# AI-toepassingen kiezen in kmo’s · La PME en clair 03 · DTSC

> Naarmate toegang tot technologie gemeengoed wordt, verschuift het voordeel naar de kwaliteit van de beslissingen eromheen.

Source: https://www.dtsc.be/nl/inzichten/ed03/

[Alle edities](https://www.dtsc.be/nl/newsletter/)

De kmo in heldere taal / Editie 03

Oktober 2026 · Junior Cantos Garrido · 20 min · 11 pagina’s

Pagina

Het tijdschrift, aangepast aan uw scherm. Vind de oorspronkelijke opmaak met “Formaat A4”.

Editie 03 · De kmo helder uitgelegd

Innovatie & AI

Onderzoek · Innovatie · Governance · Besluitvorming · Kmo

# AI kan overal worden ingezet. De echte beslissing is waar ze bevoegdheid krijgt.

Naarmate toegang tot technologie gemeengoed wordt, verschuift het voordeel naar de kwaliteit van de beslissingen eromheen.

DTSC | De kmo helder uitgelegd · Oktober 2026

Geschreven en gemaakt door Junior Cantos Garrido voor DTSC

Opening · De beslissing vóór de tool

Innovatie & AI

## AI is gemakkelijk uit te proberen geworden. Kiezen wordt het echte vraagstuk.

Bedrijven hebben nog nooit zo eenvoudig toegang gehad tot mogelijkheden van artificiële intelligentie. Schrijven, analyseren, zoeken, voorspellen, classificeren, aanbevelen, dialogeren, een actie starten: de technische grens schuift snel op. Voor een bedrijfsleider verandert het probleem daardoor van aard. Het gaat niet langer alleen om AI invoeren. Het gaat erom te beslissen waar AI haar plaats verdient in de onderneming, wat we eraan willen toevertrouwen en hoe we bewijzen dat ze werkelijk waarde creëert.

20 %

van de EU-ondernemingen met 10 werknemers of meer gebruikte AI in 2025.

19 %

voor kmo’s in de EU met 10 tot 249 werkzame personen, in de onderzochte sectoren.

35 %

in België, een van de hoogste percentages in de Unie.

29 %

van de kmo-gebruikers in de OESO-enquête gebruikt generatieve AI voor hun kernactiviteiten.

Het tafereel is samengesteld. Het vertelt niet het verhaal van één specifieke onderneming, maar bundelt situaties die alledaags zijn geworden.

Een directievergadering. Enkele verantwoordelijken rond de tafel. In het midden een lijst met ideeën.

Een assistent die commerciële afspraken voorbereidt. Een AI die contracten kan lezen. Een agent voor klantvragen. Automatisering voor facturen. Een tool voor verkoopprognoses. Copilot voor de teams. Een systeem dat verspreide kennis in de onderneming kan terugvinden.

Aan ideeën ontbreekt het niemand.

Toch volstaat één vraag om de vergadering te veranderen.

Welk van deze ideeën verdient werkelijk ons geld, onze tijd en onze aandacht?

Dit is niet langer een discussie over wat technologie kan. Het is een discussie over de onderneming. En waarschijnlijk begint daar het moeilijke deel.

In 2025 meldden 20 % van de Europese ondernemingen met tien of meer werknemers dat ze minstens één kunstmatige intelligentietechnologie gebruikten, tegen 13,5 % een jaar eerder. Bij kmo’s met 10 tot 249 werknemers bedroeg dit aandeel 19 %, tegen 55 % bij grote ondernemingen. Met 35 % telde België tot de Europese landen waar het gebruik het meest verspreid was. [1]

Een ander onderzoek, eind 2024 uitgevoerd door de OESO bij meer dan 5.000 kmo’s in Oostenrijk, Canada, Duitsland, Ierland, Japan, Korea en het Verenigd Koninkrijk, kwam voor generatieve AI alleen tot een nog hoger cijfer: bijna 31% van de bevraagde ondernemingen gaf aan ze te gebruiken. De twee statistieken meten noch exact dezelfde populatie, noch exact dezelfde technologieën en mogen dus niet worden vergeleken alsof ze van dezelfde thermometer afkomstig zijn. Maar ze beschrijven dezelfde beweging. Het gebruik verlaat de kring van pioniers. [2]

Het interessantste detail van het OESO-onderzoek ligt elders. Van de kmo’s die generatieve AI gebruikten, gaf minder dan drie op tien aan die in hun kernactiviteiten te gebruiken, dus in activiteiten die rechtstreeks hun belangrijkste goederen, diensten of inkomsten voortbrengen. Het gebruik bleef sterker geconcentreerd op perifere taken, vaak eenvoudig of occasioneel. [2]

Daar staan veel ondernemingen misschien vandaag. Ze ontdekken AI niet meer. Ze zoeken nog waar ze haar moeten inzetten.

En binnenkort zal zelfs die vraag niet meer volstaan.

Wanneer een technologie theoretisch bijna overal kan ingrijpen, komt het voordeel immers niet langer van het vermogen om een use case te vinden. Het komt van het vermogen om de slechte uit te sluiten.

Het AI-probleem in ondernemingen is misschien nu al niet langer een gebrek aan ideeën. Het is het ontbreken van voldoende solide criteria om ertussen te kiezen.

DTSC | De kmo helder uitgelegd

Editie 03 · 02

01 · Waarde vóór technologie

Het probleem komt vóór de tool

## De eerste keuze is soms om géén AI te gebruiken.

Een AI-project kiezen betekent eerst kiezen tussen problemen, niet tussen modellen.

De verleiding is begrijpelijk. Er verschijnt een technologie. Ze is spectaculair. De instapkost is laag. Concurrenten praten erover. Medewerkers experimenteren al. Leveranciers voegen AI-functies toe aan bijna alle software.

De vraag komt vanzelf: Wat zouden we ermee kunnen doen?

Dat is misschien de verkeerde eerste vraag.

Een directie beschikt zelden over onbeperkte tijd, geld en verandervermogen. Een AI-project kiezen betekent bijna altijd iets anders níét doen.

Het vertrekpunt moet dus in de onderneming liggen, niet in de technologie.

↑Aan ideeën ontbreekt het niemand. De moeilijkheid is de slechte eruit filteren.

Een te lange commerciële doorlooptijd. Informatie die moeilijk te vinden is. Administratieve fouten. Een overbelast team. Expertise die bij twee personen geconcentreerd zit. Niet meer dossiers kunnen behandelen zonder aan te werven. Een verslechterde klantervaring. Een beslissing die systematisch te laat komt.

Het probleem komt vóór de tool.

Die nuance lijkt banaal, tot blijkt dat de intelligentste oplossing soms helemaal geen artificiële intelligentie bevat.

Een goedkeuring schrappen kan doeltreffender zijn dan ze automatiseren. Twee softwaresystemen koppelen kan robuuster zijn dan een agent heen en weer laten pendelen. Een formulier aanpassen kan honderden correcties voorkomen. Een klassieke bedrijfsregel kan goedkoper, voorspelbaarder en eenvoudiger te auditen zijn dan een generatief model.

Innovatie bestaat er niet in zoveel mogelijk beschikbare technologie te gebruiken. Ze bestaat erin een betere manier te vinden om een resultaat te produceren dat ertoe doet.

AI ontsnapt niet aan die regel.

Schrappen

Ga na of een stap nog nodig is voordat u die automatiseert.

Koppelen

Een klassieke integratie kan robuuster en voorspelbaarder zijn.

Vereenvoudigen

AI is geen vervanging voor een bedrijfsregel of een goed ontworpen formulier.

DTSC | De kmo helder uitgelegd

Editie 03 · 03

02 · Het echte werk

Officieel proces, werkelijk proces

## Een goed probleem volstaat niet.

Het officiële proces en het werkelijke proces zijn niet altijd hetzelfde.

Laten we nu aannemen dat het probleem echt is.

Een kmo wil de tijd verkorten die nodig is om commerciële offertes op te stellen.

Op papier lijkt AI voor de hand te liggen. Ze zou de aanvraag kunnen lezen, relevante informatie terugvinden, een antwoord voorbereiden en een offerte voorstellen.

Daarna kijken we naar het werk zoals het werkelijk gebeurt.

↑Het officiële proces bestaat. Het werkelijke proces ook. Ze zijn niet altijd hetzelfde.

Sommige aanvragen komen via een formulier, andere per e-mail. Trouwe klanten bellen rechtstreeks naar de verkoper. Tarieven staan in de ERP, behalve bepaalde onderhandelde voorwaarden. Kortingen volgen een rooster, behalve voor enkele strategische accounts. Een capaciteitscontrole is voorzien, maar wordt omzeild wanneer een dossier dringend is. Sommige essentiële informatie zit nog altijd in het hoofd van ervaren mensen.

Het officiële proces bestaat. Het werkelijke proces ook. Ze zijn niet altijd hetzelfde.

AI koppelen aan een vaag proces kan er gewoon voor zorgen dat de vaagheid sneller circuleert.

Het zou echter fout zijn daaruit te besluiten dat een proces perfect gestandaardiseerd moet zijn vóór AI kan worden gebruikt.

Dat zou net een deel negeren van wat deze technologieën interessant maakt.

Huidige modellen kunnen werken met natuurlijke taal, onvolmaakte documenten en minder gestructureerde situaties dan oudere automatiseringen. Daardoor kunnen ze soms variabiliteit verwerken die automatisering vroeger te complex zou hebben gemaakt.

Het echte onderwerp ligt elders.

De onderneming moet weten hoeveel ambiguïteit ze aan de machine wil overlaten.

Een aanvraag lezen is één ding. Detecteren dat informatie ontbreekt is iets anders. Een prijs voorstellen is weer iets anders. Een korting toekennen, capaciteit vastleggen of zonder menselijke validatie een ongebruikelijke offerte versturen verandert de aard van het systeem volledig.

Op dat moment spreken we niet meer alleen over automatisering. We spreken over macht.

Vanaf een bepaald niveau spreken we niet meer alleen over automatisering. We spreken over macht.

DTSC | De kmo helder uitgelegd

Editie 03 · 04

03 · Autonomie

Het recht om te handelen

## Niet elke AI heeft hetzelfde recht om te handelen.

De vraag is niet alleen wat het systeem kan, maar ook wat de organisatie eraan wil delegeren.

Het gesprek wordt veel duidelijker zodra projecten niet meer per technologie maar per autonomieniveau worden ingedeeld.

Een AI kan observeren. Ze leest, classificeert, zoekt, extraheert of detecteert.

Ze kan ondersteunen. Ze vat samen, bereidt voor, vertaalt, herformuleert of maakt een eerste versie.

Ze kan aanbevelen. De mens blijft beslisser maar krijgt een voorstel.

↑De grens tussen die niveaus is allesbehalve academisch.

Ze kan ook handelen. Een applicatie bijwerken, een bericht versturen, een bestelling aanmaken, een sequentie starten.

Tot slot proberen zogenaamde agentische systemen een doel na te streven door meerdere acties met meer autonomie na elkaar uit te voeren.

De grens tussen die niveaus is allesbehalve academisch.

Een fout in de samenvatting van een interne vergadering weegt niet even zwaar als een foutieve prijs die naar een klant wordt gestuurd. Een slechte formulering heeft niet dezelfde gevolgen als een beslissing die een aanwerving, betaling of contractuele verplichting beïnvloedt.

De technische vooruitgang is snel, maar autonomie betekent niet altijd absolute betrouwbaarheid. De Stanford AI Index 2026 toont aanzienlijke winsten op verschillende benchmarks, maar stelt vast dat agentische systemen onvolmaakt blijven bij gestructureerde taken. In de ondervraagde organisaties bereikte de algemene adoptie van AI 88% in 2025, terwijl de implementatie van agents in bijna alle bestudeerde functies onder de 10% bleef. [3]

Die kloof vertelt iets belangrijks.

Ondernemingen staan veel verder in het gebruik van AI dan in het delegeren van handelen aan AI.

En waarschijnlijk hebben ze gelijk om beide te onderscheiden.

De vraag is dus niet alleen of de technologie een taak kan uitvoeren. Het gaat erom te beslissen welk niveau van fout, autonomie en gevolg de organisatie bereid is te aanvaarden.

Vijf autonomieniveaus

01

Observeren

Lezen, zoeken, extraheren, detecteren.

02

Ondersteunen

Samenvatten, voorbereiden, herformuleren.

03

Aanbevelen

Voorstellen, de mens beslist.

04

Handelen

Schrijven, versturen, creëren, activeren.

05

Nastreven

Acties na elkaar uitvoeren richting een doel.

DTSC | De kmo helder uitgelegd

Editie 03 · 05

04 - 05 · Technologie & governance

Een capaciteit kiezen, het gebruik besturen

## Het beste model is niet noodzakelijk de beste beslissing.

Een benchmark kiest een model. Strategie kiest een capaciteit.

Het werk

Probleem, volume, data, aanvaardbaar foutniveau.

De AI-capaciteit

Ingebouwde functie, model, API, RAG, bedrijfsoplossing, agent.

Het systeem

Integratie, kosten, controle, omkeerbaarheid, verantwoordelijkheid.

04

### Een capaciteit kiezen

Zodra het probleem gekozen en het autonomieniveau bepaald is, komt de markt in beeld.

ChatGPT, Copilot, Gemini, Claude, AI-functies in CRM of ERP, gespecialiseerde bedrijfsoplossingen, API’s, interne zoekmachines voor documenten, automatiseringsplatformen, open modellen, agents.

De keuze is duizelingwekkend.

Dat duwt ondernemingen vanzelf naar modelvergelijkingen. Welk model is het krachtigst? Welke benchmark zet het ene voor het andere? Wie bracht de nieuwste functie uit?

Die vragen hebben nut. Toch beschrijven ze slechts een fractie van de beslissing.

Voor een onderneming kan een iets minder performant model dat al geïntegreerd is in haar omgeving, correct wordt bestuurd en voldoende betrouwbaar is veel nuttiger zijn dan een benchmarkkampioen die losstaat van de rest van het systeem.

Wat de onderneming werkelijk kiest, is dus niet alleen artificiële intelligentie. Ze kiest een gebruiksarchitectuur.

Hoe komt de data binnen? Wat mag het systeem raadplegen? Wat bewaart de leverancier? Met welke software moet het communiceren? Hoe wordt een antwoord gecontroleerd? Wat gebeurt er wanneer het onzeker is? Hoeveel kost het systeem wanneer het de pilotfase verlaat en duizenden operaties verwerkt? En vooral: kunnen we van tool veranderen zonder onze volledige manier van werken opnieuw op te bouwen?

Het onderwerp is niet het logo bovenaan het scherm. Het onderwerp is de afhankelijkheid die errond wordt opgebouwd.

05

### Het gebruik besturen

Terwijl de directie haar beleid voorbereidt, experimenteren de teams al.

AI-governance heeft een bijzonder kenmerk: in veel ondernemingen begint ze nadat het gebruik al gestart is.

Een medewerker vat een contract samen in een chatbot. Een andere bereidt een antwoord voor een klant voor. Iemand van HR herwerkt een vacature. Een verkoper analyseert een voorstel. Een manager vat vertrouwelijke notities samen.

Niemand heeft noodzakelijk gewacht tot een directiecomité een officieel beleid goedkeurde.

Precies daarom kan governance niet beperkt blijven tot verbieden.

Een te strikte regel duwt gebruik in de schaduw. Het ontbreken van regels laat elke medewerker alleen beslissen over vragen rond data, vertrouwelijkheid, kwaliteit of verantwoordelijkheid die hij of zij niet noodzakelijk hoeft te beheersen.

Per 21 oktober 2026 gelden de verboden en verplichtingen inzake AI-beheersing sinds 2 februari 2025; de transparantieverplichtingen van artikel 50 gelden sinds 2 augustus 2026, met een overgangsperiode tot 2 december 2026 voor bepaalde systemen die reeds op de markt zijn. De Europese planning voorziet in 2 december 2027 voor hoog-risicosystemen uit bijlage III en in 2 augustus 2028 voor systemen die zijn geïntegreerd in gereguleerde producten. [5]

Voor een kmo zou dit meteen omvormen tot een juridisch traktaat echter de essentie missen.

De eerste governance is praktisch.

Teams moeten weten welke tools ze mogen gebruiken, welke informatie er niet in mag worden ingevoerd, in welke situaties een output verplicht gecontroleerd moet worden en wie verantwoordelijk blijft voor de beslissing.

Ze moeten ook een probleem kunnen melden. En de onderneming moet weten hoe ze kan stoppen wat ze in productie heeft gebracht.

Het vrijwillige NIST-kader formaliseert die logica rond vier functies: Govern, Map, Measure en Manage. Het benadrukt onder meer het testen van systemen vóór implementatie, monitoring tijdens gebruik, herstelmogelijkheden en mechanismen om systemen te stoppen of terug te trekken.

Achter de terminologie zit een eenvoudig idee.

Een uitgerolde AI is nooit een afgewerkt project. [6]

Het is een systeem dat blijvend geobserveerd moet worden.

Govern

Verantwoordelijkheden, regels, vaardigheden en beleid.

Map

Gebruik, context, mensen, data en gevolgen.

Measure

Tests, kwaliteit, fouten, risico’s, prestaties.

Manage

Monitoring, correctie, herstel, stopzetting of terugtrekking.

DTSC | De kmo helder uitgelegd

Editie 03 · 06

06 · Innovatie

Experimenteren, leren, beslissen

Een nuttig experiment dient niet om te tonen dat de tool werkt. Het dient om onzekerheid te verminderen.

## Innovatie begint waar zekerheid stopt.

Het recht om te experimenteren heeft geen waarde zonder het recht om te stoppen.

Er blijft dan één probleem dat procedures niet kunnen oplossen.

Niemand weet vooraf met zekerheid welke AI-toepassingen de meeste waarde zullen creëren.

Precies daarom is experimenteren nodig.

Maar een experiment is geen kleine implementatie. Het is een georganiseerde manier om onzekerheid te verminderen.

Stel dat een commercieel team veel tijd besteedt aan het voorbereiden van afspraken.

De verleiding bestaat erin een AI-assistent te installeren, enkele verkopers te laten testen en vervolgens te vragen of ze tevreden zijn.

Het experiment klinkt aantrekkelijk. Het leert weinig.

Een echte hypothese zou veeleisender zijn: Wij denken dat een assistent die automatisch klantcontext kan voorbereiden de voorbereidingstijd kan verkorten zonder de kwaliteit van afspraken te verminderen.

Vanaf daar verandert de aard van de test.

Eerst de situatie begrijpen, dan de tool kiezen. De reikwijdte voldoende klein houden. Observeren wat er gebeurt. Vergelijken. De fouten begrijpen. Kijken naar wat gebruikers daadwerkelijk doen, niet alleen naar wat ze zeggen.

En dan beslissen.

Doorgaan. Aanpassen. Uitbreiden. Of stoppen.

Die laatste mogelijkheid is essentieel.

Anders bezit de onderneming geen portefeuille van experimenten. Ze bouwt geleidelijk een portefeuille van kosten op.

Een mature directie tegenover AI doet niet alsof ze de toekomst kent. Ze kan zeggen: we weten nog niet of dit goed genoeg zal werken, maar we weten wat we willen leren, hoeveel we bereid zijn te investeren om dat te leren en welk bewijs ons zal doen doorgaan of stoppen.

Dat is vandaag misschien de nuttigste vorm van innovatiegovernance.

Noch absolute controle. Noch fascinatie. Een discipline van onzekerheid.

Vier fasen van een experiment

1. Afbakenen

Startsituatie en hypothese.

2. Testen

Beheerste scope, duur en blootstelling.

3. Leren

Werkelijk gebruik, fouten, geobserveerde effecten.

4. Beslissen

Uitbreiden, aanpassen of stoppen.

DTSC | De kmo helder uitgelegd

Editie 03 · 07

07 · ROI & gerealiseerde waarde

Van tijdwinst naar gerealiseerde waarde

## Tijd winnen is nog geen geld verdienen.

14 %

meer opgeloste problemen per uur, gemiddeld, in de versie uit 2023 van de NBER-studie.

34 %

bij beginnende of minder goed presterende agents.

65 %

van de kmo’s die GenAI gebruiken melden betere prestaties.

45 %

melden geld te hebben bespaard.

Productiviteitswinst door AI is niet theoretisch.

In de versie van 2023 van hun studie, uitgevoerd op 5.179 klantenserviceagenten, observeerden Erik Brynjolfsson, Danielle Li en Lindsey Raymond een gemiddelde toename van 14% in het aantal per uur opgeloste problemen na de invoering van een generatieve AI-assistent. Het effect bedroeg 34% bij beginnende of minder presterende agenten, terwijl het bij de meest ervaren agenten laag was. [4]

Dat is een indrukwekkend resultaat.

Het is ook een uitstekend voorbeeld van hoe studies niet gelezen moeten worden.

Het betekent niet dat ‘AI de productiviteit met 14% verhoogt’.

Het betekent dat een specifieke tool, toegepast op een specifieke activiteit, in een specifieke omgeving en volgens een specifieke maatstaf, dit resultaat opleverde.

De context maakt deel uit van het resultaat.

Ook de door de OESO bevraagde kmo’s melden voordelen. Van de gebruikers van generatieve AI zegt 65% dat die de prestaties van medewerkers verbeterde, 45% dat ze geld konden besparen, ongeveer 35% dat ze nieuwe taken konden uitvoeren of nieuwe producten of diensten konden aanbieden, en 26% dat ze hielp de omzet te verhogen. De OESO preciseert echter dat haar onderzoek de omvang van deze effecten niet meet.

Die nuance is bijzonder belangrijk. [2]

‘AI bespaart ons tijd’ is nog geen businesscase.

Stel dat een verkoper vijf uur per week bespaart. Wat gebeurt er met die tijd?

Als hij of zij die capaciteit gebruikt om meer prospects te ontmoeten, betere voorstellen voor te bereiden of sneller te antwoorden, kan de onderneming de winst omzetten in waarde.

Als de persoon gewoon met iets minder druk werkt, bestaat het effect ook. Dat kan menselijk wenselijk en operationeel nuttig zijn. Maar het is niet hetzelfde economische resultaat.

Daarom zegt het aantal geactiveerde licenties, verstuurde prompts of zelfs theoretisch bespaarde uren weinig over het succes van een AI-strategie.

De interessante maatstaf ligt verderop.

Doorlooptijd. Marge. Conversie. Kwaliteit. Capaciteit. Fout. Servicekost. Klanttevredenheid. Omzet. Cash. Of eenvoudigweg een activiteit die vroeger onmogelijk was met de beschikbare middelen.

De indicator hangt af van het oorspronkelijke probleem. Hij moet dus bestaan vóór de onderneming verliefd wordt op de oplossing.

Vrijgemaakte capaciteit heeft alleen economische waarde als de onderneming weet wat ze ermee wil doen.

Doorlooptijd

Marge

Conversie

Kwaliteit

Capaciteit

Cash

DTSC | De kmo helder uitgelegd

Editie 03 · 08

08 · Menselijk werk

Waar expertise waardevol wordt

## Menselijk werk verdwijnt niet. De waarde ervan verschuift.

Wanneer een deel van de uitvoering wordt overgenomen, waar willen we dan oordeel, relatie en expertise naartoe verschuiven?

Het gesprek over AI keert vaak terug naar een spectaculaire vraag: Welke beroepen zullen verdwijnen?

Voor een kmo-leider ligt de nuttige vraag vaak veel dichterbij.

Wat zal ik voortaan van deze persoon verwachten?

↑AI vermindert de behoefte aan expertise niet noodzakelijk. Ze kan verschuiven waar die expertise waardevol wordt.

Als AI een eerste analyse maakt, verschuift meer waarde naar het vermogen om die te begrijpen en in vraag te stellen.

Als ze de commerciële afspraak voorbereidt, kan de mens meer tijd besteden aan het begrijpen van de klant, onderhandelen of de relatie opbouwen.

Als AI een eerste versie van een document maakt, ligt de vaardigheid niet langer alleen in het kunnen schrijven, maar ook in het oordeelsvermogen om te herkennen wat fout, onvolledig of gevaarlijk is.

De studie van Brynjolfsson, Li en Raymond suggereert ook dat assistentie een deel van de praktijken van de best presterende medewerkers kan verspreiden naar minder ervaren medewerkers, waardoor zelfs leermechanismen kunnen veranderen. [4]

De OESO observeert dezelfde paradox vanuit een ander perspectief. Onder de kmo’s die gebruikmaken van AI en een vaardigheidsgebrek hebben ervaren, geloven 39% dat generatieve AI hen heeft geholpen dit te compenseren. Tegelijkertijd concludeert de enquête dat meer kmo’s een toename dan een afname van hun behoefte aan hooggekwalificeerde werknemers melden. [2]

AI vermindert de behoefte aan expertise dus niet noodzakelijk.

Ze kan verschuiven waar expertise waardevol wordt.

Die verschuiving moet worden gestuurd.

Automatisering verandert immers niet alleen een proces. Soms verandert ze een beroep. En wanneer een beroep verandert, belandt de vraag uiteindelijk bij het management.

39 %

van de kmo-gebruikers die met een tekort aan vaardigheden te maken hadden, zegt dat GenAI hielp dit te compenseren.

DTSC | De kmo helder uitgelegd

Editie 03 · 09

Tool · LUCID-beslissingsmatrix voor AI

Zes dimensies

## Zes dimensies om terug te keren naar een beslissing van de bedrijfsleiding.

Een bedrijf heeft geen dossier van vijftig pagina's nodig om een eerste idee te onderzoeken. Het kan beginnen met zes dimensies.

01

### Waarde

Welk bedrijfsprobleem willen we werkelijk verminderen, of welke kans willen we creëren?

02

### Werk

Welk deel van het werk willen we veranderen en begrijpen we voldoende wat daar vandaag gebeurt?

03

### Technologie

Waarom is hier AI nodig, en waarom deze oplossing in plaats van een eenvoudigere aanpak?

04

### Autonomie

Observeert, ondersteunt, adviseert of handelt het systeem? Waar neemt de mens opnieuw de controle?

05

### Governance

Welke data gebruikt het? Wie is verantwoordelijk voor het resultaat? Hoe wordt het systeem getest, gemonitord, gecorrigeerd en eventueel stopgezet?

06

### Impact

Welk bewijs bepaalt de volgende stap: doorgaan, uitbreiden, aanpassen of stoppen?

Deze matrix is geen op zichzelf staande wetenschappelijke standaard. Ze vertaalt principes rond waardecreatie, transformatie van werk, experimenteren en risicobeheer die onder meer terugkomen in het werk van de OESO en in het AI Risk Management Framework van NIST naar een operationeel kader voor kmo’s.

### De test die vaak meer onthult dan het antwoord

Neem één AI-project dat momenteel in de onderneming wordt overwogen. Vraag de betrokken personen afzonderlijk op deze zes dimensies te antwoorden. Vergelijk daarna.

Als drie bedrijfsleiders drie verschillende problemen aanwijzen, is technologie waarschijnlijk nog niet het onderwerp.

Als iedereen het product kent maar niemand kan uitleggen waarom AI nodig is, is de oplossing te vroeg gekozen.

Als de voordelen duidelijk zijn maar niemand weet hoe ver het systeem mag handelen, ligt de uitdaging bij autonomie.

Als het experiment geen stopvoorwaarde heeft, is het misschien al geen experiment meer.

En als alle zes antwoorden identiek zijn?

Dan is succes niet gegarandeerd. Maar de organisatie weet tenminste wat ze probeert te bewijzen.

DTSC | De kmo helder uitgelegd

Editie 03 · 10

Conclusie · De LUCID-vraag

Oordeelsvermogen is niet te downloaden

## Het volgende voordeel zal niet liggen in toegang tot AI.

De technologie zal blijven vooruitgaan. Nieuwe functies zullen in dagelijkse software terechtkomen. Activiteiten die vandaag experimenteel zijn, zullen alledaags worden. Sommige huidige beloften zullen waarschijnlijk even snel verdwijnen als ze verschenen.

In die omgeving zal kunnen zeggen ‘wij gebruiken AI’ binnenkort even weinig strategische waarde hebben als kunnen zeggen ‘wij gebruiken internet’.

Toegang wordt gemeengoed. Oordeelsvermogen is niet te downloaden.

Eerst moet duidelijk zijn welk probleem het verdient om te worden aangepakt. Het werk voldoende begrijpen om te beslissen wat kan worden gedelegeerd. Een technologie kiezen zonder onnodige afhankelijkheid te creëren. Autonomie geven in verhouding tot de gevolgen van een fout. Teams laten experimenteren zonder verantwoordelijkheid los te laten. Waarde meten in plaats van activiteit. Aanvaarden dat wat niet werkt, wordt stopgezet. En het menselijke werk opnieuw vormgeven wanneer de machine een deel van de uitvoering overneemt.

De strategische vraag is dus misschien niet: ‘Wat is onze AI-strategie?’

Ze kan veel concreter beginnen.

Welke beslissing zijn we bereid deze technologie in onze plaats te laten nemen, en waarom precies die?

Belangrijkste bronnen

[1] Eurostat, Digitalisation in Europe - 2026 edition, ‘AI in business’. 20% EU, 19% kmo’s, 55% grote ondernemingen, 35% België in 2025. ec.europa.eu/eurostat

[4] NBER, Brynjolfsson, Li & Raymond, Generative AI at Work, Working Paper 31161, herziene versie van november 2023: 5.179 agents, gemiddeld +14%, +34% bij beginners en zwakke prestaties. nber.org

[2] OESO, Generative AI and the SME Workforce: New Survey Evidence, 2025. Representatieve enquête bij meer dan 5.000 kmo’s in 7 landen. oecd.org

[5] Europese Commissie, Timeline for the Implementation of the EU AI Act, kalender geraadpleegd op 21 oktober 2026, met inbegrip van de wijzigingen in de verordening. AI Act Service Desk

[3] Stanford HAI, AI Index Report 2026, Economy en Technical Performance. Organisatorische adoptie en prestaties van agents. hai.stanford.edu

[6] NIST, Artificial Intelligence Risk Management Framework, functies Govern, Map, Measure en Manage. airc.nist.gov

De LUCID-vraag

Welk AI-gebruik overweegt uw onderneming vandaag zonder nog duidelijk te kunnen zeggen welk probleem het oplost, welke macht u eraan wilt geven en welk bewijs een uitrol op grotere schaal zou rechtvaardigen?

dtsc.be · info@dtsc.be

[De LUCID-matrix opnieuw gebruiken](https://www.dtsc.be/nl/inzichten/ed03/#journal-page-10)

[Mijn situatie bespreken](https://www.dtsc.be/nl/contact/?sujet=La%20PME%20en%20clair%20-%20%C3%89dition%2003)

Credits

Geschreven en gemaakt door Junior Cantos Garrido voor DTSC

KMO-beheer by DT Services & Consulting

De kmo helder uitgelegd · Editie 03 -

11

Terugkeren naar het begin van het journal

Kmo’s

Leidt u een kmo?

Junior coördineert uw traject bij DTSC en zet, afhankelijk van uw project, de competenties van LUCID, SPARK en BRAIN in.

## Bronnen van deze editie.

Bekijk de bronnen van deze editie

[[1] Eurostat - Digitalisation in Europe, editie 2026: AI in ondernemingen, gegevens uit 2025](https://ec.europa.eu/eurostat/en/web/interactive-publications/digitalisation-2026)

[[2] OESO (2025) - Generative AI and the SME Workforce: New Survey Evidence](https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en.html)

[[3] Stanford HAI (2026) - AI Index Report](https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf)

[[4] Brynjolfsson, Li & Raymond - Generative AI at Work, NBER WP 31161, versie van november 2023](https://www.nber.org/system/files/working_papers/w31161/w31161.pdf)

[[5] Europese Commissie - Tijdlijn voor de toepassing van de AI Act, geraadpleegd op 21 oktober 2026](https://ai-act-service-desk.ec.europa.eu/en/ai-act/eu-ai-act-implementation-timeline)

[[6] NIST (2023) - AI Risk Management Framework 1.0](https://www.nist.gov/itl/ai-risk-management-framework)

## Lees verder.

Editie 00

Editie 00 · Augustus 2026 · 10 pagina's

### Een kmo zou niet moeten kiezen tussen advies en uitvoering.

Lees het tijdschrift

Editie 01

Editie 01 · September 2026 · 9 pagina's

### Een KMO heeft niet altijd een gebrek aan strategie. Vaak ontbreekt vooral de capaciteit om die uit te voeren.

Lees het tijdschrift

Editie 02

Editie 02 · September 2026 · 10 pagina's

### Uw dashboard kan perfect fout zijn.

Lees het tijdschrift
