Subsidies hebben een vreemde bijwerking. Ze kunnen een goed AI-plan versnellen, maar ook een ondernemer weken laten verdwalen in formulieren, afkortingen en beloftevolle adviseurs. In 2026 is de belangstelling voor AI-projecten in het mkb groot. Tegelijk blijkt de praktische vraag vaak simpeler dan de brochure: bouw je echt iets technisch nieuws, of wil je bestaande tools slimmer inzetten? Dat verschil bepaalt of WBSO, MIT of helemaal geen subsidie de juiste route is.
Dit artikel is geschreven voor Nederlandse ondernemers die een concreet AI-idee hebben: een planningstool, offerte-agent, klantenservicebot, voorspellend dashboard, documentanalyse of automatisering rond administratie. Je wilt weten of er subsidie mogelijk is, maar vooral hoe je voorkomt dat de aanvraag meer energie kost dan het project zelf.
TL;DR: kies eerst de route, dan pas de regeling - Gebruik WBSO wanneer je zelf technische softwareontwikkeling doet met onzekerheden en ontwikkeluren. - Kijk naar MIT wanneer je met andere mkb-bedrijven of kennispartijen een innovatieproject of haalbaarheidsonderzoek opzet. - Begin met een projectcanvas van 1 pagina voordat je een subsidieadviseur belt. - Zoek consortiumpartners op probleemfit, niet op logo of subsidie-ervaring. - Plan minimaal 6 tot 13 weken voorbereiding voor serieuze samenwerkingsaanvragen.
De belangrijkste splitsing: ontwikkelen of implementeren Veel AI-projecten zijn waardevol, maar niet allemaal subsidiabel. Een chatbot installeren, prompts schrijven en Make- of Zapier-koppelingen bouwen is vaak implementatie. Daar kun je uitstekend geld mee verdienen, maar het is meestal geen technisch speur- en ontwikkelwerk. Een eigen algoritme bouwen, een nieuwe datakoppeling ontwikkelen, onzekerheden oplossen rond modelprestaties of een technisch nieuw product maken komt eerder in beeld voor WBSO of R&D-subsidie.
Stel jezelf drie vragen. Is er een technisch knelpunt waarvan de oplossing vooraf onzeker is? Moet je eigen software ontwikkelen om dat knelpunt op te lossen? Kun je uren, experimenten en technische keuzes vastleggen? Als het antwoord drie keer ja is, is WBSO interessant. Als je vooral bestaande tools configureert, kijk dan naar training, procesverbetering of een kleiner investeringsbudget in plaats van subsidie als startmotor.
Wanneer WBSO logisch is WBSO is geen zak geld op je rekening, maar fiscaal voordeel op speur- en ontwikkelingswerk. Voor AI-software kan dat aantrekkelijk zijn wanneer je eigen ontwikkelaars of jijzelf als ondernemer technische uren maakt. Denk aan een planningsalgoritme dat rekening houdt met monteurs, routes, spoed en voorraad. Of een documentclassificatie-systeem dat facturen, contracten en werkbonnen betrouwbaar moet herkennen binnen een specifieke branche.
De kern is bewijs. Je moet niet alleen zeggen dat AI ingewikkeld is. Je moet kunnen uitleggen welk technisch probleem je onderzoekt, welke oplossingsrichtingen je probeert, waarom bestaande oplossingen niet volstaan en hoe je de voortgang vastlegt. Een goed WBSO-dossier klinkt vaak minder marketingachtig en meer als een ontwikkelaarslogboek.
Wanneer MIT interessanter wordt MIT-regelingen zijn vooral interessant wanneer je samenwerkt aan innovatie of eerst de haalbaarheid wilt onderzoeken. In 2026 zijn AI, data en digitalisering duidelijke thema's binnen veel innovatieagenda's. Maar samenwerking is geen formaliteit. Een consortium werkt alleen wanneer elke partij iets noodzakelijks brengt: domeinkennis, data, technologie, testomgeving, markttoegang of onderzoekscapaciteit.
Een mkb'er die alleen een leverancier zoekt om iets te bouwen, heeft nog geen consortium. Een sterker voorbeeld: drie installatiebedrijven willen samen een AI-model testen dat storingsmeldingen voorspelt, een softwarepartij bouwt de technische laag en een hogeschool helpt met evaluatie en datakwaliteit. Dan ontstaat een project waarin kennis, risico en resultaat gedeeld worden.
Maak eerst een projectcanvas van 1 pagina Voordat je partners zoekt, schrijf je één pagina. Bovenaan: welk probleem kost nu geld, tijd of klanten? Daarna: wie heeft het probleem, hoe vaak komt het voor, welke data is beschikbaar, wat moet AI beter doen dan de huidige werkwijze, wat is technisch onzeker, wie gebruikt het resultaat, en hoe meet je succes na 3 maanden?
Maak het concreet. Niet: 'We willen AI inzetten voor efficiëntie.' Wel: 'We willen inkomende offerteaanvragen voor warmtepompen automatisch classificeren op woningtype, urgentie en kansrijkheid, zodat binnendienstmedewerkers binnen 2 uur de juiste opvolging sturen. Het technische knelpunt is betrouwbare interpretatie van vrije tekst en foto's bij incomplete klantdata.' Zo'n tekst trekt betere partners aan.
Partners vinden zonder netwerkstress Begin dicht bij het probleem. Vraag klanten, leveranciers, brancheverenigingen en softwarepartners wie hetzelfde knelpunt herkent. Kijk daarna naar regionale ontwikkelingsmaatschappijen, hogescholen, fieldlabs en ondernemersnetwerken. Voor AI-projecten zijn hogescholen vaak praktischer dan universiteiten wanneer je snel een pilotomgeving, studentenonderzoek of lectorale expertise zoekt.
Stuur potentiële partners geen subsidiepdf van 20 pagina's. Stuur je projectcanvas en vraag om een gesprek van 30 minuten rond drie vragen: herkennen jullie dit probleem, welke rol zouden jullie realistisch kunnen spelen, en welke data of testomgeving kunnen jullie bijdragen? Wie alleen geïnteresseerd is 'als er subsidie komt', maar geen inhoudelijke bijdrage heeft, is waarschijnlijk geen sterke partner.
De rolverdeling die aanvragen sterker maakt Een goede aanvraag laat zien waarom het project niet door één partij alleen kan worden uitgevoerd. Verdeel rollen expliciet. De probleemeigenaar levert praktijkcases en testgebruikers. De technische partner ontwikkelt software en integraties. De kennispartner helpt met meetmethode, datakwaliteit of evaluatie. Een branchepartner kan helpen met verspreiding en validatie.
Leg ook vast wie eigenaar wordt van welke resultaten. Ondernemers slaan dit gesprek graag over omdat het ongemakkelijk voelt. Niet doen. Bespreek intellectueel eigendom, gebruiksrechten, data, publicatie en commerciële exploitatie voordat er subsidie op tafel ligt. Een project dat inhoudelijk goed is, kan alsnog vastlopen op onduidelijke afspraken.
Praktijkvoorbeeld: voorraadvoorspelling voor webshops Drie nichewebshops wilden AI gebruiken om voorraadtekorten te voorspellen. Ze hadden seizoensdata, promotiekalenders en retourinformatie, maar te weinig technische capaciteit. Een softwarebureau stelde voor om direct een dashboard te bouwen. Dat was verleidelijk, maar de ondernemers wisten niet of hun data goed genoeg was. Ze kozen eerst voor een haalbaarheidstraject.
In 8 weken onderzochten ze datakwaliteit, voorspellende variabelen en minimale nauwkeurigheid. De uitkomst was eerlijk: voor 2 webshops was de data bruikbaar, voor 1 niet. Daardoor werd het grotere project kleiner maar sterker. De derde webshop ging eerst datavelden opschonen. Dat voelt als vertraging, maar voorkomt een dure AI-pilot die alleen mooie grafieken oplevert.
Timing: werk achteruit vanaf de deadline Subsidieaanvragen mislukken vaak niet door slechte ideeën, maar door late start. Reken voor een serieuze MIT-samenwerking op minimaal 6 tot 13 weken voorbereiding. Week 1 en 2: projectcanvas en partnergesprekken. Week 3 en 4: scope, begroting en technische onzekerheden. Week 5 en 6: conceptaanvraag, feedback en rollen. Daarna pas finetunen, verklaringen verzamelen en indienen.
Voor WBSO is de routine anders. Daar draait het om duidelijke technische beschrijving en urenadministratie vanaf de start van ontwikkelwerk. Wacht niet tot het project bijna klaar is. Dan kun je moeilijk aantonen welke onzekerheden je tijdens ontwikkeling hebt opgelost.
Begroting: zet mensuren naast toolkosten AI-projecten worden vaak begroot alsof de tool het werk doet. In werkelijkheid zitten kosten in data voorbereiden, testen, integreren, foutanalyse, gebruikersfeedback, beveiliging en overdracht. Zet daarom per fase uren naast externe kosten. Een pilot van 20.000 euro kan realistisch zijn als er 120 interne uren, 80 ontwikkeluren en 30 uur testbegeleiding in zitten. Zonder die uren wordt de subsidieaanvraag ongeloofwaardig en het projectplan zwak.
Neem ook beheer mee. Wie onderhoudt prompts, modellen, koppelingen en datasets na livegang? Wie reageert op fouten? Wie beslist of de AI zelfstandig mag handelen of alleen advies geeft? Subsidie financiert zelden je hele toekomstige operatie, dus ontwerp vanaf dag één een project dat na de regeling kan blijven draaien.
Veelgemaakte fouten De eerste fout is subsidie zoeken voor een vaag idee. Begin met pijn, data en meetbaar resultaat. De tweede fout is een partner kiezen omdat hij subsidie-ervaring heeft, maar geen domeinwaarde toevoegt. De derde fout is technische onzekerheid verwarren met gewone projectonzekerheid. 'We weten nog niet of klanten het gebruiken' is marktvalidatie. 'We weten nog niet hoe we vrije tekst betrouwbaar aan orderregels koppelen' is eerder technisch.
De vierde fout is te groot starten. Een AI-platform voor de hele branche klinkt indrukwekkend, maar een smalle usecase met echte data en duidelijke KPI's maakt meer kans op uitvoering. Subsidies belonen niet alleen ambitie; ze belonen geloofwaardige innovatie met aantoonbare aanpak.
Conclusie WBSO en MIT kunnen een AI-project versnellen, maar alleen wanneer de regeling past bij het werkelijke karakter van het plan. Ontwikkel je zelf technische software met onzekerheden, kijk naar WBSO. Werk je samen aan innovatie of wil je haalbaarheid onderzoeken, kijk naar MIT. Wil je vooral bestaande tools invoeren, begin dan gewoon klein en meet rendement. De beste subsidieaanvraag ontstaat niet uit subsidiejargon, maar uit een scherp probleem, de juiste partners en een project dat ook zonder mooie woorden waarde zou hebben.
Direct toepasbare prompt
"Geef me een praktische aanpak voor [probleem] voor een Nederlands mkb-bedrijf. Houd het kort, met concrete stappen en voorbeeldtekst."