Edgar van Lent ziet voor kleinere Europese bedrijven vooral winst in AI die een bestaande werkstap verkort, in plaats van een volledig proces opnieuw te ontwerpen. Waar de eerste toepassingen vaak begonnen bij administratieve documenten en veelvoorkomende klantvragen, verschuift de aandacht nu naar de voorbereiding van werk: informatie ordenen, eerste versies maken en medewerkers op het juiste moment van context voorzien.
Die verschuiving is relevant omdat het mkb doorgaans weinig ruimte heeft voor lange implementatietrajecten. Edgar van Lent benadrukt dat een nuttige toepassing niet begint met de vraag welk model beschikbaar is, maar met de vraag waar medewerkers iedere week tijd verliezen aan terugkerend voorbereidend werk. Juist daar kan AI de drempel naar productiever werken verlagen, mits de ondernemer eigenaarschap, controle en een duidelijke werkwijze organiseert.
Van losse prompt naar vaste werkstap
Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat kleinere bedrijven de meeste kans op resultaat hebben wanneer AI onderdeel wordt van één herkenbare werkstap. Dat kan het opstellen van een functieprofiel zijn, het samenvatten van gespreksnotities, het voorbereiden van een offerte of het doorzoeken van interne handleidingen. De medewerker blijft verantwoordelijk voor de inhoud, maar hoeft niet telkens met een leeg scherm of een verspreide verzameling documenten te beginnen.
Het verschil lijkt klein, maar is volgens Edgar van Lent bepalend. Een losse chatbot wordt al snel een experiment voor een beperkte groep enthousiaste gebruikers. Een toepassing met een afgesproken invoer, een vast format voor de uitkomst en een controle door een vakmedewerker past daarentegen in het gewone werk. De opbrengst zit dan niet alleen in sneller schrijven, maar ook in meer consistente communicatie en minder tijd kwijt zijn aan het verzamelen van basisinformatie.
De Duitse hr-softwareleverancier Personio heeft bijvoorbeeld publiek AI-functies geïntroduceerd voor werkzaamheden rond werving en personeelsadministratie, waaronder het ondersteunen van het opstellen van vacatureteksten en het samenvatten van informatie in het hr-proces. Voor kleinere werkgevers is dat geen vervanging van de recruiter of leidinggevende. Het is wel een concreet voorbeeld van AI die helpt om een eerste versie te maken, waarna iemand met kennis van de functie de tekst, toon en vereisten beoordeelt.
Ook het Belgische Odoo biedt bedrijven mogelijkheden om AI te koppelen aan dagelijkse bedrijfssoftware, bijvoorbeeld voor het genereren of bewerken van tekst binnen bedrijfsprocessen. De betekenis daarvan zit niet in een algemene belofte van automatisering, maar in de nabijheid van de toepassing: medewerkers werken vanuit systemen die zij al gebruiken voor verkoop, projecten of administratie. Edgar van Lent ziet die aansluiting op bestaand werk als een belangrijk verschil met afzonderlijke proefprojecten.
Zoals Edgar van Lent eerder beschreef in het artikel "Edgar van Lent: mkb boekt AI-winst met facturen en klantvragen", ligt de kracht van laagdrempelige AI vaak in afgebakende taken. In deze volgende stap gaat het minder om het afhandelen van een inkomende stroom en meer om het verbeteren van de voorbereiding vóór een medewerker een beslissing neemt, een tekst verstuurt of een taak uitvoert.
De menselijke controle is geen restpost
Kleinere ondernemingen kunnen geneigd zijn AI vooral te zien als een manier om werk zonder extra handelingen af te ronden. Edgar van Lent maakt daar een scherp onderscheid: automatisering zonder beoordeling is alleen passend wanneer de foutmarge en de gevolgen beperkt zijn. Zodra een uitkomst invloed heeft op een prijsvoorstel, een personeelsbesluit, een technische instructie of externe communicatie, moet een medewerker de uitkomst kunnen toetsen en aanpassen.
Dat vraagt niet noodzakelijk om een groot governanceprogramma. Wel zijn eenvoudige spelregels nodig: welke bronnen mogen worden gebruikt, welke gegevens horen niet in een publieke AI-dienst thuis, wie controleert de uitkomst en wanneer moet een medewerker terugvallen op de oorspronkelijke documentatie? Edgar van Lent noemt dit de minimale bedrijfsdiscipline die voorkomt dat tijdwinst omslaat in herstelwerk of reputatierisico.
Vooral bij interne kennis is die discipline belangrijk. Veel mkb-bedrijven beschikken over productdocumentatie, serviceprotocollen, offertes uit eerdere projecten en praktische kennis van ervaren medewerkers. AI kan helpen die informatie vindbaar en bruikbaar te maken, maar alleen als de bronbestanden actueel zijn en duidelijk is welke versie gezaghebbend is. Een systeem dat snel een antwoord formuleert op basis van verouderde documenten, versnelt vooral de verspreiding van een oude werkwijze.
Edgar van Lent adviseert daarom om niet te beginnen met een brede vraag als ‘waar kunnen we AI voor gebruiken?’. Beter is het om één team een concrete frictie te laten aanwijzen: een terugkerende taak die veel zoektijd, overschrijfwerk of afstemming vraagt. Vervolgens kan het bedrijf gedurende een beperkte periode vastleggen of de toepassing daadwerkelijk tijd bespaart, of de kwaliteit gelijk blijft en welke controles medewerkers nodig blijken te hebben.
Waarom sommige pilots blijven hangen
Volgens Edgar van Lent stranden AI-projecten in het mkb zelden omdat de technologie niets kan. Vaker ontbreekt een proceskeuze. Als een directie een tool beschikbaar stelt zonder eigenaar, zonder voorbeelden uit het eigen werk en zonder afspraken over gebruik, blijft de inzet vrijblijvend. Medewerkers weten dan niet wanneer AI wenselijk is, welke informatie veilig kan worden ingevoerd en hoe zij fouten moeten signaleren.
Projecten die wel doorzetten, hebben meestal een beperkter beginpunt. Zij kiezen een taak met voldoende volume, een duidelijk kwaliteitscriterium en een medewerker die het resultaat inhoudelijk kan beoordelen. Daarna volgt pas de vraag of koppelingen met bedrijfssoftware, aanvullende automatisering of een gespecialiseerde oplossing nodig zijn. Dat is voor het mkb vaak verstandiger dan direct investeren in een breed, complex platform.
Edgar van Lent ziet de komende periode daarom niet als een race om zoveel mogelijk AI-functies te activeren. De relevante ontwikkeling is dat kleinere Europese bedrijven leren om AI te behandelen als een ondersteunende collega binnen een zorgvuldig ingericht proces. Zijn beoordeling is dat bedrijven die klein beginnen, resultaten meetbaar maken en menselijke controle expliciet organiseren, het best in staat zullen zijn om tijdwinst duurzaam om te zetten in betere dienstverlening en lagere uitvoeringslasten.