5 MKB-bedrijven die AI slim inzetten (en wat jij ervan kunt leren)
Geen techgiganten, gewoon MKB
Als je leest over AI-successen, gaat het meestal over Google, Microsoft of OpenAI. Over miljarden aan investeringen en teams van honderd data scientists. Nuttig, maar niet herkenbaar als je een bedrijf runt met vijftig tot tweehonderd medewerkers.
Daarom vijf voorbeelden die wél herkenbaar zijn. Vijf MKB-bedrijven in verschillende sectoren die AI slim inzetten. Niet omdat ze een enorm budget hadden, maar omdat ze begonnen bij een concreet probleem en de moed hadden om het gewoon te proberen.
1. Het recruitmentbureau dat cv-screening automatiseerde
Het bedrijf: Een recruitmentbureau met 45 medewerkers, gespecialiseerd in financieel talent.
Het probleem: Bij elke vacature stroomden 80 tot 150 sollicitaties binnen. Twee recruiters besteedden samen twee volle dagen aan het screenen van cv's. Veel van die tijd ging op aan het lezen van kandidaten die duidelijk niet aan de basiseisen voldeden.
De oplossing: Het bureau stelde per vacature een gestructureerd beoordelingskader op (must-haves, nice-to-haves, afwijzingsgronden) en gebruikte AI om elke sollicitatie te toetsen aan dat kader. De AI maakte een eerste selectie: groen (voldoet aan alle must-haves), oranje (gedeeltelijk, handmatig beoordelen) en rood (voldoet niet).
Het resultaat: De screeningtijd daalde met 65%. De recruiters focusten hun tijd op de groene en oranje kandidaten. De kwaliteit van de shortlist ging omhoog omdat de beoordeling consistenter werd. Geen kandidaat meer die door de mazen glipte omdat de recruiter na sollicitatie nummer 80 minder scherp was.
De les: AI vervangt het oordeel van de recruiter niet, maar filtert het ruis eruit. De mens beslist, AI sorteert voor.
2. Het marketingbureau dat zijn contentproductie verdrievoudigde
Het bedrijf: Een contentmarketingbureau met 30 medewerkers dat blogs, social media en nieuwsbrieven produceert voor B2B-klanten.
Het probleem: De bottleneck was altijd capaciteit. Writers konden per dag twee tot drie artikelen produceren. De wachtlijst groeide, deadlines werden gemist, klanten werden ongeduldig.
De oplossing: Het bureau integreerde AI in het productieproces. Niet als vervanging van schrijvers, maar als versneller. AI maakte eerste concepten op basis van een briefing: structuur, kernpunten, SEO-suggesties. De writer bewerkte het concept, voegde expertise en persoonlijkheid toe, en leverde het eindproduct.
Het resultaat: De productie per writer ging van twee-drie naar zes-acht artikelen per dag. De kwaliteit bleef gelijk (de writers controleerden alles). De wachtlijst verdween. De omzet steeg met 40% zonder extra personeel.
De les: AI is geen vervanging van creativiteit, maar een versneller van het mechanische deel van het schrijfproces. De schrijver wordt redacteur en strateeg.
3. De zorginstelling die administratielast halveerde
Het bedrijf: Een thuiszorgorganisatie met 120 medewerkers in de regio Utrecht.
Het probleem: Zorgmedewerkers besteedden gemiddeld 35% van hun werktijd aan administratie: rapportages schrijven, zorgplannen bijwerken, overdrachten documenteren. Tijd die ze liever aan cliënten besteedden.
De oplossing: Er werd een spraakgestuurde rapportagetool geïmplementeerd. Zorgmedewerkers spraken hun observaties in na een bezoek (in de auto, op de fiets). AI transcribeerde de spraak, structureerde het in het juiste rapportageformat en vulde het zorgdossier aan. De medewerker controleerde en accordeerde.
Het resultaat: De administratietijd daalde van 35% naar 18% van de werktijd. Zorgmedewerkers hadden meer tijd voor directe cliëntenzorg. De rapportages werden paradoxaal genoeg uitgebreider en consistenter, omdat het insprekken laagdrempeliger was dan typen.
De les: In de zorg zit de winst niet in productiviteit maar in menselijkheid. Minder administratie betekent meer aandacht voor de mensen die dat het hardst nodig hebben.
4. De financieel adviseur die rapportages automatiseerde
Het bedrijf: Een onafhankelijk financieel adviesbureau met 60 medewerkers, gespecialiseerd in pensioenadvies.
Het probleem: Elk kwartaal moest voor elke klant een beleggingsrapportage worden samengesteld: data uit drie verschillende systemen combineren, formatteren, analyseren en van commentaar voorzien. Per rapportage: vier uur werk. Met 200 klanten was het elk kwartaal alle hens aan dek.
De oplossing: Er werd een geautomatiseerde pipeline gebouwd die data uit de drie bronsystemen automatisch ophield, combineerde en in een rapportagetemplate goot. Een AI-laag analyseerde de cijfers en genereerde een conceptcommentaar: rendementen, vergelijking met de benchmark, aandachtspunten. De adviseur paste het commentaar aan, voegde persoonlijk advies toe en verstuurde het.
Het resultaat: De rapportagetijd daalde van vier uur naar dertig minuten per klant. Het kwartaalpieken-probleem verdween. Adviseurs hadden meer tijd voor persoonlijke klantgesprekken, wat leidde tot hogere klanttevredenheid en meer cross-sell.
De les: Automatiseer het verzamelen en formatteren. Houd het adviseren menselijk. De klant merkt het verschil.
5. De gemeente die burgerservice verbeterde met een chatbot
Het bedrijf: Een middelgrote gemeente met 150.000 inwoners.
Het probleem: Het Klant Contact Centrum (KCC) ontving 800 telefoontjes per dag. 60% ging over dezelfde twintig onderwerpen: afvalinzameling, parkeervergunningen, paspoortaanvragen, verhuizingen. De wachttijden liepen op, medewerkers raakten gefrustreerd door de herhaling.
De oplossing: Op de gemeentewebsite werd een AI-chatbot geplaatst, getraind op alle publiek beschikbare gemeentelijke informatie. De chatbot beantwoordde veelgestelde vragen, verwees naar de juiste formulieren en hielp bij simpele processen. Bij complexe vragen werd automatisch doorverbonden met een medewerker.
Het resultaat: 40% van de telefonische vragen werd opgevangen door de chatbot. De wachttijden halveerden. De chatbot was 24/7 beschikbaar, ook buiten kantooruren. Medewerkers van het KCC hadden meer tijd voor complexe burgervragen die persoonlijke aandacht vereisten.
De les: Begin met de makkelijke vragen. De winst zit niet in het automatiseren van complexe situaties, maar in het elimineren van de herhaling. Dat geeft ruimte voor de gesprekken die er écht toe doen.
De rode draad
Vijf bedrijven, vijf sectoren, vijf verschillende toepassingen. Maar er is een patroon:
Ze begonnen allemaal klein. Niet met een "AI-transformatie", maar met één concreet probleem.
Ze focusten op repetitief werk. Niet op de complexe, creatieve taken, maar op het saaie, voorspelbare werk.
Ze hielden de mens centraal. AI deed het zware werk, mensen deden het waardevolle werk.
Ze maten hun resultaten. Geen vage claims over "efficiëntie", maar concrete uren, percentages en euros.
En ze hadden allemaal de moed om te beginnen. Niet volgende maand, niet volgend jaar. Nu.
In welke fase zit jouw organisatie? Doe de quickscan
