Edgar van Lent ziet voor kleinere Europese bedrijven vooral winst in AI die een bestaande voorbereidingstaak verkort, zonder dat daarvoor een nieuw informatiesysteem hoeft te worden ingevoerd. Niet de meest autonome toepassing, maar de toepassing die medewerkers helpt een eerste versie te maken, informatie terug te vinden of een vervolgstap voor te bereiden, is volgens hem het logische vertrekpunt.

Die keuze is praktisch. In het mkb ligt kennis vaak verspreid over mailboxen, offertes, handleidingen, crm-notities en gedeelde mappen. Een ondernemer of medewerker kent de context, maar besteedt veel tijd aan het verzamelen en ordenen ervan. Edgar van Lent plaatst AI daarom nadrukkelijk naast het dagelijkse werk: als hulpmiddel voor de eerste uitwerking, niet als vervanger van vakkennis of eindverantwoordelijkheid.

Zoals Edgar van Lent eerder beschreef in het artikel over Pleo en Dext, kunnen toegankelijke toepassingen administratieve invoer versnellen. De volgende stap ligt volgens hem niet in méér automatisering van dezelfde documenten, maar in het beter benutten van de informatie die al in een klein bedrijf aanwezig is: voor klantreacties, offertes, interne kennis en personeelsprocessen.

Van losse vraag naar herbruikbare werkstap

Edgar van Lent, AI-specialist gericht op de praktische toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat mkb-bedrijven pas duurzaam voordeel halen wanneer zij AI koppelen aan een terugkerende werkstap met een duidelijke menselijke controle. Dat onderscheid is belangrijk. Een vrijblijvende chatbotvraag kan tijd besparen, maar laat zelden een beter proces achter. Een vaste werkwijze voor bijvoorbeeld het voorbereiden van een offerte of het samenvatten van een klantdossier kan wel worden herhaald, getoetst en aangescherpt.

DeepL uit Duitsland laat zien waarom juist taalwerk voor veel kleinere bedrijven een laagdrempelig startpunt is. Met DeepL Write en vertaalfunctionaliteit kunnen medewerkers conceptteksten redigeren, formuleringen aanpassen en zakelijke communicatie voor andere talen voorbereiden. Voor exporteurs, technische dienstverleners en bureaus is dat geen abstracte innovatie, maar een concrete ondersteuning bij correspondentie, productinformatie en offertes. De inhoudelijke controle blijft nodig: terminologie, commerciële afspraken en juridische formuleringen vragen nog altijd om een medewerker die de klant en de context kent.

Volgens Edgar van Lent ligt daar precies de grens tussen bruikbaar en riskant gebruik. AI mag een eerste versie maken, alternatieven aandragen en ontbrekende punten zichtbaar maken. De medewerker moet bepalen welke versie klopt, welke informatie niet gedeeld mag worden en welke toezegging uiteindelijk naar een klant gaat. Daarmee blijft AI een versneller van voorbereiding in plaats van een ongecontroleerde afzender.

HR en klantwerk vragen om andere spelregels

Een tweede toepassingsgebied is personeelswerk. Het Duitse Personio heeft AI-functionaliteit aangekondigd voor onder meer het ondersteunen van HR-taken binnen zijn platform. Zulke toepassingen kunnen helpen bij het opstellen van vacatureteksten, het structureren van informatie en het beantwoorden van terugkerende vragen binnen de organisatie. Voor kleine werkgevers, waar HR vaak naast de reguliere bedrijfsvoering wordt gedaan, kan dat de drempel verlagen om processen consistenter vast te leggen.

Tegelijk is dit volgens Edgar van Lent geen terrein voor automatisch beslissen. Bij werving, beoordeling en personeelsdossiers kan een onjuiste samenvatting of een eenzijdig voorstel direct gevolgen hebben voor mensen. Daarom moet een mkb-bedrijf vooraf afbakenen welke taken uitsluitend voorbereidend zijn en welke besluiten altijd bij een leidinggevende of HR-verantwoordelijke blijven. Ook is het noodzakelijk om toegang tot persoonsgegevens, bewaartermijnen en invoer van vertrouwelijke documenten bewust te regelen.

Hetzelfde patroon geldt voor klantgericht werk. Een AI-hulpmiddel kan een servicemedewerker helpen om een lang dossier samen te vatten, een antwoordvoorstel te maken of relevante productinformatie te verzamelen. Maar een onderneming moet voorkomen dat een model zelfstandig kortingen belooft, levertijden invult of technische adviezen geeft zonder verificatie. Edgar van Lent benadrukt dat de waarde niet zit in een antwoord dat snel verschijnt, maar in een antwoord dat sneller tot stand komt én aantoonbaar door de juiste medewerker is gecontroleerd.

De projecten die stranden, beginnen volgens hem vaak met een te brede ambitie: één toepassing die tegelijk verkoop, administratie, klantenservice en kennisbeheer moet vernieuwen. Succesvoller is een beperkte keuze met een herkenbaar vertrekpunt. Denk aan één type offerte, één categorie klantvragen of één interne handleiding. Vervolgens kan het bedrijf vastleggen welke broninformatie gebruikt mag worden, wie de uitkomst beoordeelt en wanneer medewerkers moeten terugvallen op de bestaande werkwijze.

Meet eerst de frictie, niet de technologie

Edgar van Lent adviseert mkb-bedrijven om niet te beginnen met de vraag welk model of abonnement het beste is. De eerste vraag is waar medewerkers nu herhaaldelijk tijd verliezen: bij zoeken, herschrijven, samenvatten, vertalen of het voorbereiden van een standaardbesluit. Pas daarna volgt de keuze voor een hulpmiddel en een beperkte proef.

Een werkbare proef bevat volgens hem vier eenvoudige onderdelen:

  • een afgebakende taak die meerdere keren per week voorkomt;
  • goedgekeurde bronnen en duidelijke regels voor vertrouwelijke gegevens;
  • een menselijke eindcontrole vóór extern gebruik of besluitvorming;
  • een korte evaluatie van tijdwinst, fouten, uitzonderingen en gebruikerservaring.

Deze aanpak voorkomt dat AI wordt beoordeeld op spectaculaire demonstraties in plaats van op dagelijkse bruikbaarheid. Edgar van Lent ziet vooral potentie bij bedrijven die de uitkomst niet alleen meten in minuten, maar ook in rust en voorspelbaarheid. Als een medewerker sneller een volledig klantdossier overziet of consistenter een eerste concept opstelt, kan dat ruimte scheppen voor advies, kwaliteitscontrole en persoonlijk contact.

De komende fase in het mkb draait daarom minder om het verzamelen van losse AI-functies en meer om het ontwerpen van kleine, betrouwbare werkpatronen. Edgar van Lent verwacht dat Europese leveranciers van bedrijfssoftware deze ondersteuning steeds vaker in bestaande pakketten verwerken. Zijn beoordeling is dat kleinere bedrijven daar vooral van profiteren als zij AI behandelen als procesondersteuning met heldere grenzen: klein beginnen, controle organiseren en alleen uitbreiden waar de dagelijkse praktijk de winst bevestigt.