KMO's voorbereiden op AI: een praktische gids
In gesprekken met ondernemers hoor ik steeds vaker dezelfde vraag: "Moeten wij hier ook iets mee doen?" Het antwoord is simpel: ja, en het liefst begin je daar vandaag mee.
In dit artikel neem ik je mee door hoe ik een KMO zou voorbereiden op AI, of het nu een boekhoudkantoor, een bedrijf in de bouwsector of een winkel is.
Waarom nu, en niet volgend jaar?
Veel KMO's stellen AI uit tot "er meer tijd is" of tot iemand het hen komt uitleggen. Dat is begrijpelijk, maar niet slim. Je concurrent is er vandaag al mee bezig, en elke maand die je wacht is een maand voorsprong die je weggeeft.
Het goede nieuws: je moet niet meteen groots investeren. De opstartkost om degelijk te beginnen ligt rond de 2000 EUR: een toestel en de begeleiding van een AI business analist om alles correct op te zetten. Daarna reken je op ongeveer 150 EUR per maand, voor je LLM-abonnement en verdere begeleiding. Dat is minder dan wat de meeste KMO's uitgeven aan koffie en drukwerk.
En het effect is niet alleen professioneel. Eens je voelt hoeveel tijd een AI-assistent je bespaart bij het sorteren van mails of het opstellen van een planning, merk je al snel dat het ook je privéleven verlicht.
Vier soorten KMO's, vier vertrekpunten
Niet elke KMO vertrekt vanaf hetzelfde punt, en dat bepaalt meteen ook welke AI-tools het meest logisch zijn. Ik onderscheid vier groepen:
- KMO op de Microsoft-stack: Office 365, eventueel SharePoint en Teams, misschien wat Azure voor virtuele machines of Active Directory.
- KMO op de Google-stack: Google Docs en Sheets, Gmail-mailboxen.
- KMO op een mengelmoes van stacks: verschillende systemen door elkaar, maar wel degelijk gedigitaliseerd.
- KMO die nog niet gedigitaliseerd is: nog veel Excel-lijstjes, papier of losse Word-documenten.
Welke AI past bij welke KMO?
Zit je al op de Microsoft-stack, dan is Copilot een logische keuze. Het is user-based, geïntegreerd in al je software, en je kan tegenwoordig zelfs kiezen welk onderliggend taalmodel je gebruikt. Let wel: de leercurve voor eindgebruikers mag je niet onderschatten, en het vraagt behoorlijk wat configuratie om alles optimaal en veilig te laten draaien.
Werk je met Google, dan kies je om dezelfde reden voor Gemini. Een keuze in onderliggend taalmodel heb je hier niet, maar de modellen van Google zijn zeker niet slecht.
Heb je een mengelmoes van systemen, maar ben je wel al gedigitaliseerd, dan raad ik Claude van Anthropic aan. Het integreert met heel veel tools en systemen en werkt gewoon supergoed.
Ben je nog niet gedigitaliseerd? Dan kies ik toch ook voor Claude. OpenAI is een alternatief, maar hinkt momenteel wat achterop op vlak van gebruiksgemak en het aanvoelen van wat een gebruiker precies nodig heeft.
Ben je geen voorstander van het delen van je data met Amerikaanse bedrijven, of wil je niet afhankelijk zijn van de politieke grillen aan de andere kant van de oceaan, dan kan je kiezen voor Europese of lokaal draaibare alternatieven zoals Mistral, Sofi S, Gemma of Kimi. Ik test deze modellen momenteel zelf nog verder uit, dus ik kan je hier nog niet met dezelfde stelligheid over adviseren als over de grote drie. Wordt vervolgd.
Mocht je een lokale wens hebben, neem dit dan zeker in rekening bij de keuze van de Mac of PC. (zie verder).
De bouwstenen: NAS, toestel en AI-abonnement
Los van welke stack je gebruikt, zou ik elke KMO binnen het jaar zien evolueren richting drie bouwstenen:
- Een NAS, het liefst een Synology. Als KMO moet je eigenaar blijven van je eigen data. Dat hoeft niet je actieve data te zijn, het kan ook een backup zijn van wat er in de cloud staat, maar het is belangrijk dat je nooit afhankelijk bent en ten allen tijde bij je eigen gegevens kan.
- Een Mac of PC voor eigen ontwikkeling. Als KMO moet je geen eigen boekhoudsoftware of ERP-systeem gaan bouwen,
maar je hebt wel baat bij een toestel dat fungeert als digitale secretaresse: iets dat je specifieke zaken aanleert, onthoudt en
beheert. Een Mac heeft mijn voorkeur, omdat het out-of-the-box al veel kan, en het unified memory je toelaat om desnoods ook
lokaal een taalmodel te draaien, als backup of zelfs live.
Indien je graag lokale (meer beveiligde) modellen wil kunnen draaien, zorg dan zeker voor voldoende RAM-geheugen (Het standaard Unified memory bij Mac, of DDR5 bij PC, minimaal 32GB) - Een AI-abonnement. Enerzijds een abonnement op een LLM-dienst voor generatieve AI, anderzijds een inschrijving op het platform waarmee je API-sleutels kan aanmaken voor eigen integraties (https://platform.openai.com/ en https://platform.claude.com/.
En je personeel dan?
De technologie is maar de helft van het verhaal. Zonder je team mee te krijgen, blijft AI een dure investering die niemand gebruikt. Enkele zaken waar ik rekening mee houd:
- Wees eerlijk over wat AI wel en niet betekent voor hun job. Onzekerheid ontstaat vooral wanneer mensen niet weten waar ze aan toe zijn. Leg uit welke taken veranderen, welke blijven, en waarom je deze stap zet. Medewerkers die begrijpen waarom iets gebeurt, staan er anders tegenover dan medewerkers die het gewoon zien opduiken.
- Betrek de mensen die het dagelijks gaan gebruiken bij de keuze. Wie in de administratie of klantendienst werkt, weet vaak beter dan wie dan ook waar de tijd in hun job naartoe gaat. Laat hen mee bepalen waar een AI-assistent het meeste verschil maakt, in plaats van iets van bovenaf op te leggen.
- Start met één concrete, herkenbare taak. Klantendienst die mails helpt sorteren, boekhouding die facturen laat samenvatten. Zodra collega's het voordeel zelf voelen in hun eigen werk, groeit het draagvlak vanzelf, zonder dat je hen moet overtuigen.
Huidige struikelblokken
Om AI in een onderneming te gaan gebruiken, ontbreken momenteel wel nog enkele belangrijke functionaliteiten binnen de bestaande systemen. Hier hou je best rekening mee, zodra je van start gaat:
- Beperkingen: als je een abonnement neemt bij één van de huidige LLM-providers, krijg je een limiet: je mag een bepaald aantal tokens gebruiken binnen een bepaalde tijdspanne. Je kan deze limiet niet zelf opleggen bij je gebruikers. Het zou handig zijn, mocht je bijvoorbeeld 100 miljoen tokens betalen, en per gebruiker (of groep van gebruikers) bepalen hoeveel van deze tokens gereserveerd zijn voor hen;
- Meelezen: je weet niet wat een gebruiker doet met het AI-model: welke vragen worden gesteld, welk model er wordt gekozen en wat het resultaat is;
- Persoonlijk gebruik: zoals ook met andere tools die je aanbiedt aan werknemers, kan je niet bepalen hoeveel verbuik er voor persoonlijke doeleinden is.
Er wordt volop gewerkt om deze functionaliteiten toch aan te bieden en iedere LLM-provider (Anthropic, OpenAI, Google ...) evolueert dagelijks met deze ontwikkelingen. Ik ben zelf ook een oplossing aan het ontwikkelen die rekening houdt met deze wensen, onafhankelijk van een LLM-provider: LoCowork, dus volg deze evolutie zeker op ;-).
Conclusie
Of je nu op Microsoft, Google, een mengelmoes van systemen zit, of nog niet gedigitaliseerd bent: er is voor elke KMO een logisch vertrekpunt om met AI te starten. Het hoeft niet duur te zijn, en het hoeft zeker niet ingewikkeld te zijn. Het enige wat echt telt, is dat je begint.
Wil je hulp bij het uitstippelen van jouw pad, van de keuze van het juiste platform tot de begeleiding van je team? Neem gerust contact met me op, ik denk graag mee.