AI-automatisering voor het mkb: 6 processen die je nu al kunt overdragen

Hoeveel van je week gaat op aan werk waarvan je denkt: dit zou een slimme collega ook kunnen? Een aanvraag lezen en inschatten of die serieus is. Een offerte opbouwen uit een rommelige mail. Een intakeformulier overtypen in je systeem. De maandcijfers in een kort verhaal gieten voor je team. Dat is precies het werk waar AI-automatisering voor het mkb nu echt iets oplevert. Niet als vervanging van je mensen, wel als iemand die het voorwerk doet.

In dit stuk lopen we zes processen langs die je vandaag al kunt overdragen. Eén ervan, leadkwalificatie, werken we helemaal uit, zodat je ziet hoe zo'n systeem er van binnen uitziet. En we zeggen ook eerlijk wat je beter niet overdraagt.

Wat AI toevoegt aan gewone automatisering

Eerder schreven we over een bedrijfsproces automatiseren als MKB. Dat stuk gaat over werk met vaste regels: als dit, dan dat. Daar stond ook dat werk met veel oordeel zich slecht laat automatiseren. Dat klopte lang. Een script kan geen mail lezen en begrijpen wat de klant eigenlijk bedoelt.

Daar zit nu het verschil. Een taalmodel kan ongestructureerde input lezen: een mail, een formulier met vrije tekst, een pdf, een gespreksverslag. Het kan samenvatten, indelen, een eerste inschatting maken en een concept schrijven. Het maakt nog steeds fouten, en dus blijft er een mens in de lus. Maar het voorwerk, het lezen en het eerste concept, dat kun je overdragen.

Vuistregel: komt er rommelige tekst binnen en moet er iets gestructureerds uitkomen, dan is het een kandidaat.

1. Leadkwalificatie

Er komt een aanvraag binnen via je site of je inbox. Iemand moet lezen wat er staat, inschatten of het past, wat extra informatie opzoeken en beslissen wie het oppakt. Bij een handvol aanvragen per week is dat te doen. Bij meer blijft er iets liggen, en juist de goede lead wacht dan drie dagen op antwoord.

Dit werken we verderop stap voor stap uit.

2. Offertes

Een klant mailt wat er nodig is, in eigen woorden. Iemand vertaalt dat naar regels in je offertesjabloon. AI kan die mail lezen, de juiste producten of diensten uit je eigen prijslijst kiezen, vragen markeren die nog openstaan en een conceptofferte klaarzetten. Jij controleert en verstuurt.

De prijzen komen uit jouw systeem, niet uit het geheugen van het model. Dat is belangrijk. Een model mag kiezen en invullen, maar rekent niet zelf je tarieven uit.

3. Intake

Nieuwe klant, nieuw dossier, nieuwe huurder. Er komen documenten en formulieren binnen en iemand zet de gegevens over in het systeem. AI kan documenten uitlezen, de velden invullen en aangeven wat ontbreekt of niet klopt. Je collega controleert in plaats van overtypt.

4. Rapportage

De cijfers staan vaak al ergens. Wat tijd kost, is het verhaal erbij. Wat viel op deze maand, waar liep het achter, wat moet het team weten? AI kan uit je dashboard of export een eerste versie van die toelichting schrijven.

Let wel: laat het model de cijfers niet zelf berekenen. Laat je systeem rekenen en het model uitleggen. Dan klopt het getal en scheelt het je toch een uur.

5. Content

Productteksten, vacatures, nieuwsbrieven, social posts, antwoorden op veelgestelde vragen. AI is goed in een eerste versie die in de juiste vorm staat. Zelden in de laatste versie. Wij gebruiken het zelf zo: het model levert een opzet, een mens maakt er iets van dat klinkt als jouw bedrijf. Wat er onder jouw naam naar buiten gaat, leest altijd iemand na. Hoe we dat zelf aanpakken, beschreven we in AI in de lus, niet op de automatische piloot.

6. Opvolging

Een offerte is verstuurd en dan wordt het stil. Een klant had een vraag en niemand mailde terug. AI kan bijhouden wat er openstaat, op het juiste moment een concept-opvolgmail klaarzetten die verwijst naar wat er eerder besproken is, en signaleren wanneer iets te lang ligt. Het versturen laat je goedkeuren.

Uitgewerkt: een pipeline voor leadkwalificatie

Zo ziet zo'n systeem er in de praktijk uit.

Stap 1: binnenkomst. Een aanvraag komt binnen via het contactformulier, een mail of een chat.

Stap 2: lezen en verrijken. Het model leest de aanvraag en haalt de kern eruit: wie het is, wat de vraag is, of er een budget of termijn genoemd wordt. Waar dat mag, zoekt het systeem aanvullende openbare informatie op, zoals de website van het bedrijf. Wat niet in de aanvraag staat, wordt niet verzonnen maar als onbekend gemarkeerd.

Stap 3: scoren tegen jouw criteria. Hier zit het belangrijkste werk, en dat is geen techniek. Jij bepaalt wat een goede lead is. Welke sector, welke omvang, welk soort vraag past bij wat je doet? Die criteria schrijven we samen uit. Het model beoordeelt elke aanvraag daartegen en geeft een score met een korte onderbouwing. Die onderbouwing telt: zo zie je waarom, en kun je bijsturen als het model iets anders weegt dan jij.

Stap 4: concept-antwoord. Voor elke aanvraag staat een concept klaar. Bij een sterke lead een persoonlijk antwoord met een voorstel voor een gesprek. Bij een twijfelgeval een paar gerichte vragen. Bij iets wat niet past een vriendelijk nee, eventueel met een doorverwijzing.

Stap 5: een mens keurt goed. Iemand van je team ziet de lijst: aanvraag, score, onderbouwing, concept. Akkoord, aanpassen of afwijzen. Pas dan gaat er iets naar buiten.

Stap 6: in je CRM. De lead komt met alle gegevens en de score in je CRM of je eigen systeem, zodat de opvolging daar verder loopt.

Wat levert dat op? Niet dat er niemand meer naar je leads kijkt. Wel dat de persoon die kijkt, alleen nog hoeft te beslissen in plaats van uit te zoeken. En dat een goede aanvraag niet meer dagen blijft liggen.

Een paar dingen regelen we bij zo'n pipeline altijd. Elke beslissing wordt gelogd, met de input en de onderbouwing, zodat je achteraf kunt zien wat er gebeurde. Er is een vaste set testaanvragen waarmee we controleren of een aanpassing aan de instructies het niet ergens anders slechter maakt. En de criteria leven niet in iemands hoofd, maar staan op papier en in versiebeheer, net als de rest van de code. Waarom dat zo belangrijk is, lees je in prompts zijn ook code.

Moet de pipeline met je bestaande software praten, zoals je CRM of je planning? Dat kan via gewone koppelingen, en steeds vaker via een standaard die daar speciaal voor bedoeld is. Hoe dat werkt, leggen we uit in MCP: hoe je AI koppelt aan je bestaande software.

Wat je beter niet overdraagt

Niet alles hoort bij een model. Eerlijk is eerlijk:

• Beslissingen met grote gevolgen voor mensen. Wie je aanneemt of wie krediet krijgt. Laat AI daar hooguit voorwerk doen, en wees dan extra zorgvuldig. De AI Act kijkt hier ook scherper naar.
• Alles waarbij geld direct de deur uit gaat. Betalingen, kortingen, prijsafspraken. Een model mag een voorstel doen, niet de knoop doorhakken.
• Werk dat je zelden doet. Eén keer per kwartaal een lastig rapport? Dan weegt de moeite van inrichten en testen niet op tegen de tijdwinst.
• Processen die zelf nog niet helder zijn. Als je team het onderling niet eens is over wat een goede lead is, gaat een model dat ook niet voor je oplossen. Het maakt de rommel alleen sneller.

Waar begin je met AI-automatisering voor het mkb?

Kies één proces. Het liefst eentje dat vaak voorkomt, waar nu duidelijk tijd in gaat zitten en waarvan je achteraf kunt zien of het goed ging. Leadkwalificatie en intake zijn vaak goede eerste kandidaten, omdat je de uitkomst makkelijk controleert.

Meet eerst hoe het nu gaat. Hoeveel aanvragen per week, hoe lang tot het eerste antwoord, hoeveel uur gaat erin zitten? Zonder die nulmeting weet je later niet of het iets opleverde.

Begin klein, met een mens die alles goedkeurt. Een eerste werkende versie staat er meestal in 2 tot 4 weken. Daarna laat je het meedraaien, kijk je waar het model de mist in gaat en scherp je de instructies aan. Pas als het betrouwbaar loopt, laat je eventueel simpele stappen zonder goedkeuring gaan.

Wat zoiets kost, hangt af van hoeveel systemen erbij komen en hoeveel eigen data het model nodig heeft. In wat kost een AI-agent laten bouwen in 2026? zetten we de ranges op een rij. Wil je AI liever toevoegen aan een systeem dat je al hebt, lees dan AI in je bestaande webapplicatie: waar begin je?.

Sinds 2017 bouwen we apps, webapplicaties en AI-systemen voor het MKB en start-ups. Wat we daarbij steeds zien: de winst zit zelden in het slimste model. Hij zit in een goed afgebakend proces, met iemand die meekijkt.

Zullen we samen kijken welk proces eerst?

Twijfel je welk proces bij jou het meeste oplevert? Of wil je weten of je leadstroom groot genoeg is om er iets voor te bouwen? Plan een gesprek. We kijken samen naar hoe het nu loopt, en zeggen het ook gewoon als een simpele tool of een betere werkafspraak genoeg is.

Veelgestelde vragen

Kan AI mijn leads volledig zelfstandig afhandelen?

Technisch kan het, maar we raden het af. Laat het model lezen, scoren en een antwoord voorbereiden, en laat een mens goedkeuren. Pas als je na een tijd ziet dat het betrouwbaar gaat, kun je eenvoudige stappen automatisch laten lopen.

Welk proces moet ik als eerste automatiseren met AI?

Een proces dat vaak voorkomt, nu duidelijk tijd kost en waarvan je de uitkomst makkelijk controleert. Leadkwalificatie en intake zijn vaak goede kandidaten. Begin met één proces en meet hoe het nu gaat, zodat je straks weet wat het opleverde.

Hoe lang duurt het voordat zoiets werkt?

Een eerste werkende versie staat er meestal in 2 tot 4 weken. Een versie die in je dagelijkse werk draait, met koppelingen, logging en tests, vraagt eerder 6 tot 12 weken, afhankelijk van hoeveel systemen erbij komen.

Wat is het verschil met gewone automatisering?

Gewone automatisering volgt vaste regels. AI kan ongestructureerde input lezen, zoals mails en documenten, en daar een inschatting over maken. Voor werk met vaste regels is gewone automatisering vaak goedkoper en betrouwbaarder.