AI Bureau Kiezen: 7 Vragen Die Je Moet Stellen Voordat Je Tekent

Een AI bureau kiezen is geen IT-aanbesteding. Het is een partnerkeuze. En de gevolgen lopen jaren door.

De juiste partij heeft binnen 6 tot 8 weken iets draaiend, helpt je AVG en de EU AI Act netjes stapelen, en geeft je code, data en modellen mee als je ooit besluit op te stappen. De verkeerde partij levert je een dure pilot, een vendor lock-in, en een rapport dat in een la verdwijnt om er nooit meer uit te komen. De zeven vragen hieronder scheiden de twee. Verderop ook een paar rode vlaggen en een stappenplan dat je in vier weken van shortlist naar getekend pilotcontract brengt.

Eerst de cijfers. Want die maken meteen duidelijk waarom dit gesprek belangrijker is dan de meeste MKB'ers denken. Gartner schat dat organisaties tot eind 2026 ongeveer 60% van hun AI-projecten zullen stopzetten omdat de onderliggende data simpelweg niet AI-ready is [1]. In Nederland gebruikt 23% van de bedrijven met 10 of meer medewerkers inmiddels AI [4]. En 74,6% van de MKB'ers die het wél overwogen maar afhaakten, noemt "gebrek aan ervaring" als hoofdreden [5]. De partij die je naast je zet, beslist dus voor een groot deel of je in de eerste of de tweede groep belandt.

Waarom de keuze van je AI bureau bepalend is

De technologie is niet meer het probleem. Modellen zijn rijp, integraties zijn standaard, de bouwblokken liggen voor het oprapen. Het verschil tussen een AI-traject dat oplevert en eentje dat doodbloedt, zit in de mensen.

IBM mat dat in oktober 2025 nogal scherp uit. In EMEA rapporteerde 72% van de grote bedrijven flinke productiviteitswinst dankzij AI; bij het MKB was dat 55% [9]. Een gat van 17 punten. En dat verschil komt niet uit de technologie. Beide groepen kopen bij dezelfde leveranciers, gebruiken dezelfde modellen, lezen dezelfde white papers. Het zit in executie. En executie hangt af van wie er naast je staat.

Een goed bureau levert dus geen modellen. Het levert resultaten in productie, een team dat met je meedenkt, contracten die je beschermen, en een aanpak die de kans op falen actief verkleint. De vragen hieronder laten in tien minuten zien of je met zo'n partij praat, of met iemand die voornamelijk slides verkoopt.

Vraag 1: Kun je me drie klanten in mijn sector laten zien die productie hebben gehaald?

Geen pilots. Geen proof-of-concepts. Geen "we hebben er een paar onder NDA". Drie projecten, in productie, met klanten die je mag bellen. Liefst in jouw sector, of op zijn minst met vergelijkbare datacomplexiteit.

Waarom dit ertoe doet: meer dan de helft van GenAI-projecten sneuvelt na de PoC-fase [10]. Een bureau dat veel pilots draait maar weinig productiesystemen, weet hoe je een demo bouwt. Niet hoe je een systeem drie jaar laat draaien terwijl het model afdrijft, de data verandert en de gebruikers steeds andere dingen vragen. Dat is een totaal ander vak.

Vraag ook expliciet naar een traject dat is mislukt. Een eerlijk bureau heeft die altijd. Het antwoord verraadt of ze leren, of dat ze dezelfde fout straks bij jou herhalen.

Bel daarna minstens één referentie. Tien minuten telefoon met iemand die het traject heeft doorgemaakt levert je meer op dan tien pagina's case studies. Vraag niet "ging het goed?". Vraag "wat liep er mis, en hoe reageerden ze toen?".

Vraag 2: Hoe gaan jullie om met data, AVG en waar draaien de modellen?

Sinds 2 februari 2025 is een eerste deel van de EU AI Act in Nederland van kracht, met de Autoriteit Persoonsgegevens als toezichthouder [6]. Voor de meeste MKB-toepassingen geldt: AVG (UAVG) blijft de basis, AI Act stapelt erbovenop. Een bureau dat dit niet uit zijn hoofd kan uitleggen, hoort niet op je shortlist. Punt.

Concreet wil je antwoorden op:

• Komt er een verwerkersovereenkomst, en staat er expliciet in dat jouw data niet voor modeltraining wordt gebruikt?
• Waar draaien de modellen? Binnen de EU, op AWS Frankfurt, op Azure West Europe, of via een Amerikaanse provider?
• Welke sub-verwerkers zitten in de keten?
• Hoe wordt de toepassing onder de AI Act geclassificeerd, en wat zijn de gevolgen voor logging, menselijke toetsing en uitlegbaarheid?

De urgentie zit in een vervelend cijfer. 92% van AI-leverancierscontracten claimt brede gebruiksrechten op jouw data, en slechts 17% verbindt zich aan volledige naleving van regelgeving [7]. Vertaling: als jij die clausules niet onderhandelt, doet niemand dat voor je. Niet je leverancier. Niet je accountant. Niet de AP.

(Een korte aside: ik heb deze clausules in concrete contracten zien staan op pagina 14, in een lettergrootte die je drie keer moet lezen. Lees dus echt het hele document, ook als de salesvertegenwoordiger zegt dat het "standaard" is.)

Vraag 3: Wie is eigenaar van de code, modellen en integraties als we stoppen?

67% van organisaties probeert actief vendor lock-in bij AI-leveranciers te vermijden, en 45% zegt dat lock-in al daadwerkelijk heeft verhinderd dat ze beter konden overstappen [6]. Geen theoretisch risico dus. Het gebeurt wekelijks.

Wat je in het contract wilt:

• Code in een repository op jouw naam. Niet "toegang tijdens de looptijd". Eigendom.
• Externe accounts (OpenAI, Anthropic, Azure OpenAI, etc.) op jouw bedrijfsnaam, met jouw factuuradres. Het bureau krijgt toegang via jouw tenant.
• Finetune-data en eventuele eigen modelgewichten overdraagbaar in een standaardformaat.
• Een exitclausule met 30 tot 60 dagen overdrachtsperiode tegen vooraf vastgestelde tarieven.

Doet een bureau hier moeilijk over? Dan vertelt het je iets belangrijks. Het verdienmodel hangt af van het feit dat je niet weg kunt. Loop weg.

Vraag 4: Wat is jullie aanpak: vaste prijs, time & materials of pilot-first?

Het juiste antwoord is niet "vaste prijs", hoeveel ondernemers dat ook willen horen.

Bij AI-projecten zit er aan het begin echte technische onzekerheid. Of de data goed genoeg is. Of het model presteert op jouw use case. Of de integratie met je ERP of CRM überhaupt haalbaar is in de gewenste vorm. Een bureau dat in die fase een vaste prijs afgeeft, prijst die onzekerheid in (lees: te duur), of het cuttet later corners (lees: kwaliteit zakt). Beide zijn slechte uitkomsten voor jou.

De aanpak die in de praktijk werkt is hybride. Time & materials of een lichte vaste prijs voor een pilot van 6 tot 8 weken, gericht op één scherp afgebakende business-vraag [11]. Daarna pas vaste prijs voor de productie-build, omdat je dan weet wat je bouwt en op welke data. Zie ook ons overzicht van wat AI-implementatie in het MKB realistisch kost voor de bedragen per fase.

Het signaal dat je zoekt: een bureau dat het commerciële model afstemt op het projectrisico, niet op de eigen marge.

Vraag 5: Hoe meten we ROI en wanneer trekken we de stekker eruit?

PoC's met succescriteria gekoppeld aan een operationele beslissing halen 2,7 keer vaker productie dan PoC's die alleen op modelnauwkeurigheid worden afgerekend [8]. Vertaald naar wat je het bureau moet vragen: benoem vooraf, samen, één meetbaar bedrijfsbesluit waar dit systeem invloed op moet hebben. Tijd per offerte. Foutpercentage in de inkooporderverwerking. Aandeel klantvragen dat zonder mens wordt afgehandeld. Iets concreets, iets waar de boekhouder iets mee kan.

Reken qua tijdslijn niet op wonderen. Deloitte NL benchmarkt 2 tot 4 jaar tot volledige ROI; slechts 6% van de bedrijven ziet binnen 12 maanden volledige terugverdientijd [12]. Een bureau dat na drie weken belooft dat je investering eind dit kwartaal terug is, verkoopt fictie.

Bouw daarom een kill switch in. Vooraf afgesproken metrics waarop je na de pilot beslist: door, of stop. Zonder dat moment wordt elk traject vanzelf langer, duurder en vager. Eerlijk gezegd: dit is de vraag waar de meeste MKB'ers in de praktijk aan voorbij gaan, en het is precies de vraag die later het meeste kost. Heb je nog niet helder welk proces je überhaupt wilt aanpakken? Lees dan eerst hoe je AI gericht toepast in je bedrijf voordat je gaat shoppen.

Vraag 6: Welk deel van het werk doen jullie zelf en wat besteden jullie uit?

Veel "AI bureaus" zijn in werkelijkheid een commerciële laag bovenop een offshore team of een freelancer-pool. Niets mis met externe capaciteit op zich. Maar je moet het weten. En je moet het in je contract zien staan.

Vraag concreet:

• Wie schrijft de code? Medewerkers in vaste dienst, freelancers, of een offshore partner in Polen, India of Oekraïne?
• Wie doet de data engineering en het MLOps-werk?
• Hoeveel mensen zitten er op jouw account, en wat is precies hun rol?
• Wie is je vaste contactpersoon en wat is hun escalatiepad als het misgaat in week zes?

Een bureau dat hier transparant op antwoordt, kun je vertrouwen, ook als ze inderdaad met externe partners werken. Een bureau dat eromheen draait, levert jouw project waarschijnlijk in delen door aan partijen die elkaar nog nooit hebben ontmoet. Dat zie je terug in de kwaliteit. Altijd.

Vraag 7: Wat gebeurt er na livegang? Wie onderhoudt, traint en verbetert het systeem?

Een AI-systeem in productie is geen klassieke webapplicatie. Modellen drijven af. Data verandert. Gebruikers stellen ineens andere vragen. Regelgeving evolueert. Slechts 45% van organisaties met hoge AI-volwassenheid houdt projecten drie jaar of langer operationeel; bij de rest gaat de stekker er weer uit [3]. Onderhoud is geen extra'tje. Het is het verschil tussen een investering en een afschrijving.

Wat je in de SLA wilt zien:

• Een vaste cadans voor model-evaluatie en hertraining (per kwartaal of per maand, afhankelijk van use case).
• Drift-monitoring met heldere drempelwaarden voor herinterventie.
• Incidentresponstijden gespecificeerd per ernst, niet "best effort".
• Een doorontwikkel-budget per maand of per kwartaal, met een lichtgewicht proces om kleine verbeteringen door te voeren zonder elke keer een nieuw contract.

Een bureau dat alleen "support" verkoopt, levert je SaaS-niveau dienstverlening op een MLOps-probleem. Dat is ondergeschoten en je gaat het na een jaar voelen.

Rode vlaggen: signalen dat je een bureau moet vermijden

Een paar patronen die ik herhaaldelijk zie bij projecten die mislopen:

• Een "strategie-fase" van drie tot zes maanden voordat er ook maar één regel code wordt geschreven. Realistische pilots draaien in 6 tot 8 weken.
• Geen enkele referentie in productie. Alleen pilots en demo's.
• Brede dataclausules in het contract, waarin het bureau "metadata" of "geanonimiseerde data" mag gebruiken voor "verbetering van diensten". Dat is bijna altijd code voor: jouw data wordt gebruikt om hun product te trainen.
• Geen exit- of overdrachtsclausule. Of een overdrachtsclausule die zo duur is dat hij feitelijk een lock-in is.
• Een vaste prijs vóór de pilot, zonder enige inhoudelijke datacheck. Dat is gokken met jouw geld.
• Eén persoon die alle gesprekken voert, alle technische vragen beantwoordt en ook de offerte schrijft. Vaak een freelancer met een logo.
• Geen helder antwoord op AVG/AI Act-vragen, of een doorverwijzing naar "onze juristen" zodra het concreet wordt.

Niet elk signaal is op zichzelf een dealbreaker. Twee of meer? Volgende bureau bellen.

Praktisch stappenplan: van shortlist tot getekend contract in 4 weken

Een werkbare cadans die voorkomt dat je maandenlang in selectie blijft hangen:

Dit ritme dwingt iedereen, jou en de bureaus, tot beslissingen. Het voorkomt het meest voorkomende valkuil bij AI-trajecten in het MKB: vrijblijvende gesprekken die maanden doorlopen zonder dat er iets concreets gebeurt. Iedereen knikt, niemand tekent.

Wil je vooraf scherper hebben welk type oplossing past, kijk dan ook naar het verschil tussen een AI agency en andere partijen en hoe je verschillende AI-tools voor bedrijven vergelijkt. Die context maakt je RFI in week 1 een stuk scherper.

Wat je overhoudt als je dit goed doet

De Nederlandse MKB'ers die in 2025 en 2026 echt resultaat halen uit AI hebben drie dingen gemeen. Ze kozen één scherp afgebakend probleem. Ze startten met een pilot van 6 tot 8 weken met meetbare succescriteria. Ze tekenden een contract waarin data, code en exit waterdicht waren geregeld.

Een mid-market fintech die deze aanpak volgde haalde ROI in 21 maanden en een vijfjaars rendement van 320% [13]. Niet door een spectaculair model. Door een gedisciplineerd selectie- en uitvoeringsproces. Saai, dus.

De technologie is voor iedereen hetzelfde. Het verschil zit in wie je naast je hebt staan, en in welk gesprek je voert vóór je tekent.

Bronnen

[1] Gartner, "Lack of AI-Ready Data Puts AI Projects at Risk", https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk

[2] Gartner, "AI Projects in I&O Stall Ahead of Meaningful ROI Returns", https://www.gartner.com/en/newsroom/press-releases/2026-04-07-gartner-says-artificial-intelligence-projects-in-infrastructure-and-operations-stall-ahead-of-meaningful-roi-returns

[3] Gartner, "Survey on AI Maturity (June 2025)", https://www.gartner.com/en/newsroom/press-releases/2025-06-30-gartner-survey-finds-forty-five-percent-of-organizations-with-high-artificial-intelligence-maturity-keep-artificial-intelligence-projects-operational-for-at-least-three-years

[4] CBS, "Gebruik kunstmatige intelligentie (AI) door bedrijven neemt toe", https://www.cbs.nl/nl-nl/nieuws/2025/09/gebruik-kunstmatige-intelligentie--ai---door-bedrijven-neemt-toe

[5] Dialogic, "Onderzoek AI-gebruik in het mkb (november 2025)", https://dialogic.nl/wp-content/uploads/2025/11/onderzoek-ai-gebruik-in-het-mkb.pdf

[6] Kai Waehner, "Enterprise Agentic AI Landscape 2026: Trust, Flexibility, and Vendor Lock-in", https://www.kai-waehner.de/blog/2026/04/06/enterprise-agentic-ai-landscape-2026-trust-flexibility-and-vendor-lock-in/

[7] Internet Lawyer Blog, "Drafting AI Vendor Contracts: The 10 Clauses That Protect Your Business", https://www.internetlawyer-blog.com/drafting-ai-vendor-contracts-the-10-clauses-that-protect-your-business/

[8] Imaginary Cloud, "AI Proof of Concept ROI: A Guide to De-Risk Your Investment", https://www.imaginarycloud.com/blog/ai-proof-of-concept-roi-guide

[9] IBM, "Two-thirds of EMEA enterprises report significant productivity gains from AI", https://newsroom.ibm.com/2025-10-28-Two-thirds-of-surveyed-enterprises-in-EMEA-report-significant-productivity-gains-from-AI-finds-new-IBM-study

[10] Addend Analytics, "AI Proof of Concept in 6 Weeks Framework", https://addendanalytics.com/blog/blog-ai-proof-of-concept-6-weeks-framework

[11] Coherent Solutions, "AI Development Cost Estimation: Pricing Structure, Implementation ROI", https://www.coherentsolutions.com/insights/ai-development-cost-estimation-pricing-structure-roi

[12] Deloitte NL, "AI ROI: The paradox of rising investment and elusive returns", https://www.deloitte.com/nl/en/issues/generative-ai/ai-roi-the-paradox-of-rising-investment-and-elusive-returns.html

[13] SmartDev, "GenAI implementation cost in SMEs", https://smartdev.com/gen-ai-implementation-cost-sme/