AI in het mkb: concrete aanpakken van de Rheinland Day

Veel middelgrote bedrijven staan bij het thema kunstmatige intelligentie voor dezelfde vraag: waar begin je eigenlijk? Precies daarover ging het op de eerste Rheinland Day in Siegburg, een evenement van de organisatie Just Forward, dat zo’n 300 middelgrote bedrijven, wetenschappers en jonge technologiebedrijven bijeenbracht. De podcast “Markt und Mittelstand” heeft daar met meerdere gasten gesproken – en het beeld dat zich aftekent, is verheugend nuchter: minder hype, meer structuur. Ik heb de praktisch bruikbare inzichten voor mkb-beslissers samengevat.

Het vertrekpunt: goed onderzoek, zwakke vertaling naar producten

Een van de kernobservaties van de dag betreft een structurele zwakte van de vestigingsplaats. Duitsland beschikt over uitstekend onderzoek, maar slaagt er onvoldoende in de resultaten daarvan om te zetten in marktrijpe producten. Tussen onderzoeksresultaat en toepassing gaat regelmatig knowhow verloren – niet zelden pakken buitenlandse bedrijven de resultaten op en ontstaat daar de waardecreatie. Het klassieke voorbeeld blijft de mp3-speler.

De innovatieactiviteit in het land daalt, terwijl wereldwijd vooral technologiebedrijven aan waarde en betekenis winnen – bedrijven die hier te zelden ontstaan en te zelden groot genoeg worden. Voor het mkb valt daaruit een concrete aanbeveling af te leiden: innovatie laat zich actief uit de wetenschap putten. De samenwerking tussen bedrijfsleven en wetenschap was ooit sterker en daalt al jaren. Zelfs kleine bedrijven kunnen hier aanzetten – in het genoemde geval richtte een bedrijf met zo’n 20 medewerkers een leerstoel in aan de plaatselijke universiteit.

Hoe AI-projecten zouden moeten starten: drie fasen in plaats van een snelle schietbeurt

De misschien nuttigste bijdrage voor de dagelijkse praktijk is een eenvoudig procesmodel. De meest voorkomende fout: bedrijven beginnen direct met programmeren. Dat is de stap die als laatste zou moeten komen. In plaats daarvan verdient een verloop in drie fasen de voorkeur:

• Discover: Zorgen dat leidinggevenden en medewerkers begrijpen wat AI überhaupt is en wat er op dit moment gebeurt.
• Define: Concreet definiëren waar AI een echt probleem oplost of meetbare meerwaarde creëert – niet AI inzetten alleen om AI in te zetten.
• Deploy: Pas nu de technische uitvoering. Zo ontstaat er aan het eind geen “mooie oplossing” om haarzelfs wille, maar een die aantoonbaar nut oplevert.

Eerst de data, dan het project

Aanvullend daarop benadrukten meerdere gesprekspartners het belang van de databasis. Voordat u begint, loont een eerlijke analyse: welke data zijn aanwezig waarop u kunt voortbouwen? Die inventarisatie gebeurt zinvollerwijs met een data scientist. Pas daarna gaat het strategisch verder – met de vraag naar de juiste use cases, de visie en vooral de proof of value.

Het verschil is doorslaggevend: veel initiatieven lopen dood omdat een proof of concept weliswaar technisch werkt, maar niemand heeft getoetst of daarmee een reëel probleem wordt opgelost. De leidende vragen vóór elke investering luiden daarom: besparen we tijd? Worden we efficiënter? Welke ROI levert dat op? En met welke randvoorwaarden – gegevensbescherming inbegrepen – moet rekening worden gehouden?

Concrete toepassingen uit het mkb

Abstracte strategie helpt weinig zonder voorbeelden. De volgende gebieden zijn op het evenement met praktijkvoorbeelden gepresenteerd.

Technische support en kennisborging

Bij zeer complexe installaties waarvan er vaak maar één exemplaar bestaat, beslaat de documentatie al snel honderdduizenden pagina’s. Vakmensen in de after-sales support besteden volgens de beschrijvingen gemakkelijk zo’n 25 procent van hun tijd alleen al aan het zoeken in die documenten. AI-ondersteunde systemen kunnen hier het passende antwoord direct leveren – mits het centrale risico beheerst wordt: hallucinaties. Een antwoord klinkt altijd plausibel, maar is soms domweg fout. In veiligheidsrelevante omgevingen is dat onaanvaardbaar, en daarom moeten de data zo worden klaargezet dat het taalmodel ze betrouwbaar kan lezen.

Opmerkelijk is de reactie van de betrokken vakmensen: in overbelaste supportteams heerst praktisch geen angst voor banenverlies. Integendeel – AI dicht het gat dat ontstaat wanneer ervaren medewerkers met al hun bedrijfskennis met pensioen gaan en het tekort aan vakkrachten de opvolging bemoeilijkt. Het gaat er niet om banen te automatiseren, maar om teams slagvaardig te houden.

AI en robotica in de productie

Voor veel mkb’ers is het een grote drempel om robots of machines van verschillende fabrikanten in gebruik te nemen en om te programmeren – de benodigde knowhow ontbreekt intern, externe integrators zijn duur. Taalmodellen maken hier een dialooggestuurde aansturing mogelijk: machines laten zich zonder diepgaande programmeerkennis instellen en robots via foundation-modellen aansturen.

Twee punten zijn daarbij centraal. Ten eerste de controle: mkb’ers hebben er weinig belang bij dat camerabeelden uit hun productie naar de cloud of naar Amerikaanse bedrijven wegvloeien, omdat daar bedrijfsgeheimen in zitten. Lokaal uitgevoerde systemen adresseren precies dat – inclusief de navolgbaarheid van welke taken op dat moment worden opgelost en waar het schuurt. Ten tweede de dataschat: terwijl Amerikaanse toepassingen sterk op kenniswerk mikken, ligt voor het Duitse mkb de grotere hefboom in de productiehal. Bedrijven met veel achtergrondkennis kunnen modellen daarmee voeden – een voordeel dat Amerikaanse aanbieders zonder die data niet hebben.

Marketing: locatiedata en geofencing

In de marketing werd geofencing als voorbeeld aangevoerd. Daarbij worden locaties gedefinieerd – bijvoorbeeld de eigen winkel of die van een concurrent – om de doelgroep contextgebonden aan te spreken. Wie zich 30 minuten tot 2 uur bij de concurrerende autodealer ophoudt, is met grote waarschijnlijkheid een koopbereide geïnteresseerde in de “lower funnel”. Vergelijkbare logica geldt voor keukenstudio’s of de seizoensgebonden bandenwissel bij autogarages. De voorwaarde is overzichtelijk: geen omvangrijk AI-strategiedocument, maar helderheid over het doel en de directe concurrentie.

Spraakgestuurde AI-agents voor afspraken en bereikbaarheid

Een ander voorbeeld waren telefonische AI-agents op een kant-en-klaar, AVG-conform platform, aangestuurd via prompting en gekoppeld aan een automatiseringsplatform. Vóór, tijdens en na een gesprek laten zich acties uitlossen – bijvoorbeeld een sms met het LinkedIn-profiel versturen of direct een afspraak in de agenda inplannen. De praktische waarde ligt in de schaalbaarheid: zulke systemen werken rond de klok, kunnen veel telefoongesprekken parallel voeren en zijn geschikt voor restaurantreserveringen, kappersafspraken of de proactieve herinnering aan de bandenwissel in het najaar.

Waarom persoonlijk contact telt

Bij alle techniek werd één punt meermaals benadrukt: we zijn omringd door kunstmatige intelligentie, maar echte vooruitgang komt uiteindelijk voort uit menselijke intelligentie. De bijzondere waarde van zulke evenementen ligt in de combinatie van twee werelden – de decennialange ervaring van gevestigde industriebedrijven en de digitalere denkwijze van jonge tech-startups. Bewust vond de Rheinland Day niet in een metropool plaats, maar daar waar het mkb daadwerkelijk zit: in de regio.

Conclusie

De boodschap van de Rheinland Day is aangenaam nuchter: AI in het mkb lukt niet via snelle code, maar via begrip, een schone databasis en helder gedefinieerde use cases met aantoonbaar nut. Wie met de proof of value begint in plaats van met het pure haalbaarheidsbewijs, vermijdt de projecten die doodlopen. De overtuigendste toepassingen ontlasten vakmensen, borgen waardevolle kennis en houden gevoelige data binnenshuis. Voor mkb-beslissers betekent dat: eerst het probleem, dan de data, dan de technologie – in die volgorde.

Bron: KI-Lösungen für den Mittelstand – Markt und Mittelstand: Der Podcast (YouTube), in het Duits