AI-implementatiepartner: wat het is en wanneer je er een nodig hebt
Modellen zijn goed genoeg. Dat is al een paar jaar zo. Wat meestal mist is iemand die verantwoordelijk is voor het stuk tussen een demo waar iedereen enthousiast van wordt en een systeem dat maandagochtend gewoon werkt. Dat gat dichten is het werk van een AI-implementatiepartner.
Ik ben Marciano Hardjowikromo. Vanuit Groningen werk ik als Technical AI Implementation Partner voor MKB-bedrijven en organisaties in heel Nederland en de EU, met ruim twintig jaar engineering achter me. Hieronder staat wat de rol inhoudt, waarin die verschilt van een consultant of een detacheerder, waar je op let bij het kiezen, en hoe zo'n traject loopt.
Wat een AI-implementatiepartner doet
Eén ding onderscheidt de rol van alle andere: opleverplicht. Niet meedenken over AI, maar zorgen dat het draait en blijft draaien. In de praktijk valt dat uiteen in vijf stukken.
- Businesscase. Welk proces, welke besparing of opbrengst, en hoe je dat meet. Dit gebeurt vóór de eerste regel code. Zonder getal heb je later geen argument om door te zetten, en ook niet om te stoppen.
- Architectuur. Welk model, waar het draait (cloud of on-premise), welke data waarheen gaat, wie wat mag zien, welke systemen eraan hangen. De compliance-vereisten rollen daar automatisch uit.
- Bouw en productierijp maken. Het systeem zelf, plus alles wat het productierijp maakt: evals, guardrails, logging, monitoring, foutafhandeling, beveiliging. Op dat laatste rijtje lopen de meeste projecten stuk.
- Adoptie. Mensen moeten het gebruiken, en vooral snappen wanneer ze het níet moeten vertrouwen. Een technisch perfect systeem dat niemand aandurft levert nul op.
- Overdracht. Documentatie, runbooks, training. Je team beheert het straks zelf. Een goede partner werkt zichzelf uit de opdracht.
Wat het niet is
Drie rollen liggen er dicht tegenaan en worden geregeld door elkaar gehaald. Kijk naar wie er aan de lat staat als het niet werkt.
| Rol | Levert op | Verantwoordelijk voor |
|---|---|---|
| AI-consultant / strategiebureau | Rapport, roadmap, prioriteitenlijst | De kwaliteit van het advies |
| Detachering / AI-engineer inhuren | Capaciteit binnen jouw team | De geleverde uren |
| Reseller / platformpartner | Licenties en configuratie binnen één stack | De uitrol van dat platform |
| AI-implementatiepartner | Werkend systeem in productie, plus overdracht | Het resultaat in het bedrijfsproces |
Alle vier zijn prima rollen, en soms is een van de eerste drie precies wat je zoekt. Het gaat mis als je een bouwvraag bij een adviesrol neerlegt. Dan krijg je een goed rapport, en daarna kijkt iedereen elkaar aan.
Wanneer je er een nodig hebt — en wanneer niet
Wel
- Het raakt je eigen data: kennisbanken, documentarchieven, wat er in je ERP, CRM of PIM staat.
- Er hangt een klant of een besluit aan het eind, dus een fout kost geld of goodwill.
- Er moeten koppelingen komen met wat je al hebt. Een los chatvenster is het niet.
- Er spelen eisen rond AVG, datasoevereiniteit of de EU AI Act.
- Je had een pilot die werkte, en sindsdien staat hij stil. Dat is het signaal dat ik het vaakst tegenkom.
Niet
- Je zoekt algemene productiviteit voor kenniswerkers. Dat is licenties en training, geen bouwproject. Zie Microsoft 365 Copilot implementatie.
- Je weet nog niet welk proces je wil aanpakken. Begin dan bij rendement in plaats van techniek: AI ROI voor het MKB.
- Je hebt zelf engineers met LLMOps-ervaring. Dan heb je meer aan een review of af en toe sparren dan aan een heel traject.
Waarom AI-projecten de productiefase niet halen
Ongeveer 80% van de AI-projecten haalt productie nooit. Bijna nooit door het model. Vijf oorzaken komen steeds terug:
2. geen evals → niemand kan zeggen of het goed genoeg is
3. rommelige data en rechten → antwoorden die niemand vertrouwt
4. geen eigenaar na livegang → stille dood na drie maanden
5. compliance pas aan het eind → blokkade net voor de finish
Geen van de vijf is technisch. Daar zit dus ook de waarde van opleverplicht: deze vijf blokkades liggen tussen de demo en productie, en iemand moet ze opruimen.
Hoe een traject verloopt
Fase 1 — Businesscase en architectuur
Welk proces kost nu het meeste, wat levert automatiseren op, welke risico's horen erbij, waar mag de data staan, en kan het technisch überhaupt. Aan het eind ligt er een go of een no-go, met een getal eronder. Een no-go is ook een resultaat, en een stuk goedkoper dan de andere route.
Fase 2 — Van prototype naar productie
Bouwen, met evals, monitoring, beveiliging, rechtenbeheer en governance er vanaf dag één in. Niet als sluitstuk. Meestal staat er binnen een week iets werkends waar je op kunt reageren. Productierijp duurt langer: weken tot maanden, afhankelijk van hoeveel systemen eraan moeten hangen.
Fase 3 — Adoptie en overdracht
Training, documentatie, runbooks, kennisoverdracht. Daarna kan je team verder zonder mij. Meer over deze werkwijze staat op de Over-pagina.
Waarop je selecteert
- Productiereferenties, geen pilots. Vraag wat er vandaag draait, hoe lang al, en wat er onderweg kapotging.
- Vendor-onafhankelijkheid. Verkoopt iemand één stack, dan is het architectuuradvies niet vrij. Vraag welke optie is afgevallen, en waarom.
- Een antwoord op evals en monitoring. Stel de vraag: hoe meten we kwaliteit nadat het live staat? Daar vallen demobouwers door de mand.
- Een overdrachtsplan. Zonder documentatie en training zit je vast aan je leverancier. Dat kost op termijn meer dan de bouw.
- Compliance vooraf. AVG, EU AI Act, datasoevereiniteit: dat hoort in fase 1 thuis, niet in de oplevering.
Wat het oplevert
Uit systemen die nu draaien: −78% supportlast met AI-kennisassistenten (RAG plus observability), +89% on-site conversie door betere recall, ranking en vector search, −69% doorlooptijd door geautomatiseerde decisioning en CI/CD voor ML. Per case uitgewerkt: Bobbette, Mailbox Jungle, TailorFitWMS, PIM-platform.
Verdiepen per onderwerp
AI ROI voor het MKB
Rendement meten vóórdat je bouwt — en waarom dat de belangrijkste stap is.
Lees verder →RAG-kennisassistent bouwen
Chat met je eigen data: chunking, retrieval, bronvermelding, mens-goedkeuring.
Lees verder →Microsoft 365 Copilot implementatie
Wat Copilot wél en niet oplost, en wanneer maatwerk beter past.
Lees verder →AI-partner Groningen
Lokaal aan tafel in Groningen, Friesland en Drenthe — wat dat verandert.
Lees verder →Volledig overzicht in de Kennisbank. De 20 meest gestelde AI-vragen uit het bedrijfsleven staan op de FAQ-pagina.
Veelgestelde vragen
Wat is een AI-implementatiepartner?
Een AI-implementatiepartner is verantwoordelijk voor het hele traject: van businesscase en architectuur tot een systeem dat in productie draait, gemonitord wordt en door je eigen team beheerd kan worden. Het verschil met een adviseur is de opleverplicht. Een implementatiepartner levert werkende software met evals, guardrails, monitoring en documentatie, geen rapport met aanbevelingen.
Wat is het verschil tussen een AI-consultant en een AI-implementatiepartner?
Een AI-consultant adviseert over strategie, kansen en prioriteiten, en levert meestal een rapport of een roadmap op. Een AI-implementatiepartner bouwt de oplossing zelf en blijft verantwoordelijk tot die productie haalt en overgedragen is. Veel AI-trajecten stranden precies tussen die twee rollen in: het advies ligt er, maar niemand is eigenaar van de uitvoering.
Wanneer heb je een AI-implementatiepartner nodig?
Zodra een AI-toepassing je bedrijfsprocessen of bedrijfsdata raakt en dus betrouwbaar moet zijn: koppelingen met ERP, CRM of PIM, eigen kennisbanken, klantcontact, of processen waarin een fout geld of vertrouwen kost. Gaat het om algemene productiviteit binnen tools die je al hebt (Microsoft 365 Copilot, ChatGPT-abonnementen), dan heb je geen partner nodig. Dat is een licentie- en adoptievraagstuk, geen bouwvraagstuk.
Waarop selecteer je een AI-implementatiepartner?
Op vier dingen. Referenties van systemen die vandaag draaien, niet van pilots. Vendor-onafhankelijkheid, zodat de architectuurkeuze niet volgt uit een resellerbelang. Een concreet antwoord op evals, monitoring en governance: hoe wordt kwaliteit gemeten nadat het live staat. En een overdrachtsplan, zodat je eigen team het kan beheren en je niet vast komt te zitten aan je leverancier.
Hoe lang duurt een AI-implementatietraject?
Voor één afgebakend proces staat er vaak binnen een week een werkende versie. Productierijp maken duurt langer: met evals, monitoring, beveiliging, rechtenbeheer en governance erbij ben je afhankelijk van complexiteit en integraties enkele weken tot enkele maanden verder. Trajecten die beginnen met een brede AI-strategie in plaats van één concreet proces duren structureel langer, en halen productie minder vaak.
Waarom halen zoveel AI-projecten de productiefase niet?
Zelden door het model. De oorzaken die steeds terugkomen: geen meetbare businesscase, dus geen grond om door te zetten; geen evals, dus geen manier om te bepalen of het goed genoeg werkt; rommelige data en rechten, dus antwoorden die niemand vertrouwt; geen eigenaar binnen de organisatie na livegang; en compliance-vragen (AVG, EU AI Act) die pas aan het eind opkomen en het project alsnog blokkeren.
Werkt een AI-implementatiepartner ook voor het MKB?
Ja. De meeste projecten zijn voor MKB-bedrijven van 5 tot 250 medewerkers. Die trajecten beginnen klein: één proces, één meetbaar resultaat. Uitbreiden gebeurt pas als het rendement er ligt. Voor het MKB is dat niet alleen goedkoper maar ook een stuk minder riskant dan een breed AI-programma.
Moet AI in de cloud draaien of kan het op eigen infrastructuur?
Allebei kan. Cloudmodellen (Azure AI, Anthropic, Google) zijn sneller live en sterker in kwaliteit. On-premise of private-cloud modellen zoals Llama, Mistral, Qwen en Gemma houden je data volledig binnen je eigen omgeving. Bij gevoelige persoonsgegevens, medische of juridische data, of harde eisen rond datasoevereiniteit is dat laatste vaak de doorslaggevende factor. De keuze hoort te volgen uit je datavereisten, niet uit een vendorvoorkeur.
Contact
Eén proces, eerst de businesscase, dan bouwen. [email protected] · WhatsApp/tel +31 6 29242783 · LinkedIn
// Groningen · heel Nederland · response < 24h