AI implementatie: van plan naar werkende oplossing

Wat kost begeleiding bij AI implementatie en wie bouwt de oplossing?

Bij een AI implementatie bouwt het eigen team of een rechtstreeks gecontracteerde partner de oplossing; Dave Willemstein begeleidt vanuit de kant van de opdrachtgever door te helpen kiezen, kaders te stellen, de oplevering te toetsen en te zorgen dat de toepassing in de organisatie landt. Voor die begeleiding gelden gepubliceerde prijzen: het AI Readiness Assessment duurt 2-3 weken en kost €7.000, en doorlopende sturing door de Fractional AI Lead kost €2.600 - €10.400 per maand, voor 2, 4 of 8 dagen per maand. De kosten van bouw of licentie hangen af van de gekozen oplossing en leverancier en worden apart begroot, inclusief het beheer na oplevering.

Begeleiding bij AI implementatie: passende dienst per situatie

Situatie	Doorlooptijd	Prijs	Passende dienst
Onduidelijk of de organisatie klaar is voor een implementatie, of de meningen daarover lopen uiteen	2-3 weken	€7.000	AI Readiness Assessment
Een externe bouwpartij selecteren op vooraf vastgelegde criteria, getest op eigen data	3-6 weken	€9.800 - €15.400	Vendor Review
Doorlopende bewaking van meting, beheer en governance zonder fulltime Head of AI	2, 4 of 8 dagen per maand	€2.600 - €10.400 per maand, voor 2, 4 of 8 dagen per maand	Fractional AI Lead

Wordt er een marge gerekend op partners die de AI implementatie bouwen?

Nee. Bij een AI implementatie bouwt het eigen team of een partij die de opdrachtgever rechtstreeks contracteert. Er wordt geen marge op partners gerekend en er zijn geen commissies of partnerstatus bij leveranciers.

Moet er eerst een roadmap liggen voordat een AI implementatie kan starten?

Nee. Een ontbrekende roadmap is geen reden om met een AI implementatie te wachten. Het is wel een reden om het eerste traject klein en goed afgebakend te houden, zodat duidelijk wordt wat de organisatie aankan voordat de tweede en derde toepassing starten.

Wat kost bij een AI implementatie vaak meer tijd dan de techniek?

Adoptie kost bij een AI implementatie vaak meer tijd dan de techniek. De doorlooptijd van de implementatie zelf verschilt sterk per toepassing: een standaardproduct dat wordt geconfigureerd staat sneller dan maatwerk met koppelingen aan kernsystemen.

Bron: tarieven en doorlooptijden van Dave Willemstein. Bijgewerkt: oktober 2026.

Wat houdt AI implementatie in?

AI implementatie is het traject waarin een AI-toepassing van idee of pilot naar dagelijks gebruik gaat. Dat klinkt als een technische klus, maar het technische deel is vaak het kleinste. De modellen zijn goed en breed beschikbaar. Wat een implementatie laat slagen of mislukken, is of de toepassing past in het werk, of de data het aankan en of iemand er na de oplevering verantwoordelijk voor blijft.

Een implementatie omvat daarom meer dan bouwen:

• Een scherpe use case met een meetbaar doel en een eigenaar in de lijn.
• Data en systemen die de toepassing voeden, inclusief de koppelingen.
• Een keuze tussen bouwen, kopen of een partner, en daarna een bouwpartij die levert wat is afgesproken.
• Adoptie: mensen die hun werk anders gaan doen, niet alleen een licentie krijgen.
• Beheer, meting en governance, zodat de toepassing over een jaar nog steeds doet wat hij moet doen.

Het maakt weinig uit of het gaat om een interne assistent, documentverwerking, een chatbot implementatie voor klantvragen of een voorspellend model. De onderdelen zijn steeds dezelfde; alleen het gewicht verschilt. Gaat het vooral om het automatiseren van repetitieve stappen in een proces, dan vind je de specifieke aandachtspunten bij AI automatisering van processen en workflows.

AI implementatie: van strategie naar praktijk

Tussen een AI-strategie en een werkende toepassing zit een gat waar veel organisaties in blijven hangen. De strategie benoemt kansen en prioriteiten. De implementatie moet daar concrete keuzes van maken: welk proces, welke data, welke leverancier, welk budget, welke eigenaar en welk moment om te stoppen als het niet werkt.

Een goede AI-roadmap maakt die vertaling al half: ze zet use cases in volgorde en koppelt ze aan eigenaren en beslismomenten. Ligt er nog geen roadmap, dan is dat geen reden om te wachten. Wel is het een reden om het eerste traject klein en goed afgebakend te houden, zodat je leert wat je organisatie aankan voordat je de tweede en derde toepassing start.

Twijfel je of je er klaar voor bent, of lopen de meningen daarover uiteen? Dan is het AI Readiness Assessment het logische startpunt. In 2-3 weken weet je waar je staat op strategie, data, technologie, mensen en governance, en welke blokkades eerst weg moeten.

Mijn implementatieaanpak

Ik bouw en verkoop zelf geen software. Dat is een bewuste keuze: wie aan de bouw verdient, heeft belang bij een grotere scope. Mijn rol is die van onafhankelijk begeleider aan jouw kant: ik help kiezen, ik stel de kaders op waarbinnen gebouwd wordt, ik toets wat er wordt opgeleverd en ik zorg dat de toepassing in de organisatie landt. De aanpak volgt dezelfde logica als mijn werkwijze in vier stappen, toegespitst op de implementatiefase.

1. Use case en businesscaseDoel, eigenaar, drempel voor succes en stopcriteria
2. Data en systemenBronnen, kwaliteit, koppelingen, privacy
3. Bouwen en testenEigen team of partner bouwt; ik toets en stuur
4. Adoptie en trainingScenario's per rol, ambassadeurs, werkafspraken
5. Monitoren en optimaliserenMeetopzet, beheer, governance, bijsturen

Use case en businesscase

Elke implementatie begint met de vraag wat je werkelijk wilt verbeteren. “We willen een chatbot” is een oplossing; “klantvragen in de eerste lijn duren te lang” is een probleem waar je iets mee kunt. Samen formuleren we het doel in meetbare termen, wijzen we een eigenaar in de lijn aan en rekenen we de businesscase door, inclusief de beheerkosten na oplevering. Ook leggen we vast bij welke uitkomst we stoppen.

Oplevering: een afgebakende use case met doel, eigenaar, nulmeting, succesdrempel en stopcriteria.

Data en systemen

Veel implementaties lopen vast op data, niet op het model. Ik breng in kaart welke bronnen de toepassing nodig heeft, hoe betrouwbaar die zijn, welke koppelingen er moeten komen en wie de data beheert. Gaat het om persoonsgegevens, dan hoort de vraag of een DPIA nodig is aan het begin, niet vlak voor livegang. Meer over waarom dit fundament zo bepalend is, lees je in het datafundament onder AI.

Oplevering: een databeeld met de gaten die eerst dicht moeten, en een privacy- en risicoafweging.

Bouwen en testen

Het bouwen doet je eigen team, of een partij die jij rechtstreeks contracteert. Ik reken geen marge op partners en heb geen commissies of partnerstatus bij leveranciers; hoe dat werkt als ik een partij voorstel, staat op de pagina over het partnernetwerk. Mijn werk in deze fase:

• de keuze tussen bouwen, kopen of een partner onderbouwen, per onderdeel;
• bij een externe partij: een selectie op criteria die vooraf vastliggen, getest op jouw eigen data (dat is in de kern een Vendor Review);
• de acceptatiecriteria en de testset opstellen waartegen de oplevering wordt beoordeeld;
• in de stuurgroep bewaken dat scope, planning en kwaliteit kloppen, en de bouwpartij daarop aanspreken;
• afspraken over eigenaarschap, beheer en exit in het contract laten opnemen.

De pilot draait in het echte werkproces, met echte data, en niet in een aparte proefomgeving naast het werk.

Oplevering: een onderbouwde bouwkeuze, een testset met acceptatiecriteria en een getoetste oplevering.

Adoptie en training

Een werkende toepassing die niemand gebruikt, levert niets op. Adoptie ontwerp je: met concrete scenario’s per rol in plaats van een leeg invoerveld, met ambassadeurs in de teams zelf en met duidelijke regels over wat wel en niet mag. Waarom dat beter werkt dan iedereen een licentie en een training geven, lees je in het artikel AI-adoptie begint bij het werk, niet bij de tool. Waar nodig verzorg ik zelf workshops en trainingen voor de teams die ermee gaan werken.

Oplevering: een adoptieaanpak per rol, met scenario’s, ambassadeurs en werkafspraken.

Monitoren en optimaliseren

AI-toepassingen verslechteren soms stilletjes als de werkelijkheid verschuift. Daarom hoort er vanaf de start een meetopzet bij: wat meten we, hoe vaak, wie kijkt ernaar en wat gebeurt er als de kwaliteit zakt. Daarnaast richten we lichte governance in: een register van toepassingen, een poort voordat iets live gaat, een periodieke toets en een escalatiepad. Hoe je dat inricht zonder bureaucratie, beschreef ik in AI governance zonder bureaucratie.

Toets ook of de toepassing onder de AI-verordening als hoog risico geldt. Door het Digital Omnibus-pakket gelden de verplichtingen voor de meeste hoog-risicosystemen vanaf 2 december 2027 en voor AI in producten vanaf 2 augustus 2028, volgens de Europese Commissie. Wat dat voor jou betekent, lees je bij de AI Act in de praktijk.

Wil je iemand die deze fase doorlopend bewaakt, zonder een fulltime Head of AI aan te nemen? Dat is precies de rol van de Fractional AI Lead.

Oplevering: een meetopzet met nulmeting, een beheerplan met eigenaar en een governancekader dat past bij de omvang van je organisatie.

AI implementatie in het MKB

In het mkb zijn de principes hetzelfde, maar de omstandigheden anders. Er is minder budget voor experimenten, vaak geen eigen data-team en de directeur is tegelijk opdrachtgever, budgethouder en soms ook gebruiker. Dat is niet alleen een nadeel: besluiten gaan sneller en de afstand tussen idee en werkvloer is kort. AI implementeren in het mkb vraagt vooral om focus: één toepassing die goed landt, is meer waard dan vijf halve.

Waar begin je zonder groot IT-team?

Begin bij het werk, niet bij de techniek. Vraag in elk team welke taak van vorige week meer tijd kostte dan hij waard was. Dat levert binnen een uur per team een bruikbare lijst op. Kies daaruit een toepassing die:

• op één databron draait en geen zware koppelingen vraagt;
• door een bestaand product of platform kan worden ingevuld, zodat je niet hoeft te bouwen;
• een duidelijke eigenaar heeft die er zelf beter van wordt;
• binnen een paar maanden meetbaar resultaat kan laten zien.

Kopen is voor kleine en middelgrote bedrijven vaak de goedkoopste manier om te leren wat je echt nodig hebt. Je kunt later altijd nog bouwen, met een scherpere specificatie. Wat je wel nodig hebt, is iemand die de keuzes onafhankelijk toetst, zeker als een leverancier met een aantrekkelijke demo en een meerjarig contract op tafel ligt. Een stap-voor-stap route om zelf mee te starten vind je in het stappenplan voor AI implementatie.

Kosten en doorlooptijd

De kosten van een AI implementatie bestaan uit twee delen die je apart moet begroten: de bouw of licentie bij de leverancier of partner, en de begeleiding aan jouw kant. Het eerste deel hangt volledig af van de gekozen oplossing en de partij die hem levert; daar noem ik bewust geen bedrag voor, want een getal zonder scope zegt niets. Reken wel de beheerkosten na oplevering mee, want die worden het vaakst vergeten.

Voor de begeleiding werk ik met vaste diensten en gepubliceerde prijzen. Een AI Readiness Assessment kost €7.000 en duurt 2-3 weken. Voor doorlopende sturing tijdens de implementatie is de Fractional AI Lead er €2.600 / €5.200 / €10.400 per maand. Afgebakend advies en second opinions krijgen een vaste prijs per opdracht. Alle bedragen zijn exclusief btw en reiskosten; het complete overzicht staat op de pagina met tarieven en pakketten.

De doorlooptijd van de implementatie zelf verschilt sterk per toepassing. Een standaardproduct dat je configureert, staat sneller dan maatwerk met koppelingen aan je kernsystemen. Reken er wel op dat adoptie vaak meer tijd kost dan de techniek, en plan daar ruimte voor.

Veelgemaakte fouten bij AI implementatie

De meeste fouten zijn niet technisch. Ze gaan over eigenaarschap, beheer en verandering. Dit zijn de patronen die steeds terugkomen:

• De pilot beantwoordde de verkeerde vraag. “Kan het technisch?” is bijna altijd ja. De echte vraag is of het waarde oplevert bij het volume en in het proces waarin het moet draaien.
• De pilot draaide buiten het echte werk. Een aparte omgeving met enthousiaste testers zegt weinig over opschalen.
• Niemand is eigenaar van de fase erna. De projectleider is klaar bij oplevering, de lijn heeft geen capaciteit of budget gereserveerd.
• Beheer zat niet in de businesscase. Monitoring, modelupdates en een actuele testset kosten doorlopend tijd.
• De organisatie mocht niet veranderen. De besparing bestaat alleen als het werk ook echt anders wordt ingericht.

Ik schreef hier een uitgebreider stuk over, met een tegenmaatregel per oorzaak en een pilotcontract van één pagina: waarom AI-pilots blijven steken. Veel van deze fouten zijn te voorkomen met een goede voorbereiding. Wat je vooraf moet uitzoeken, lees je bij advies over AI implementatie.

Resultaten en cases

Twee cases laten zien hoe implementatiebegeleiding er in de praktijk uitziet. Bij een financiële dienstverlener ging het om AI-ondersteunde documentanalyse in het KYC-proces. Daar was het ontwerp van het werkproces het moeilijke deel: welke stappen zijn extractie en welke zijn oordeel, en hoe houd je elke beslissing herleidbaar tot een mens. Mijn rol lag bij de procesanalyse, het human-in-the-loop-ontwerp, de afstemming met compliance en de begeleiding van leverancier en implementatieteam.

Bij een zakelijke dienstverlener ging het om een interne AI-assistent voor kenniswerkers. De tool werkte prima; het probleem was adoptie. De oplossing zat in een paar concrete scenario’s in plaats van vrije chat, interne ambassadeurs en een bewuste keuze om sommige functies niet te bouwen.

Wie ik ben en waarom ik deze rol onafhankelijk invul, lees je op de pagina over mij. Wil je weten hoe dit voor jouw situatie zou werken? Plan een adviesgesprek van dertig minuten; aan het eind hoor je wat ik zou doen, ook als dat betekent dat je mij niet nodig hebt.