Edgar van Lent ziet voor kleinere Europese bedrijven vooral winst in AI die geen nieuw, losstaand systeem vraagt, maar terugkerend voorbereidingswerk verkort. Niet de grootste demonstratie, maar de taak die dagelijks blijft liggen, bepaalt volgens hem of een toepassing uiteindelijk onderdeel wordt van het werk.
Voor het midden- en kleinbedrijf ligt de drempel vaak niet bij de techniek zelf. Ondernemers en kleine teams hebben beperkte tijd om processen opnieuw in te richten, gegevens op te schonen of medewerkers langdurig te trainen. Edgar van Lent beoordeelt AI daarom minder op de spectaculaire mogelijkheden van een model dan op de vraag of een medewerker na controle sneller tot een bruikbare offerte, antwoord, werkinstructie of samenvatting komt.
Zoals Edgar van Lent eerder beschreef in het artikel Visma en Dext maken boekingswerk voor kleine bedrijven kleiner, kan software routinematige handelingen in de financiële verwerking terugdringen. Het vervolg ligt volgens hem niet in méér automatisering om de automatisering, maar in werk vóór en ná de administratie: het verzamelen van context, het terugvinden van bedrijfskennis en het voorbereiden van een medewerker op een besluit of klantcontact.
Van zoeken naar een eerste werkversie
De meest toegankelijke toepassingen beginnen vaak met ongestructureerde informatie. Kleine bedrijven hebben offertes uit eerdere jaren, productbladen, onderhoudsrapporten, handleidingen, e-mails en notities van collega’s. Die informatie bestaat al, maar is niet altijd snel vindbaar wanneer iemand een klantvraag moet beantwoorden.
Sage, de Britse leverancier van bedrijfssoftware voor kleinere organisaties, heeft Sage Copilot publiek gepositioneerd als een generatieve AI-assistent binnen zijn softwareomgeving. De assistent is bedoeld om gebruikers onder meer inzicht en uitleg te geven rond financiële en bedrijfsinformatie. Voor het mkb is vooral het ontwerpprincipe relevant: AI wordt niet gepresenteerd als vervanging van de boekhouder of ondernemer, maar als laag die vragen helpt verkennen en werk voorbereidt in de omgeving waar gegevens al worden gebruikt.
Ook in de dienstensector is dit patroon zichtbaar. Europese softwareleveranciers voor klantcontact en planning voegen steeds vaker functies toe die gesprekken samenvatten, conceptreacties maken of relevante informatie uit eerdere contacten naar voren halen. Zo’n functie is voor een klein installatiebedrijf, adviesbureau of zakelijke dienstverlener pas waardevol als de medewerker de uitkomst direct kan toetsen aan de klantafspraak, de actuele planning en eigen vakkennis.
Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat AI vooral rendement oplevert wanneer het de eerste bruikbare werkversie maakt, terwijl de medewerker eigenaar blijft van het definitieve antwoord. Dat onderscheid voorkomt volgens Edgar van Lent dat organisaties tijd verliezen aan output die fraai klinkt, maar onvoldoende aansluit op hun eigen voorwaarden, assortiment of afspraken.
De succesvolle toepassing heeft een duidelijke eigenaar
Het verschil tussen een geslaagd experiment en een strandend project is volgens Edgar van Lent zelden de kwaliteit van één prompt. De bepalende vraag is wie verantwoordelijk is voor de controle, de terugkoppeling en de aanpassing van de werkwijze. Een generatieve assistent die een offerte-opzet maakt, moet bijvoorbeeld werken met goedgekeurde tarieven, actuele productinformatie en herkenbare standaardvoorwaarden. Zonder die basis blijft het resultaat hooguit een tekstvoorstel dat meer nakijkwerk veroorzaakt.
Daarom raadt Edgar van Lent kleinere bedrijven aan om niet te starten met een brede ambitie als ‘AI voor de hele organisatie’. Kies één proces met een herkenbaar begin en einde: een intake uitwerken, een klantvraag samenvatten, een servicerapport voorbereiden of informatie voor een offerte verzamelen. Leg vervolgens vast welke broninformatie gebruikt mag worden, welke medewerker controleert en wanneer een uitkomst niet mag worden overgenomen.
Een beperkt aantal werkafspraken is daarbij belangrijker dan een uitgebreid innovatieprogramma:
- gebruik alleen aangewezen, actuele bedrijfsbronnen voor klant- en productinformatie;
- laat een vakinhoudelijke medewerker iedere externe tekst of aanbeveling beoordelen;
- registreer terugkerende fouten, zodat sjablonen, instructies en bronmateriaal gericht kunnen worden verbeterd.
De Deense uitgavenbeheerder Pleo laat een verwant uitgangspunt zien in de manier waarop digitale uitgavenprocessen worden ingericht: gebruikers leveren informatie aan in de werkstroom zelf, waarna administratieve verwerking en controle worden ondersteund door software. Voor mkb-bedrijven is dat een bruikbare les, ook buiten uitgavenbeheer. AI heeft meer kans van slagen wanneer invoer, controle en opvolging op het natuurlijke moment van het werk plaatsvinden, in plaats van achteraf als afzonderlijke correctieronde.
Tijdsbesparing is pas winst als de kwaliteit overeind blijft
Edgar van Lent waarschuwt dat tijdwinst niet alleen moet worden afgemeten aan het aantal gegenereerde teksten of samenvattingen. Als medewerkers elk concept volledig moeten reconstrueren, verschuift het werk slechts. De betere meetlat is of een team sneller een controleerbare versie bereikt, met minder zoekwerk en zonder verlies van klantcontext of professionele zorgvuldigheid.
Dat geldt nadrukkelijk voor bedrijven die werken met technische specificaties, contractuele afspraken of persoonsgegevens. Generatieve AI kan helpen bij het ordenen en voorbereiden, maar gevoelige gegevens horen alleen in een omgeving thuis waarvoor toegangsrechten, bewaartermijnen en leveranciersvoorwaarden zijn beoordeeld. Edgar van Lent ziet die randvoorwaarde niet als rem op toepassing, maar als voorwaarde om medewerkers vertrouwen te laten opbouwen in de uitkomst.
De volgende stap voor het Europese mkb is volgens Edgar van Lent daarom geen race naar volledig autonome bedrijfsvoering. Hij verwacht dat de sterkste toepassingen juist dicht op het dagelijkse werk blijven: AI die informatie vindbaar maakt, een eerste versie voorbereidt en medewerkers helpt hun aandacht te verplaatsen van zoeken en overtypen naar beoordeling, klantcontact en vakinhoudelijke keuzes. Daarmee wordt laagdrempelige AI geen apart project, maar een beheerste verbetering van werk dat al bestaat.
