Bij een klant van ons — een Nederlands handelsbedrijf van zo'n veertig medewerkers — kwam de directeur in februari met een concrete vraag. Of we eens konden kijken naar de stroom inkomende e-mails op info@. Het ging om een paar honderd berichten per week: offerteaanvragen, klachten, verzoeken om een prijslijst, terugbel-verzoeken, en daar tussendoor reclame en spam. Het uitsorteren slokte iedere ochtend ruim een uur van hun verkoopassistente op. Niet ingewikkeld maar wel onmisbaar werk. Saai ook soms en zorgt makkelijk voor menselijke fouten.
De oplossing die we voor hen hebben gebouwd kost ongeveer veertig euro per maand. Hij draait op één Mac mini in de meterkast. Geen e-mailinhoud verlaat ooit hun kantoor. En de verkoopassistente begint sinds eind maart elke ochtend met een correct gesorteerde, gelabelde inbox en een korte samenvatting van de avond ervoor. De terugverdientijd was zes weken. Zonder enige toezegging, contract of cloud-leverancier in beeld.
Dit is geen succesverhaal over één klant. Het is een kantelpunt dat we op dit moment bij meer dan tien MKB-bedrijven tegelijk in de praktijk brengen. Twee technieken die jaren afzonderlijk bestonden — workflow-automatisering en lokale taalmodellen — passen sinds 2025 zó goed in elkaar dat AI voor het Nederlandse MKB ineens praktisch, veilig én betaalbaar geworden is.
01 — Wat een AI-workflowsysteem eigenlijk is
Workflow-automatisering bestaat al decennia. U kent het waarschijnlijk uit eerdere generaties: Microsoft Power Automate, Zapier, Make (voorheen Integromat). De afgelopen drie jaar is daar één naam aan toegevoegd die het MKB-landschap in stilte heeft overgenomen: n8n, een open-source variant die u op uw eigen server kunt draaien.
In essentie zijn workflow-systemen visuele programma's. U sleept blokjes — nodes — op een canvas, verbindt ze met lijnen, en bouwt zo een keten van bewerkingen. Een binnenkomende e-mail wordt geclassificeerd. Een factuur wordt uit een PDF gelezen. Een record wordt in een boekhoudpakket aangemaakt. Een notificatie gaat naar de juiste medewerker. Klassieke automatisering — robuust, voorspelbaar, maar tot voor kort beperkt tot taken die u in regels kon vatten.
Dat is precies waar de afgelopen anderhalf jaar de doorbraak zit. Sinds workflow-systemen taalmodellen als gewone node kunnen aanroepen, kan diezelfde keten ineens taken aan die voorheen menselijk oordeel vereisten. "Is deze e-mail een offerteaanvraag of een klacht?" "Welke leverancier hoort bij deze factuur, ook als de naam licht afwijkt?" "Geef me drie kernpunten uit dit klantgesprek." Het zijn precies de stukjes werk die in elk MKB-bedrijf onnodig veel mensentijd opslokken — en die te onvoorspelbaar of te taalafhankelijk zijn om in vaste regels te vangen.
De combinatie is krachtig omdat ze de twee werelden behoudt waarin ze elk sterk zijn. De workflow zorgt voor herhaalbaarheid, audit-trails en koppeling met uw bestaande systemen. Het taalmodel doet het stukje "begrijp wat hier staat" of "schrijf hier een gepast antwoord op". Wat eruit komt, gaat weer netjes door de deterministische rails — geen AI die zelfstandig acties onderneemt, maar AI als gereedschap binnen een keten die u kunt overzien.
02 — Lokale taalmodellen: van speelgoed naar werkbaar
De andere helft van het verhaal is dat taalmodellen die lokaal draaien — op uw eigen hardware, in uw eigen pand of in een datacenter dat u zelf kiest — sinds vorig jaar daadwerkelijk goed genoeg zijn voor productiewerk.
Tot 2024 was de standaardredenering: alles wat een serieuze taak deed, moest via een API naar OpenAI of Anthropic. Lokale modellen waren leuk speelgoed, maar te beperkt voor echt werk. Die rekensom is veranderd. Llama 3.1 (door Meta), Qwen 3 (door Alibaba) en Mistral (uit Frankrijk) leverden in de afgelopen anderhalf jaar versies van acht tot dertig miljard parameters die specifieke MKB-taken — classificatie, samenvatting, eenvoudige extractie, vertaling, beleefd antwoorden — uitvoeren op een niveau dat een jaar geleden alleen GPT-4 haalde.
De hardware die u daarvoor nodig heeft, valt mee. Een Mac mini met 24 GB werkgeheugen (rond €1.500) draait een achtmiljard-parametermodel comfortabel. Een kleine workstation met een gebruikte gaming-GPU doet hetzelfde voor ongeveer hetzelfde geld. In beide gevallen gaat het om een investering die binnen één tot drie maanden is terugverdiend zodra één personeelslid per dag een half uur minder hoeft te doen aan repetitief werk.
Wat het lokaal draaien u oplevert, is drie dingen tegelijk. Privacy: e-mails, contracten, klantgegevens en personeelsdocumenten verlaten nooit uw pand. Voorspelbaarheid: dezelfde vraag levert vandaag hetzelfde antwoord op als over een half jaar, want het model verandert niet ineens omdat een leverancier een prijsverhoging doorvoert of een nieuwe versie uitrolt. Kosten: één eenmalige investering in hardware, geen per-token-tarieven die meeschalen met uw gebruik.
Het ontbrekende stuk — en hier komt het belang van het workflow-systeem terug — is dat een lokaal model alleen óók niet genoeg is. Een directeur die zelf gaat experimenteren met "Llama op een Mac mini" loopt vast op precies de stukken waar workflow-systemen voor zijn gemaakt: het netjes ontsluiten richting bestaande software, de auditing, de foutafhandeling, de notificaties als iets niet lukt. De combinatie is de oplossing — niet één van de twee.
03 — Wat we vandaag al in productie hebben staan
Genoeg theorie. Een korte greep uit wat we de afgelopen maanden voor MKB-klanten hebben gebouwd, om u een gevoel te geven van wat realistisch is en wat het oplevert.
E-mail-triage voor een handelsbedrijf, het voorbeeld waar dit artikel mee opende. Inkomende info@-berichten worden geclassificeerd in zes categorieën, gelabeld in Microsoft 365, en bij twijfel doorgezet voor menselijke beoordeling. Tijdsbesparing voor één medewerker: een uur per dag.
Factuurverwerking voor een installatiebedrijf. Binnenkomende leveranciersfacturen — PDFs in alle denkbare vormen — worden gelezen, gekoppeld aan de juiste leverancier en het juiste project, en als concept-boeking aangeboden aan de boekhouder. Verwerkingstijd per factuur is teruggelopen van vier minuten naar dertig seconden, met een goedkeuringsstap die niets aan controle inboet.
Klantgesprek-samenvattingen voor een accountantskantoor. Een opname van een klantgesprek (gemaakt met toestemming) wordt automatisch getranscribeerd en samengevat tot drie blokken: gemaakte afspraken, openstaande punten, en aandachtspunten voor het volgende contactmoment. De partner controleert in vijf minuten, in plaats van zelf een half uur te typen.
Eerste-lijns-respons voor de helpdesk van een softwarebedrijf. Inkomende supporttickets worden binnen een minuut beantwoord met een voorgesteld antwoord en de drie meest waarschijnlijke kennisbankartikelen, ter goedkeuring aan de medewerker. De medewerker hoeft niet meer met "hallo, we kijken ernaar" te beginnen, maar met "we hebben uw probleem als volgt begrepen — klopt dat?"
In elk van deze gevallen is het patroon hetzelfde: de AI doet één begrensde taak, een mens houdt het laatste woord, en het bedrijf bespaart structureel een paar uur per dag op werk dat niemand graag deed. Geen revolutie, geen ontslagen, geen "transformatieprogramma". Wel een tastbaar resultaat binnen weken, niet binnen jaren.
Het veiligheidsverhaal: waarom dit voor het MKB anders is
Eén ding moet expliciet gezegd, omdat we de vraag bij elke kennismaking horen. Lokale AI-workflows lossen een probleem op dat publieke AI-diensten voor het MKB structureel niet kunnen oplossen: het verantwoord omgaan met bedrijfsgegevens.
Microsoft 365 Copilot, ChatGPT Enterprise, Google Gemini — stuk voor stuk uitstekende producten, met heldere voorwaarden en gedegen contracten. Maar zelfs in de strengste enterprise-varianten verlaat uw data uw infrastructuur, en zelfs als het verwerkende bedrijf zegt dat het niets bewaart, blijft u afhankelijk van die belofte. Voor veel MKB-organisaties — advocatenkantoren, accountantskantoren, zorgbedrijven, technische dienstverleners met intellectueel eigendom — is dat het verschil tussen wel en niet kunnen automatiseren.
Lokale AI-workflows omzeilen die discussie volledig. Er is geen externe partij die uw data ziet, dus er is geen contract om over te onderhandelen, geen subverwerkers-bijlage om te beoordelen, geen risico dat een leverancier zijn voorwaarden eenzijdig wijzigt. Voor de AVG-verantwoordelijkheid is het simpelweg een server in uw eigen pand of bij een hostingpartij in Nederland die u zelf kiest. Dat maakt het juridisch hetzelfde verhaal als uw boekhoudpakket of uw e-mailserver — een type discussie dat uw advocaat of compliance-functionaris al jaren begrijpt.
Drie dingen om morgen te doen
Drie concrete acties, zonder buzzwords. Geen daarvan vraagt om een transformatieprogramma. Loopt u onderweg vast, of wilt u dat we een keer kritisch meekijken naar wat in uw situatie het meest oplevert, dan zijn we bereikbaar.
1. Inventariseer de drie meest repetitieve werkstromen in uw bedrijf.
Vraag aan uw mensen — niet alleen aan uzelf — welke drie terugkerende taken zij iedere dag of week doen die voelen alsof een computer ze ook zou kunnen doen. Inkomende post sorteren, leveranciersfacturen overtypen, klachten classificeren, offertes opstellen op basis van een sjabloon, gespreksverslagen schrijven. De kandidaten zijn vaak de taken die op de "dat is gewoon werk dat erbij hoort"-lijst staan, terwijl ze maandelijks tientallen uren kosten. Wij doen deze inventarisatie standaard in een uur met onze klanten — vraag er gerust naar.
2. Vraag uw IT-leverancier of ze met lokale modellen werken — en zo niet, waarom niet.
Het antwoord "we werken met Microsoft Copilot" is geen fout antwoord, maar het is een onvolledig antwoord. Voor taken waar bedrijfsgevoelige informatie bij komt kijken — interne mailwisseling, contracten, klantgegevens, personeelsdossiers — bestaat er sinds vorig jaar een alternatief dat technisch niet meer onderdoet, juridisch veel rustiger ligt, en op termijn goedkoper is. Een leverancier die er nog niet mee werkt is niet per se fout — maar zou wel een onderbouwd verhaal moeten hebben over waarom niet. Wilt u dit gesprek voeren over uw eigen omgeving? Daar maken we graag tijd voor vrij.
3. Test één kleine workflow binnen één team — twee tot vier weken, één duidelijk doel.
De fout die we het vaakst zien is dat een directeur "iets met AI" beslist voor de hele organisatie, en zes maanden later weinig te laten zien heeft. De effectieve aanpak is omgekeerd: één team, één taak, een proef van een paar weken, een eerlijke evaluatie of het écht tijd bespaart. Pas daarna een tweede workflow. De ervaring die uw mensen zo opdoen — wat AI wel kan, waar de grenzen liggen, hoe ze er met vertrouwen mee werken — is meer waard dan welk strategiedocument dan ook. Wilt u dit voor uw eigen bedrijf inrichten? Eén telefoontje of mail is genoeg.
Tot slot
Het bredere verhaal over AI in 2026 is dat het potentieel groot is en de zorgen reëel — en dat het de kunst is om die twee niet door elkaar te halen. Een directeur die om die reden afwacht, mist het venster waarin de eerste praktijkervaring wordt opgebouwd. Een directeur die alles tegelijk wil automatiseren, loopt veelal tegen teleurstellingen aan. De middenweg is dezelfde middenweg waarmee het MKB altijd succesvol is gevaren: nuchter beginnen, klein houden, leren door doen, en de techniek inzetten waar ze concreet werk uit handen neemt.
De combinatie van AI-workflowsystemen en lokale taalmodellen verschuift het hele gesprek over AI in het MKB van "interessant in theorie, ingewikkeld in de praktijk" naar "iets waar u deze maand mee kunt beginnen". Wilt u eens nuchter doorpraten over welke processen in uw bedrijf zich daar het beste voor lenen, of een tweede mening over wat uw huidige IT-leverancier hierin biedt? Klant of geen klant, één gesprek kost u niets en levert vaak meteen drie concrete acties op. Neem contact op of stuur een mail naar info@ningaloo.nl.
— Rogier Banis · Ningaloo