Er is een informele taks die Belgische middenmarktbedrijven betalen op AI-projecten. Niemand stuurt hen een factuur. Ze stapelt zich stilletjes op, door een reeks beslissingen die elk op dat moment redelijk leken.
Het ziet er zo uit: €80.000 besteed bij een Big-4-kantoor aan een AI-strategiedocument dat tot in detail beschrijft wat uw bedrijf met AI zou moeten doen, maar het bouwen volledig aan u overlaat. Of: €35.000 voor een leverancier wiens platform min of meer doet wat u nodig heeft, plus een jaarlijkse licentie van €12.000 voor een functie die u eens per kwartaal gebruikt, plus een integratieproject van €15.000 wanneer u ontdekt dat hun API niet verbindt met uw ERP zoals de verkooppitch suggereerde. Of: een intern pilootproject van €25.000 dat acht maanden duurde, echte resultaten produceerde in de testomgeving, en toen stilletjes vastliep toen niemand de tijd of het mandaat had om het naar productie te brengen.
Het totaal? Zeggen we €60.000–€120.000 over een typisch AI-initiatief van achttien maanden, met niets in productie aan het einde.
Dit is de KMO AI-taks.
Waarom het gebeurt
De middenmarkt zit in een ongemakkelijke kloof. Grote ondernemingen hebben dedicated AI-teams, transformatiebudgetten, en het politieke gewicht om een AI-project door de organisatie te duwen. Startups en scale-ups hebben technische oprichters, investeerderskapitaal en een cultuur die experimenten aanmoedigt.
KMO's — Belgische bedrijven in de categorie 30–200 werknemers — hebben niets van dit alles. Ze hebben goede bedrijven die onder echte druk staan om AI te adopteren, beperkte technische capaciteit, strakke budgetten, en raden van bestuur die relatief snel iets concreets willen zien.
In deze kloof stappen drie soorten aanbieders, die elk op een andere manier waarde extraheren.
De Big-4-premie
De grote adviesbureaus zijn uitstekend in het produceren van grondige, verdedigbare strategische documenten. Ze interviewen stakeholders, benchmarken tegen concurrenten, modelleren scenario's, en leveren een rapport dat elke denkbare overweging dekt — en verschillende die u niet had bedacht.
Waar ze minder goed in zijn, is het bouwen van het ding. Hun AI-strategiedocumenten bevelen vaak projecten aan die een dedicated ML-team vereisen (dat de KMO niet heeft), aangepaste data-infrastructuur (die eerst gebouwd moet worden), en een implementatieroadmap van 18 maanden (waarvoor iemand fulltime verantwoordelijk moet zijn).
Het document is verdedigbaar. De implementatie is niet realistisch voor de klant waarvoor het is geschreven.
Kosten: €60k–€120k voor de strategie. Implementatie, als die ooit begint, wordt apart gefactureerd.
De platformleveranciersval
De AI SaaS-markt is snel geëxpandeerd. Er zijn platforms voor documentverwerking, klantenserviceautomatisering, data-analyse, procesorchestratie, en vrijwel elke andere operationele functie. Veel zijn echt goede producten.
Het probleem voor KMO's is de kloof tussen "dit platform kan dat" en "dit platform doet dat voor ons, betrouwbaar, verbonden met onze systemen, tegen een prijs die we kunnen aanhouden."
De kloof wordt gevuld door: integratiewerk dat niet in de oorspronkelijke offerte stond, maatwerk dat het professional services-team van de leverancier vereist, datamigratie die niemand goed heeft gecaderd, doorlopende licentiekosten die in jaar één redelijk waren maar oplopen, en de uiteindelijke ontdekking dat het platform 80% doet van wat u nodig heeft maar de ontbrekende 20% precies de workflow is die het meest telt.
Switchkosten zijn hoog zodra u eenmaal geïntegreerd bent. De leverancier weet dit.
De pilot die nooit shipped
De interne pilot is het meest voorkomende patroon en het meest ontmoedigende. Een team — soms met externe hulp, soms intern — bouwt iets dat echt werkt. De demo is goed. De testresultaten zijn bemoedigend. De business case is duidelijk.
En dan loopt het vast.
Het loopt vast omdat de overgang van pilot naar productie vereist dat iemand de integratie in bestaande systemen bezit. Het vereist akkoord van IT, van het datateam, van de business unit, van juridische zaken. Het vereist het soort aanhoudende organisatorische aandacht die zeer moeilijk te handhaven is als er zeventien andere prioriteiten zijn en de pilot voor iedereen betrokken al een zijproject was.
De pilot is geen mislukking. Het is een succes dat de eindstreep nooit haalde.
Kosten: de directe kosten van de pilot (€15k–€40k) plus de opportuniteitskosten van acht maanden aandacht die niets deploybaars opleverde.
De drie mechanismen van de taks
Als we over deze patronen heen kijken, wordt de KMO AI-taks geproduceerd door drie specifieke mechanismen.
1. Scope die capaciteit overstijgt
De duurste AI-projecten voor KMO's zijn de projecten die op maat waren van een bedrijf drie keer zo groot. Een platform dat een dedicated beheerder vereist. Een strategie die interne ML-expertise veronderstelt. Een aangepaste bouw die doorlopend technisch onderhoud vereist dat het bedrijf niet kan bemensen.
De kosten hier zijn niet alleen het projectbudget. Het zijn de doorlopende kosten van het draaien van iets dat de organisatie niet werkelijk is uitgerust om te onderhouden.
Op KMO-schaal juist gedimensioneerde AI betekent: het draait betrouwbaar zonder een specialist om het te bewaken, gaat op een nette manier om met storingen, kan worden begrepen en gemonitord door een generalist, en de leveranciers- of partnerrelatie is houdbaar op de schaal van het bedrijf.
2. Vendor lock-in die in de loop van de tijd oploopt
Elk AI-platform heeft een integratiekost en een switchkost. De integratiekost is gewoonlijk zichtbaar — die staat in de projectofferte. De switchkost wordt vrijwel nooit besproken omdat geen enkele leverancier wil benadrukken hoe moeilijk het zal zijn om te vertrekken.
De switchkost loopt op in de loop van de tijd. Na twee jaar data in het systeem van een leverancier, twee jaar integraties gebouwd rondom hun API, en twee jaar personeel getraind op hun interface, is de werkelijke switchkost niet de prijs van het nieuwe platform. Het is al het andere.
Voor KMO's met beperkte technische capaciteit is de switchkost vaak zo hoog dat de effectieve keuze is: op het platform blijven ook al dient het u niet meer, of significante delen van uw operationele stack herbouwen.
Het tegengif is niet het vermijden van platforms — het is ze evalueren met switchkosten in gedachten vanaf het begin. Hoe ziet de data-export eruit? Wat gebeurt er als de leverancier de prijzen in jaar drie met 40% verhoogt? Wat zou het kosten om de kritieke integraties op een ander platform te herbouwen?
3. Productiedeployment behandeld als een nagedachte
Het meest voorkomende enkelvoudige faalpatroon in KMO AI-projecten is productiedeployment behandelen als iets dat aan het einde gebeurt, zodra de pilot het concept heeft bewezen.
Dit is omgekeerd. Productiedeployment is het moeilijke deel. Het concept bewijzen in een gecontroleerde omgeving is het gemakkelijke deel.
Wanneer de productiedeployment niet van het begin af aan is gepland — wanneer de integratiearchitectuur, het change management, de personeelstraining, de monitoring en het overdrachtsproces niet zijn gecaderd voordat de bouw begint — dan verlopen die dingen niet soepel. Ze verlopen onder tijdsdruk, met onvolledige informatie, nadat het budget grotendeels is besteed.
Het resultaat is een technisch gedeployed maar operationeel fragiel systeem: niemand begrijpt volledig hoe het verbindt met de omringende systemen, de monitoring is dun, de documentatie is onvolledig, en het team dat het bouwde is verder gegaan.
Dit is de pilot die technisch shipped maar praktisch vastliep binnen drie maanden.
Hoe niet te veel uitgeven eruitziet
De KMO's die AI goed doen, hebben de neiging een paar dingen gemeen te hebben.
Ze beginnen met een specifiek probleem, niet een technologie. "We besteden veertig uur per maand aan het classificeren en routeren van leveranciersfacturen" is een specifiek probleem. "We willen meer AI-gedreven zijn" is dat niet. Specifieke problemen kunnen worden geëvalueerd, gecaderd en gemeten. Door technologie geleide initiatieven niet.
Ze bouwen voor productie vanaf dag één. De pilot en de productiebouw zijn hetzelfde — ontworpen voor productie, getest tegen echte data, geïntegreerd met echte systemen, met monitoring en documentatie inbegrepen in de scope. Het onderscheid tussen "pilot" en "productie" verdwijnt. U bouwt ofwel een productiesysteem of u doet onderzoek. Onderzoek is waardevol, maar noem het onderzoek — het kost minder en heeft andere deliverables.
Ze behandelen deployment als een eerste-klas deliverable. Overdrachtsdocumentatie, personeelstraining, monitoringdashboards, een gedefinieerd ondersteuningsproces — dit staat in de projectspecificatie, niet in het "nice to have"-gedeelte.
Ze kiezen platforms met uitroutes in gedachten. Open standaarden waar mogelijk. Data-exports die werken. API-contracten die niet propriétair zijn. De kosten van vendor lock-in zijn onzichtbaar totdat ze erg hoog zijn.
Ze blijven smal. De meest betrouwbare AI-projecten op KMO-schaal doen één ding goed. De verleiding om de scope middenin het project uit te breiden — "zolang we er toch mee bezig zijn, zouden we ook..." — is de hoofdreden waarom projecten het budget overschrijden en vastlopen voor ze worden geleverd.
De werkelijke kosten van het goed doen
De KMO AI-taks is niet onvermijdelijk. Het alternatief is in het kopregelgetal niet goedkoper — een goed gecadreerd AI-project met een goede partner kost echt geld. Maar de vergelijking is:
- €30.000 voor een in productie gedeployde AI-integratie die drie jaar draait en meetbare waarde levert
- versus €80.000 over twee jaar voor een strategiedocument plus een vastgelopen pilot plus een platformlicentie die u betaalt maar niet gebruikt
Het tweede getal is niet hypothetisch. Het is de mediaan Belgische KMO AI-ervaring zoals WDC die heeft waargenomen.
De juiste scope, de juiste partner, de juiste deploymentaanpak, en een realistische inschatting van wat uw organisatie werkelijk kan onderhouden — zo vermijdt u de taks.
Waar te beginnen
Voor u AI-werk bestelt, drie vragen die eerlijk beantwoord verdienen te worden:
-
Wat is het specifieke operationele probleem? Als u de invoer, het huidige proces, de gewenste uitvoer, en hoe u succes zult meten niet kunt beschrijven — bent u nog niet klaar om een bouw te cadreren.
-
Wie bezit dit in productie? Nadat het projectteam overdraagt, wie monitort het dan? Wie behandelt randgevallen? Wie werkt het bij wanneer het upstream-systeem verandert? Als het antwoord "dat zien we dan wel" is, is dat een waarschuwingssignaal.
-
Hoe ziet succes eruit over 18 maanden? Niet "het systeem is gedeployd" — wat is het meetbare operationele verschil? Als u het niet kunt benoemen, is de projectscope waarschijnlijk fout.
WDC's AI Opportunity Assessment is speciaal ontworpen om deze vragen te beantwoorden voordat er gebouwd wordt: het operationele probleem in kaart brengen, de AI-opties eerlijk evalueren, cadreren voor productiedeployment, en een schriftelijke roadmap produceren die realistisch is voor een bedrijf van uw omvang. Vaste prijs, drie weken. Als u al iets heeft gestart en een second opinion wilt of het op schema ligt, is de AI Readiness Audit het juiste startpunt. Boek een gesprek van 30 minuten als u eerst uw situatie wilt bespreken.