Gepubliceerd op: 20 nov 2026

AI in het MKB: begin bij je data, niet bij het model 

AuteurKoen van HugtenFunctieData Engineer

Tag(s)

GenAI Introduction

Gaan we kunstmatige intelligentie (AI) gebruiken om ons volledige offerteproces te automatiseren? Hebben we straks geen mensen meer nodig voor het maken van een projectcalculatie? Op dit moment is daar nog geen eenduidig antwoord op. De technologie ontwikkelt zich razendsnel en de uiteindelijke mogelijkheden en impact zijn nog moeilijk te voorspellen.

Eén ding is wel zeker: een AI-oplossing valt of staat met de datafundering die eronder ligt. Veel AI-pilots lopen niet vast op het model, maar op versnipperde data, onduidelijke rechten en de vraag wie waarvoor verantwoordelijk is. Met een goed georganiseerd en goed beheerd dataplatform ben je dus al een heel eind. Zodra al je data op één plek beschikbaar is, en je documentatie beschrijft wat die data laat zien, ben je klaar voor de volgende stap. Dat betekent niet dat je meteen alles en iedereen weg kan automatiseren, maar denk bijvoorbeeld aan het beantwoorden van de vraag “hoe kunnen we alle kennis die nu in ons platform zit doorzoekbaar maken?”.

Heb je al een dataplatform? Dan ben je dichterbij dan je misschien denkt. Met een goede basis is AI niet meer dan een modulaire, veilige uitbreiding op je bestaande platform. In deze blog lees je wat zo’n basis inhoudt en welke onderdelen je stap voor stap toevoegt om met AI te zoeken, begrijpen, redeneren en handelen.

AuteurKoen van HugtenFunctieData Engineer

Tag(s)

GenAI Introduction

Wat vragen MKB-bedrijven van AI?

AI is elke dag wel in het nieuws. We zien het overal om ons heen, en we zijn druk aan het experimenteren met wat we allemaal kunnen met AI. Over het algemeen willen we de boot niet missen, omdat het idee bestaat dat AI de technologie is die de wereld en het ondernemerschap verder gaat brengen.

De uitdaging zit hem vooral in de stap voorbij de standaard chatfuncties. Denk daarbij aan het uitrollen van (zelfgemaakte) AI-tools die specifieke bedrijfsprocessen kunnen optimaliseren. Zeker bij MKB’ers is dat lastig. Er is vaak geen eigen AI-team en geen budget voor een los AI-platform naast de bestaande systemen. We vroegen daarom aan onze MKB-klanten hoe zij graag de volgende stap zouden nemen met AI.

Zij gaven aan dat ze waarde zien in het doorzoekbaar en bevraagbaar maken van documenten en het automatiseren of versnellen van werkprocessen. Zo wordt het versnellen van het calculatieproces bij projectorganisaties als een grote kans gezien. Bovendien moet AI deze bedrijven helpen om repetitieve taken over te nemen, vragen te stellen aan hun eigen data, informatie uit facturen en offertes om te zetten naar gestructureerde gegevens en grote hoeveelheden informatie sneller te analyseren.

Er is één overeenkomst die geldt voor alle toepassingen die werden genoemd: de informatie moet binnen het bedrijf blijven. Hoewel alle toepassingen realistisch zijn, zullen ze nooit van de grond komen zonder een goed fundament.

AI bouw je op je dataplatform, niet ernaast

Een goede AI-toepassing heeft een betrouwbare basis nodig. Daarom bouw je die het liefst op je bestaande dataplatform, en niet ernaast. Op zo’n platform is de data al ingeladen, getransformeerd, gedocumenteerd en beveiligd. Er is één plek waar alle bedrijfsinformatie samenkomt. Dit betekent dat er ook één definitie is van wat de informatie beschrijft.

Het AI-element kan dan als een module op het platform gezet worden. Zo kan het als verlengstuk van het bestaande platform fungeren met de gehele bedrijfscontext op de achtergrond. Op deze manier hoeft de toevoeging van AI maar een kleine stap te zijn.

Stel dat je als installatiebedrijf al verschillende rapportages hebt waarin je projectvoortgang, financiële prestaties, en werkorders bijhoudt. Bovendien gebruik je Copilot voor het sneller schrijven van e-mails en documenten. Toch wil je niet steeds afhankelijk zijn van ‘vaste’ rapportages, maar ad-hoc vragen kunnen stellen aan je data en je contracten. Verder wil je inkoopfacturen sneller verwerken en storingen automatisch omzetten in werkbonnen. Afhankelijk van de uitdaging en de bijpassende oplossing kan je al snel aan de slag via de volgende stappen.

1. Zoeken

Via een MCP server en een simpele zoekfunctie voor AI-modellen kunnen je data en documenten op het platform snel doorzoekbaar gemaakt worden. MCP (Model Context Protocol) is een open standaard die werkt als een beveiligde balie tussen AI en je data: het model kan alleen via die balie vragen stellen, en de balie controleert wie er vraagt en wat er mag. Meer hierover lees je in onze blog over MCP. Via MCP kan je bestaande chatbots zoals Copilot, of een andere AI-provider die je vertrouwt, koppelen aan je platform, zodat je in een vertrouwde omgeving blijft werken. Met deze toevoeging zal je vragen als “welke projecten lopen achter op de planning en wat is de marge tot nu toe?” en “wat is de reactietijd in het contract met klant X?” al snel kunnen beantwoorden, inclusief een verwijzing naar de bron.

2. Begrijpen

De zoekfunctie werkt goed om informatie te vinden die direct beschikbaar is in je systeem. Om verdere connecties te leggen en patronen te herkennen moet de AI een beter beeld krijgen van de beschikbare informatie. Hiervoor wordt een vector database aan het platform toegevoegd: een database die teksten opslaat op basis van hun betekenis, zodat een model ook informatie vindt die inhoudelijk op je vraag lijkt en niet alleen dezelfde woorden bevat. Hiermee zal je op “wat is de reactietijd in het contract met klant X?” ook de vervolgvraag “welke contracten bevatten vergelijkbare afspraken over responstijden?” of “welke projecten lijken qua problematiek op dit project?” kunnen stellen.

3. Redeneren

Wil je dat de AI informatie uit je data én je documenten combineert en daarover kan redeneren, dan komt er bovenop de vector database een RAG pipeline (Retrieval-Augmented Generation). Die zoekt bij elke vraag eerst de relevante informatie op en geeft die als context mee aan het model, zodat het antwoord gebaseerd is op jouw bedrijfsinformatie. Welke RAG-architectuur bij jouw situatie past, lees je in onze blog over RAG. Zo worden vragen mogelijk als “waarom lopen vergelijkbare projecten achter op planning?” of “welke klanten vertonen een combinatie van dalende marges en toenemende projectrisico’s?”

4. Handelen

Om dan daadwerkelijk processen te gaan automatiseren zal er een “orchestrator”, een element dat processen en functies kan aansturen, moeten worden toegevoegd. Zo kunnen binnenkomende inkoopfacturen automatisch worden uitgelezen, gecontroleerd en ter verwerking of goedkeuring worden aangeboden. Ook kan een binnenkomende storingsmelding automatisch worden geïnterpreteerd en omgezet in een werkbon voor de juiste medewerker. Omdat elk bedrijf eigen formaten en afspraken heeft, is deze stap vaak maatwerk.

Elke stap kan op zichzelf waarde leveren. Echter, dit alles moet natuurlijk wel veilig gebeuren, en het AI-element mag nooit meer rechten hebben dan de mensen die er gebruik van maken.

Veilig en onder controle

Ook de veiligheid regel je via het bestaande platform. Daar hebben gebruikers al toegang op basis van hun rollen of functies, bijvoorbeeld via hun Microsoft Entra ID-account. Deze rollen of functies worden doorgegeven aan het AI-element op het moment dat een medewerker er gebruik van maakt. Dit zorgt ervoor dat het AI-element alleen de informatie ziet die de gebruiker mag en kan zien. Bovendien kan het AI-element zó geconfigureerd worden dat het alleen kan lezen, en dus geen gegevens kan aanpassen.

De databases waar de chatfunctie gebruik van maakt, bieden ook de mogelijkheid om bij elk antwoord de bron te tonen. Afhankelijk van de locatie van de bestanden kan de bron van de informatie direct gelinkt worden in de chat. Als documenten van origine op het platform of in de cloud (bv. SharePoint) staan, dan kan je deze direct openen vanuit de chat. Bij bestanden die vanaf een externe bron (bv. AFAS) komen worden de documentlocatie en titel getoond.

Verder kunnen documenten als gevoelig worden bestempeld waardoor ze niet worden meegenomen in de functionaliteit. Bovendien kunnen volledige documentgroepen of locaties buiten beschouwing gelaten worden. Zo voorkom je dat persoonsgegevens op de verkeerde plek terechtkomen. In de databases wordt gevoelige informatie gemaskeerd of uitgesloten van de AI-functionaliteiten.

Tot slot wil je grip houden op hoe AI gebruikt wordt: hoe vaak, tegen welke kosten en met welke kwaliteit. Helemaal zonder risico is AI nooit, want ook een model kan zich vergissen. Daarom is het belangrijk om vooraf vast te leggen wie waarvoor verantwoordelijk is, op technisch, operationeel, ethisch en juridisch vlak.

Is jouw dataplatform klaar voor AI?

Zodra je een solide dataplatform hebt staan en je documenten zijn opgeslagen in de cloud of in je ERP-systeem, ben je klaar voor de stap richting AI. In een traject met Blenddata zorgen we ervoor dat je documenten goed gelabeld zijn, je data beschreven is (bijvoorbeeld in dbt) en duidelijk is wie eigenaar is van welke data. Zo leggen we een betrouwbare basis voor AI, met oog voor de kwaliteit van de informatie. Want blijft de kwaliteit aan de inputkant achter, dan is de output ook niet te vertrouwen. Via de bestaande gebruikersrechten zorgen we voor een oplossing binnen je bestaande veiligheids- en governanceraamwerk.

Vervolgens voegen we, afhankelijk van je vraagstuk, de juiste AI-onderdelen toe en kan je snel aan de slag met de eerste vragen. Zo heb je snel een eerste versie en kan je daarop stap voor stap voortborduren. Bovendien zijn de beschreven oplossingen niet afhankelijk van één model. Omdat MCP met verschillende AI-modellen werkt, kan je overstappen van Copilot naar Claude, of naar een Europese provider als Mistral, zonder je platform opnieuw te bouwen. Zo voorkom je een vendor lock-in.

Heb je nog geen dataplatform? Geen probleem! Dan zetten we eerst een goed fundament neer.

AI is pas waardevol als je het kunt vertrouwen

AI is inmiddels niet meer weg te denken uit ons dagelijkse (werk)leven. Waar grotere bedrijven het ook inzetten voor hun eigen tools, is het voor MKB’ers soms nog lastig om het volledige potentieel te benutten.

Echter, ook die stap is al heel dichtbij. Met een betrouwbaar dataplatform als fundament is er maar één stap nodig om interactie te hebben met je eigen data. Vanaf daar zijn de mogelijkheden enorm.

Deze mogelijkheden vallen of staan met de kwaliteit van de onderliggende data. Bij Blenddata helpen we je om de juiste stappen te nemen naar een veilige, betrouwbare en hoogwaardige AI oplossing waar je op kan bouwen.

Hoe ga jij mee in de AI transitie?

Wij nemen je graag mee in je reis.

Contact

Roel Smits

Co-founder | Data Architect