Een ondernemer uit Groningen vertelde laatst dat hij wel wist waar AI hem kon helpen, maar niet hoe hij het project moest uitleggen zonder dat het klonk als speelgoed. Zijn team verloor elke week uren aan offertevragen, tekeningen controleren en klantmails samenvatten. Toch bleef zijn plan hangen in zinnen als: we willen iets met AI automatiseren. Voor een subsidieaanvraag is dat te mistig. Voor een leverancier trouwens ook.
Daarom is de SNN haalbaarheidsvoucher voor veel noordelijke mkb-bedrijven interessant. Niet omdat subsidie gratis geld is, maar omdat de regeling je dwingt om één scherpe vraag te stellen: is dit AI-idee technisch, financieel en organisatorisch haalbaar? In 2026 gaat het bij AI niet meer om de mooiste demo. Het gaat om bewijs dat een pilot uitvoerbaar is, dat de risico's bekend zijn en dat het bedrijf na de studie een betere investeringsbeslissing kan nemen.
Dit artikel is voor ondernemers in Groningen, Friesland en Drenthe die een AI-project overwegen en willen weten hoe ze zo'n idee praktisch opschrijven. Denk aan productiebedrijven, zakelijke dienstverleners, groothandels, installateurs, webshops en administratiekantoren. De kern: begin niet met een toolnaam, maar met een knelpunt dat geld, tijd of marge kost.
TL;DR: maak je AI-plan subsidieproof in vijf keuzes - Kies één bedrijfsproces waar elke week minimaal 3 tot 8 uur verlies zit. - Formuleer een haalbaarheidsvraag, geen belofte dat AI alles oplost. - Beschrijf welke data, koppelingen en menselijke controles nodig zijn. - Reken met een studie van 4 tot 10 weken, niet met een eeuwigdurende innovatie-roadmap. - Eindig met een beslisdocument: bouwen, aanpassen of stoppen.
Waarom de voucher past bij AI-projecten met onzekerheid Een haalbaarheidsvoucher is vooral logisch wanneer je nog niet zeker weet of de oplossing verstandig is. Dat klinkt voor de hand liggend, maar veel ondernemers slaan die fase over. Ze kopen een tool, laten een koppeling bouwen, ontdekken daarna dat de data rommelig is en noemen AI vervolgens teleurstellend. De fout zat dan niet in AI, maar in de volgorde.
Bij een AI-project zitten meestal vier onzekerheden. Eén: is de brondata bruikbaar genoeg? Twee: kan het systeem betrouwbaar onderscheid maken tussen normale gevallen en uitzonderingen? Drie: past het in het dagelijkse werk van medewerkers? Vier: levert de tijdwinst of kwaliteitsverbetering genoeg op om implementatie te rechtvaardigen? Een haalbaarheidsstudie is bedoeld om precies die vragen klein en controleerbaar te maken.
Stel dat je als technisch dienstverlener elke maand 120 servicebonnen verwerkt. Monteurs schrijven opmerkingen vrij tekstueel op, planners bellen na en administratie zoekt ontbrekende gegevens. Een AI-agent kan misschien servicebonnen samenvatten, onderdelen herkennen en vervolgacties voorstellen. Maar voordat je bouwt, wil je weten hoeveel bonnen compleet genoeg zijn, welke fouten gevaarlijk zijn en waar een medewerker verplicht moet goedkeuren. Dat is een haalbaarheidsvraag.
Begin met een pijnlijke maar meetbare werkstroom De sterkste aanvragen starten niet met: wij willen AI inzetten. Ze starten met: dit proces kost ons aantoonbaar capaciteit of omzet. Kies dus een werkstroom die vaak terugkomt. Denk aan offerteaanvragen, klantvragen, factuurcontrole, orderstatus, kwaliteitsrapporten, planning, technische documentatie of leadopvolging. Vermijd brede zinnen als administratieve efficiëntie. Schrijf liever: elke week worden ongeveer 45 inkomende e-mails handmatig geclassificeerd, waarvan 30 procent standaardvragen bevat.
Maak daarna een nulmeting van 2 weken. Noteer aantallen, doorlooptijd, fouten, wachttijd en betrokken rollen. Je hoeft geen perfect BI-dashboard te hebben. Een spreadsheet met 5 kolommen is vaak genoeg: datum, type taak, aantal gevallen, gemiddelde behandeltijd en reden van vertraging. Die meting maakt je aanvraag geloofwaardiger en helpt later bepalen of een pilot zin heeft.
Gebruik bij voorkeur euro's én uren. Als een medewerker 6 uur per week kwijt is aan voorselectie van aanvragen, is dat ongeveer 24 uur per maand. Bij een interne kostprijs van 45 euro per uur praat je over 1.080 euro capaciteit per maand. Als een haalbaarheidsstudie laat zien dat 40 procent daarvan veilig te automatiseren is, heb je een rationeel investeringsgesprek. Geen hype, maar rekentaal.
De goede haalbaarheidsvraag klinkt nuchter Een zwakke vraag is: kunnen wij AI gebruiken voor klantenservice? Een sterke vraag is: kan een AI-agent op basis van onze bestaande kennisbank en 500 historische klantvragen minimaal 60 procent van de binnenkomende standaardvragen correct classificeren, met menselijke goedkeuring voor antwoorden die persoonsgegevens, prijzen of klachten bevatten? Die tweede vraag is toetsbaar.
Voor een subsidieproof AI-plan helpt deze formule: Kan een AI-oplossing met bron X, binnen proces Y, onder controle Z, resultaat R halen? Bron X kan bestaan uit e-mails, offertes, handleidingen, facturen of CRM-notities. Proces Y is het terugkerende werk. Controle Z is de menselijke check, escalatieregel of auditlog. Resultaat R is bijvoorbeeld minder doorlooptijd, minder fouten of sneller inzicht.
Schrijf ook op wat buiten scope valt. Dat voelt beperkend, maar het maakt je plan sterker. Bijvoorbeeld: de studie onderzoekt geen volledig autonoom verzenden van offertes, geen verwerking van medische gegevens en geen automatische prijsbeslissingen. Juist die begrenzing laat zien dat je de risico's begrijpt. In 2026 is volwassen AI-gebruik niet hetzelfde als maximale autonomie. Het is weten waar autonomie wel en niet past.
Wat er in je projectdossier hoort Een praktisch dossier bestaat uit 7 onderdelen. Eén: bedrijfsprobleem en nulmeting. Twee: beschrijving van het proces. Drie: beschikbare data en datakwaliteit. Vier: technische oplossingsrichtingen, bijvoorbeeld no-code workflow, API-koppeling, document-AI of agent met kennisbank. Vijf: risico's rond privacy, foutieve output en afhankelijkheid van leveranciers. Zes: planning en kosten van de studie. Zeven: besliscriteria voor vervolg.
Maak het concreet met bijlagen. Voeg een procesplaat toe van maximaal 1 pagina. Voeg 10 geanonimiseerde voorbeelden toe van e-mails, bonnen of aanvragen. Voeg een eenvoudige kosten-bateninschatting toe. Voeg een rolverdeling toe: ondernemer, procesverantwoordelijke, externe specialist en eindgebruikers. Een beoordelaar hoeft niet onder de indruk te zijn van jargon. Die moet begrijpen wat je gaat leren en waarom dat economisch relevant is.
Let extra op privacy. Als je klantdata gebruikt, beschrijf dan hoe je anonimiseert, welke zakelijke AI-omgeving je gebruikt en waar menselijke controle plaatsvindt. Als je leveranciers vergelijkt, vraag naar verwerkingsovereenkomst, datalocatie, logging en modeltraining. Dat hoeft geen juridisch essay te worden. Een tabel met 5 eisen is al beter dan niets.
Voorbeeld: van offertechaos naar haalbaarheidsstudie Een installatiebedrijf krijgt 80 offertevragen per maand. De eigenaar wil sneller reageren, maar iedere aanvraag bevat andere bijlagen, foto's en ontbrekende informatie. Het AI-idee is niet: offertes automatisch maken. De haalbaarheidsvraag wordt: kan AI binnen 30 seconden per aanvraag bepalen welke informatie ontbreekt, welk type werk het betreft en welke vervolgstap nodig is, zodat een medewerker sneller een correct concept kan maken?
De studie gebruikt 200 historische aanvragen. De output wordt niet naar klanten gestuurd. Een medewerker beoordeelt elk voorstel. Succes betekent dat 70 procent van de aanvragen correct wordt geclassificeerd en dat de eerste beoordeling per aanvraag van 12 minuten naar 6 minuten gaat. Bij 80 aanvragen per maand bespaart dat 8 uur per maand. Als de kwaliteit goed genoeg is, volgt daarna pas een pilot met CRM-koppeling.
Dit is precies het soort nuchtere afbakening dat werkt. Het project is klein genoeg om te onderzoeken, maar belangrijk genoeg om vervolgwaarde te hebben. Bovendien is het resultaat bruikbaar, ook als de conclusie nee is. Dan weet het bedrijf bijvoorbeeld dat de aanvraagformulieren eerst beter moeten voordat AI rendeert.
Checklist voor je aanvraagvoorbereiding - Verzamel 2 weken procesdata met aantallen, minuten en fouttypen. - Kies 1 AI-use case met duidelijke bedrijfswaarde. - Formuleer 1 hoofdvraag en maximaal 3 deelvragen. - Beschrijf welke data geanonimiseerd of uitgesloten wordt. - Bepaal 3 succescriteria, bijvoorbeeld tijdwinst, nauwkeurigheid en acceptatie door medewerkers. - Vraag leveranciers om een korte aanpak, planning, risico's en kostenraming. - Maak vooraf duidelijk welk besluit na de studie genomen wordt.
Veelgestelde vragen ### Is een AI-tool kopen genoeg voor een haalbaarheidsproject? Meestal niet. Een toolabonnement is geen haalbaarheidsstudie. De waarde zit in onderzoeken of jouw proces, data en team klaar zijn voor een werkende oplossing. ### Moet ik al precies weten welke AI-oplossing ik wil bouwen? Nee. Je moet wel scherp weten welk probleem je onderzoekt. De studie mag juist verschillende oplossingsrichtingen vergelijken. ### Wat als de uitkomst is dat AI nog niet haalbaar is? Dat kan een goede uitkomst zijn. Dan voorkom je een grotere investering en weet je welke randvoorwaarden eerst op orde moeten, zoals data, procesafspraken of privacy.
Conclusie De SNN haalbaarheidsvoucher is voor AI-projecten vooral waardevol als discipline-instrument. Hij dwingt je om van enthousiasme naar bewijs te gaan. Voor noordelijke mkb-ondernemers is dat precies de stap die in 2026 het verschil maakt tussen losse AI-experimenten en investeringen die echt passen bij het bedrijf.
Begin met één pijnlijk proces, meet het kort, formuleer een toetsbare vraag en bouw je dossier rond leren in plaats van beloven. Dan wordt subsidie geen doel op zich, maar een manier om met minder risico te ontdekken welke AI-automatisering jouw bedrijf daadwerkelijk vooruithelpt.
Direct toepasbare prompt
"Geef me een praktische aanpak voor [probleem] voor een Nederlands mkb-bedrijf. Houd het kort, met concrete stappen en voorbeeldtekst."