AI-leverancier kiezen: 7 vragen die tellen voor het MKB
Gepubliceerd op 24-10-2026
Je hebt drie offertes ontvangen. Alle drie beloven ze "slimme AI-oplossingen die jouw bedrijf naar het volgende niveau tillen". Alle drie zien er professioneel uit. Hoe bepaal je welke aanbieder serieus te nemen is en welke je een mooie presentatie verkoopt zonder dat er daarna iets werkbaars staat?
Dat is precies de vraag die MKB-beslissers mij stellen. En het eerlijke antwoord is: een goed aanbod herken je niet aan de slides, maar aan wat je terugkrijgt als je de juiste vragen stelt. Hieronder zeven van die vragen — met uitleg waarom ze ertoe doen en hoe een goed antwoord eruitziet.
Vraag 1: Kunnen jullie iets werkends laten zien — nu, niet over zes weken?
Dit is de meest directe manier om kaf van koren te scheiden. Elke serieuze AI-implementatiepartner heeft eerder iets gebouwd. Vraag om een werkende demo, een live prototype of een concreet voorbeeld van een afgerond project — iets wat je kunt aanraken, uittesten of in ieder geval concreet bekijken.
Waarom het ertoe doet. Bouwen is iets anders dan ontwerpen of adviseren. Een aanbieder die alleen workshops geeft, raamwerken presenteert of een stappenplan levert, lost jouw probleem niet op. Je hebt iemand nodig die weet hoe het daadwerkelijk werkt — inclusief de problemen die je onderweg tegenkomt.
Goed antwoord: een demo of referentie-implementatie die je kunt zien of proberen. "We hebben iets vergelijkbaars gebouwd voor [type klant], hier kun je het bekijken." Of: "Onze eigen website werkt al op deze techniek — probeer het maar."
Rood vlaggetje: "We gaan eerst een discovery doen en daarna een roadmap opstellen." Als er na drie gesprekken nog niets concreets op tafel ligt, is de kans groot dat die roadmap de eindbestemming is.
Vraag 2: Wat gebeurt er met mijn data?
Dit is geen lastige vraag — het is een basisvraag. Elke leverancier die met jouw bedrijfsdata werkt, moet hier helder over kunnen zijn.
Wat je wil weten: gaat jouw data naar een cloud-model van een derde partij? Wordt het gebruikt om een model bij te trainen? Hoe lang wordt het opgeslagen? Wie heeft er toegang toe? Is er een verwerkersovereenkomst (DPA) beschikbaar?
Waarom het ertoe doet. Voor veel processen is het prima om een cloud-LLM te gebruiken — als de juiste afspraken zijn gemaakt en de data er geschikt voor is. Voor gevoelige bedrijfsinformatie, klantdata of persoonsgegevens liggen de eisen anders. Een goede leverancier kent dat onderscheid en legt het uit. (Meer over de afweging tussen lokaal en cloud lees je in: Lokale LLM of cloud: wat gebeurt er met jouw data?.)
Goed antwoord: een duidelijke uitleg van welke systemen betrokken zijn, welke data die zien, en waar de verwerkersovereenkomst staat. Geen vaagheden.
Rood vlaggetje: "Dat regelen we via de algemene voorwaarden van de tool die we gebruiken." Dat is geen antwoord — dat is het doorschuiven van jouw vraag.
Vraag 3: Van wie is wat er gebouwd wordt?
Als een leverancier voor jou iets bouwt — een chatbot, een automatisering, een AI-component in je workflow — wie is dan eigenaar van die code, die data en die configuratie?
Wat je wil weten: kun je na afloop verder zonder de leverancier? Heb jij toegang tot de broncode, de modellen, de prompts, de connecties? Wordt alles overgedragen of blijft het in een omgeving van de aanbieder?
Waarom het ertoe doet. Vendor lock-in is een reëel risico bij AI-implementaties. Als alles draait op een platform of in een omgeving waar de leverancier de sleutels heeft, ben je afhankelijk. Wil je daarna overstappen, aanpassen of intern overnemen — dan is dat een nieuw project. Of een nieuwe factuur.
Goed antwoord: "Alles wat we bouwen is van jou. De code, de configuratie, de data. We leveren het op in jouw omgeving en dragen het volledig over." En dat staat bij voorkeur ook in het contract.
Rood vlaggetje: "We bouwen het op ons platform, je hebt toegang via een licentie." Dat is abonnement, geen implementatie.
Vraag 4: Hoe gaan jullie om met de grenzen en risico's van AI?
AI maakt fouten. Taalmodellen kunnen dingen verzinnen die overtuigend klinken maar onjuist zijn — dat heet hallucinatie. AI-chatbots die open zijn voor externe gebruikers, kunnen geprobeerd worden te misbruiken. En niet elk AI-systeem is geschikt voor elk type beslissing.
Wat je wil weten: hoe erkent de leverancier deze risico's, en wat doen ze eraan? Bouwen ze in waarschuwingen, moderatie, fallbacks? Zijn ze eerlijk over wat het systeem niet kan?
Waarom het ertoe doet. Een aanbieder die de risico's van AI niet benoemt, heeft ze waarschijnlijk ook niet meegenomen in het ontwerp. Dat wordt jouw probleem zodra het systeem live staat en een medewerker of klant een fout antwoord vertrouwt.
Goed antwoord: een concrete uitleg van welke beperkingen het systeem heeft, hoe ze die communiceren aan gebruikers, en wat de fallback is als AI het antwoord schuldig blijft of fout gaat. "We bouwen altijd een 'ik weet het niet'-respons in en beperken het systeem tot het domein waarvoor het bedoeld is."
Rood vlaggetje: "AI is inmiddels zo ver dat dit zelden een probleem is." Dat is geen antwoord, dat is hype.
Vraag 5: Wat meten jullie, en hoe weet ik of het werkt?
Succes is geen gevoel — het is een getal, een tijdmeting, een frequentie, iets wat je voor en na kunt vergelijken. Vraag de leverancier wat ze gaan meten en hoe ze dat zichtbaar maken.
Wat je wil weten: hoe definiëren ze succes voor jouw specifieke situatie? Welke meetpunten stellen ze voor? Hoe rapporteren ze dat, en hoe vaak?
Waarom het ertoe doet. Een AI-implementatie die "gewoon werkt" klinkt goed, maar geeft je niets om op te sturen. Weet je niet hoeveel vragen de chatbot correct beantwoordt? Dan weet je ook niet wanneer je de documenten moet bijwerken, wanneer je moet opschalen of wanneer het systeem niet meer goed presteert. Succes zonder meting is een mening.
Goed antwoord: "We definiëren samen een succes-definitie vóór we beginnen — bijv. X% van de vragen correct beantwoord zonder menselijke tussenkomst. We meten dat wekelijks en rapporteren dat in een dashboard dat jij zelf kunt inzien."
Rood vlaggetje: "We evalueren dat na oplevering." Dat betekent: we hebben geen plan.
Vraag 6: Wat gebeurt er na oplevering — onderhoud en adoptie?
Een systeem dat klaar is, is niet hetzelfde als een systeem dat werkt. AI-toepassingen vragen onderhoud: documenten moeten worden bijgehouden, modellen worden geüpdate, prompts moeten worden bijgesteld als gedrag verandert, en gebruikers moeten het systeem daadwerkelijk gaan gebruiken.
Wat je wil weten: wat is het plan na go-live? Is er een onderhoudsovereenkomst? Wie is verantwoordelijk voor updates en storingen? Hoe zorgen ze dat de mensen in jouw organisatie het systeem ook echt gaan gebruiken?
Waarom het ertoe doet. De duurste AI-implementatie is er een die niemand gebruikt. Dat klinkt overdreven, maar het is een van de meest voorkomende oorzaken van mislukte pilots: de techniek werkt, maar de adoptie is nul. Een leverancier die stopt na oplevering, laat jou achter met een systeem dat langzaam veroudert.
Goed antwoord: een concreet plan voor de periode na go-live — wie doet ondersteuning, hoe worden medewerkers getraind, wat zijn de afspraken over updates en bugs, hoe lang duurt de overdracht. Niet "we zijn bereikbaar als er iets is."
Rood vlaggetje: de offerte eindigt bij "oplevering". Alles daarna is extra.
Vraag 7: Ben ik na dit traject afhankelijk van jullie?
Dit is de directe versie van de vendor lock-in-vraag. Stel hem expliciet, ook als je eigenaarschap (vraag 3) al hebt besproken. Want afhankelijkheid heeft meer vormen dan alleen code.
Wat je wil weten: zijn jouw medewerkers na dit traject in staat om het systeem zelf te beheren en aan te passen? Of heb je voor elke kleine wijziging de leverancier nodig? Is de kennis overgedragen?
Waarom het ertoe doet. Een goede partner wil dat je sterker uit het traject komt, niet dat je permanent terugkomt voor elke aanpassing. Als de leverancier kennis terughoudt — bewust of onbewust — bouw je een afhankelijkheid die op de lange termijn duur is.
Goed antwoord: "We leveren documentatie en training mee zodat jullie intern zelf de basis kunt bijhouden. Voor uitbreidingen kunnen we beschikbaar zijn, maar de keuze is aan jullie." En dat staat in de offerte.
Rood vlaggetje: "AI is complex, dit wil je niet zelf beheren." Dat kan waar zijn — maar het mag geen verdienmodel worden.
Overzicht: 7 vragen voor het beoordelen van een AI-leverancier
| Vraag | Wat je test |
|---|---|
| Kunnen jullie iets werkends laten zien? | Ervaring vs. theorie |
| Wat gebeurt er met mijn data? | Privacy en transparantie |
| Van wie is wat er gebouwd wordt? | Eigenaarschap en exitstrategie |
| Hoe gaan jullie om met AI-risico's? | Eerlijkheid over grenzen |
| Wat meten jullie? | Sturing vs. vertrouwen op gevoel |
| Wat gebeurt er na oplevering? | Adoptie en duurzaamheid |
| Ben ik daarna afhankelijk van jullie? | Zelfstandigheid vs. lock-in |
Hoe herken je een betrouwbare AI-leverancier aan het antwoord?
Een leverancier die deze vragen goed beantwoordt, zal regelmatig "dat hangt ervan af" zeggen. Dat is geen zwakheid — dat is precisie. AI werkt goed voor afgebakende problemen en minder goed voor alles tegelijk. Een partner die dat erkent en helpt te kiezen, is betrouwbaarder dan eentje die belooft dat AI al jouw uitdagingen oplost.
Overigens: als je deze vragen stelt en de leverancier reageert defensief of vaag, is dat zelf al waardevolle informatie.
Wil je weten hoe zo'n traject er in de praktijk uitziet? Lees dan hoe een chatbot op jouw eigen documenten werkt: Chatbot op eigen documenten: zo werkt RAG voor jouw bedrijf. Of lees eerst hoe je klein en beheerst begint: AI beginnen in het MKB: start met één saai proces. Wil je ook weten wat de totale investering je gaat kosten, inclusief de posten die leveranciers zelden noemen? Lees: Wat kost AI echt? Alle kostenposten voor het MKB.
Heb je offertes op tafel liggen en wil je weten hoe je ze naast elkaar kunt leggen? In een gratis intake kijk ik met je mee — geen verkooppraatje, wel een eerlijk oordeel. Plan een gratis intake.