met data die een patroon volgt, zoals e-mails, formulieren, spreadsheets of documenten?
2. Is de output voorspelbaar? Kun je beschrijven hoe een correct resultaat eruitziet voordat iemand het werk doet?
3. Is de beslissing regelgebaseerd? Volgt de taak logica die je in een namiddag aan een nieuwe medewerker kunt uitleggen?
4. Gebeurt het vaak genoeg? Is dit een dagelijkse of wekelijkse taak, niet iets dat je één keer per jaar doet?

Merk op wat er niet in deze vragen staat. Niets over technologie. Geen modellen, platforms of code. Dit is een bedrijfsoefening. Je kijkt naar je eigen processen en vraagt je af: waar herhalen we onszelf?

Als een taak op alle vier ja scoort, is er bijna zeker een manier om die te automatiseren of te ondersteunen. Scoort hij niet op alle vier, dan is AI waarschijnlijk niet het juiste middel. Hoe indrukwekkend de demo er ook uitzag.

Hoe dat er concreet uitziet

Een logistiek bedrijf waarmee ik werkte had een team van drie mensen die zo’n 20 uur per week besteedden aan het verwerken van inkomende orders. Elke bestelling kwam binnen als PDF, werd handmatig ingevoerd in hun ERP-systeem en triggerde vervolgens een bevestigingsmail. Gestructureerde input, voorspelbare output, regelgebaseerde beslissingen, honderden keren per week herhaald.

Niemand in dat team kon uitleggen wat een LLM is. Maar ze konden elke uitzondering, elk randgeval en elke stap die het proces vertraagde tot in detail beschrijven. Die kennis was meer waard dan welke technische specificatie ook.

Het team hoefde niets te leren over documentverwerking of API-koppelingen. Ze moesten hun proces helder genoeg in kaart brengen zodat iemand met technische kennis eromheen kon bouwen. Dat kostte twee workshops, geen informaticadiploma.

We bouwden een oplossing die de handmatige verwerkingstijd met ongeveer 70% reduceerde. Niet omdat iemand AI begreep, maar omdat iemand het probleem goed genoeg begreep om het helder te beschrijven.

Je hebt al wat nodig is

De kloof tussen jouw bedrijf en AI is geen kenniskloof. Het is een vertaalkloof. Je weet wat tijd kost. Je weet wat er misgaat. Je weet wat je klanten echt nodig hebben. Wat ontbreekt, is iemand die die kennis kan vertalen naar technische kansen.

Dat is wat een goede diagnose doet. Ze test niet je technische geletterdheid. Ze ontgint je operationele ervaring voor de patronen waar AI voor gebouwd is. Een goed AI-project begint bij iemand die kan aanwijzen welk proces pijn doet. Dat is bijna nooit een developer. Het is de persoon die het werk elke dag doet en precies weet waar het spaak loopt.

Dus als je hebt gewacht omdat je dacht dat je niet genoeg van AI wist, stop met wachten. Je hoeft de technologie niet te begrijpen. Je moet je problemen begrijpen. En dat doe je al.

Ontdek hoe de AI-waardescan jouw bedrijfskennis vertaalt naar concrete kansen →