De meeste verhalen over AI in het bedrijfsleven gaan over Amerikaanse techreuzen of over een anonieme “ondernemer uit de regio” die in een leveranciersblog 40% tijd zou besparen. Dat helpt je weinig als je zelf een bedrijf runt. Daarom doen we het hier anders: vier Nederlandse bedrijven die je bij naam kunt opzoeken, met een use case die je kunt navertellen op een verjaardag. Een bakker, een metaalbewerker, een huisarts en een tomatenkweker.
Eerst even waar we staan
De cijfers eerst, kort, want daar hebben we al uitgebreider over geschreven. In 2025 gebruikte 29,8% van de Nederlandse bedrijven met 10 tot 249 werknemers minstens één AI-technologie; bij de kleinste bedrijven (2-9 werknemers) is dat 13,8%, bij grote bedrijven 66,2% (Bron: CBS). Het totaal verdubbelde in twee jaar. Europees gezien staat Nederland met 33,2% op de vijfde plaats, achter Denemarken, Finland, Zweden en België (Bron: Eurostat). Knap, maar minder uniek voorop dan je soms leest.
Het volledige cijferbeeld en de drempels staan in onze analyse AI in het Nederlandse MKB: de stand van zaken en in AI-statistieken Nederland. De rest van dit stuk gaat niet over percentages, maar over wat er achter ze gebeurt.
Beginner-tip:“Use case” klinkt corporate, maar betekent gewoon: één taak waarvoor je AI inzet. Niet “we doen iets met AI”, maar “we laten de computer onze broodjes controleren”. Hoe concreter de taak, hoe groter de kans dat het werkt. Houd dat in je hoofd bij elk voorbeeld hieronder.
De bakker die 200.000 broodjes per dag laat keuren
Bakkerij Amstelveld in Amsterdam bakt zacht kleinbrood voor de horeca en de groothandel. Dat is volumewerk, en bij volume hoort kwaliteitscontrole. Tot voor kort gebeurde dat met de ogen van mensen aan de lijn. Het probleem daarmee is niet dat mensen het slecht doen, maar dat niemand 200.000 broodjes per dag met dezelfde scherpte blijft bekijken.
Samen met technologiebedrijf Pegamento zette de bakkerij een camerasysteem op dat met twee AI-netwerken werkt. Het eerste netwerk herkent welk type broodje voorbijkomt en zorgt dat elk exemplaar afzonderlijk wordt gedetecteerd. Het tweede beoordeelt of vorm, kleur en grootte kloppen. Een afwijkend broodje wordt via een aansturing naar een afkeurband geleid, zonder dat er een mens aan te pas komt (Bron: Emerce).
Eigenaar Danny Ilcken vatte het in vakblad Bakkerswereld nuchter samen: hij had nooit gedacht dat AI een toevoeging kon zijn op het bakkersvak. Dat is precies het type zin dat dit voorbeeld waardevol maakt. Hier zit geen techbedrijf dat AI verkoopt aan andere techbedrijven, maar een familiebakkerij die een vervelende, eindeloze taak heeft uitbesteed aan een camera.
Gevorderden:Computer vision aan een productielijn vraagt om getraind, gelabeld beeldmateriaal van jouw product onder jouw belichting. De technologie is volwassen, maar het aanlooptraject — beelden verzamelen, het model trainen, integreren met je PLC — is waar de tijd en het geld in gaan zitten. Reken op een leverancier en een pilotfase, niet op een abonnement dat je morgen aanzet.
Het metaalbedrijf in Heerlen dat zijn planning liet meedenken
Giessen BV in Heerlen behandelt metaaloppervlakken — stralen, verzinken, poedercoaten — voor klanten in de bouw en machine-industrie. Het is een familiebedrijf van ruim 45 jaar oud, en het worstelt met een probleem dat veel maakbedrijven herkennen: planning. Orders, levertijden, materiaalbeschikbaarheid, personeelsinzet en kosten veranderen voortdurend, en die puzzel elke dag opnieuw met de hand leggen kost een planner uren en levert zelden de beste uitkomst op.
In samenwerking met de Brightlands Smart Services Campus, de Universiteit Maastricht en The Next Lab ontwikkelde Giessen een AI-planningsmodule die al die variabelen tegelijk weegt en de planner een voorstel doet (Bron: ESZL). De planner houdt de regie; de AI rekent de scenario’s door die een mens niet allemaal in zijn hoofd heeft.
Eerlijk blijven: dit is een ontwikkeltraject, geen afgerond succesverhaal met harde cijfers. De verwachting is meer rust in de werkplaats, minder klachten en minder afkeur. Of dat uitkomt, weten we over een jaar. Maar het laat zien hoe een gewoon MKB-bedrijf via een regionale kennisinstelling aan serieuze AI komt, zonder zelf een datateam in dienst te nemen. Dat samenwerkingsmodel — bedrijf plus hogeschool of campus — is voor veel maakbedrijven realistischer dan zelfbouw.
De huisarts die twee minuten per consult terugkrijgt
Van de fabriekshal naar de spreekkamer. Huisartsen besteden een fors deel van hun dag aan verslaglegging: na elk consult de bevindingen typen in het patiëntendossier. Het is werk dat moet, maar dat tijd wegneemt van de patiënt en aan het eind van de dag opstapelt.
Steeds meer Nederlandse praktijken gebruiken daarvoor Juvoly QuickConsult, een spraakherkenningstool die het gesprek live meeschrijft en aan het eind automatisch een gestructureerd verslag voorstelt, dat de arts controleert en in het dossier opslaat (Bron: Juvoly). Regionale huisartsenorganisaties die het invoerden, melden een besparing van ongeveer twee minuten per consult en meer ruimte voor de patiënt tijdens het gesprek (Bron: De huisartsenconnectie).
Twee minuten klinkt bescheiden, maar reken het door over een volle dag spreekuur en je komt op tientallen minuten die teruggaan naar zorg of naar een vroeger einde van de werkdag. Praktijken zoals die van huisarts Van Kuik in Haarlem en huisarts Hermans in Hoofddorp beschrijven de inzet openlijk op hun eigen website, inclusief de mogelijkheid voor patiënten om bezwaar te maken. Dat laatste is geen detail: bij spraakherkenning in de zorg verwerk je gezondheidsgegevens, en transparantie naar de patiënt is zowel netjes als wettelijk verplicht.
Gevorderden:Spraakherkenning in de zorg valt onder de AVG én raakt aan de transparantieregels van de AI Act die vanaf augustus 2026 gaan gelden. Een leverancier die ISO 27001 en NEN 7510 op orde heeft, een verwerkersovereenkomst aanbiedt en een opt-out voor patiënten regelt, doet het werk dat jij anders zelf moet doen. Vraag ernaar voor je tekent.
De tomatenkweker die de kas op de automaat zet
Het laatste voorbeeld zit op de rand van wat je nog MKB noemt, en dat zeg ik er meteen bij. RedStar teelt tomaten op meerdere locaties in Nederland, samen tientallen hectares onder glas. Een fors bedrijf, geen klein familiebedrijfje — maar de use case is leerzaam voor de hele glastuinbouw.
RedStar gebruikt de Crop Controller van het Nederlandse Blue Radix, AI die het kasklimaat autonoom aanstuurt op basis van data en de teeltstrategie van de kweker (Bron: Blue Radix). De teler bepaalt de strategie en de grenzen; de software neemt de honderden kleine bijsturingen per dag voor zijn rekening die anders een ervaren teeltspecialist zou doen. Het achterliggende probleem is een tekort aan die specialisten, en een kas die geen weekend kent.
Hier past wel een waarschuwing die voor alle vier de cases geldt: de beschrijving komt deels van de leverancier zelf. Harde, onafhankelijk gemeten productiecijfers ontbreken in de bronnen. Het beeld is geloofwaardig en het bedrijf bestaat, maar lees zulke vendor-cases altijd met de vraag: wie heeft er belang bij dit verhaal?
Wat deze vier gemeen hebben
Leg de bakker, de metaalbewerker, de huisarts en de kweker naast elkaar en er valt een patroon op. Geen van hen begon met “we gaan iets met AI doen”. Ze begonnen met een concrete, herhaalde taak waar ze geld of tijd op verloren: kwaliteitscontrole, planning, verslaglegging, klimaatsturing. AI was het middel, niet het doel.
Dat sluit aan op de nuchtere conclusie van het onderzoek dat het ministerie van Economische Zaken liet uitvoeren: het Nederlandse MKB gebruikt steeds meer AI, maar de inzet blijft vaak gefragmenteerd en oppervlakkig, en de grootste drempel is niet de techniek maar het gebrek aan inzicht in wat het concreet oplevert (Bron: Rijksoverheid/Dialogic). De bedrijven die wél verder komen, hebben dat inzicht voor één taak scherp gemaakt.
Heb je geen branchespecifiek probleem zoals een lopende band of een kas, dan zijn er use cases die voor bijna elk MKB-bedrijf laagdrempelig zijn, omdat ze op software draaien die je waarschijnlijk al hebt:
- Klantvragen — een taakgerichte chatbot die je veelgestelde vragen afvangt. Hoe je dat zonder developer opzet, staat in onze tutorial WhatsApp Business + AI: jouw eerste klantenservice-chatbot zonder code.
- Praten met je eigen documenten — vragen stellen aan je offertes, handleidingen of cijfers in plaats van ze door te zoeken. De techniek erachter leggen we uit in Hoe AI je eigen documenten kan doorzoeken (RAG uitgelegd).
- Administratie en e-mail — factuurverwerking en inbox-triage, het soort werk dat niemand mist als het wegvalt.
Voor het kiezen en vergelijken van concrete tools onderhouden we het zusterplatform debesteaitools.nl, en in onze eerdere stukken AI voor het MKB: vijf kansen die je deze week oppakt staan meer instappunten op een rij.
De keerzijde, want die is er
Het zou oneerlijk zijn om vier mooie voorbeelden te tonen en de rest weg te laten. Onderzoek van MIT liet in 2025 zien dat ongeveer 95% van de generatieve-AI-pilots bij bedrijven geen meetbare bedrijfsimpact oplevert. De oorzaak ligt zelden bij de modellen en meestal bij de inbedding: een pilot die los van het echte werkproces blijft hangen, levert niets op. Dat cijfer wordt online vaak verkeerd geciteerd, dus neem het als richting, niet als wet — maar de boodschap klopt met wat het Nederlandse onderzoek ook vond.
Daar komt regelgeving bij. Vanaf 2 augustus 2026 wordt het grootste deel van de EU AI Act van toepassing, inclusief transparantieverplichtingen die ook kleine bedrijven raken zodra ze bijvoorbeeld een chatbot of gegenereerde content inzetten. Wat dat concreet voor jouw bedrijf betekent, hebben we uitgewerkt in AI-verordening mei 2026 — van bewustwording naar governance. En de bredere afkoeling van de verwachtingen rond zelfstandige AI-agents beschreven we in Agentic AI in 2026: de hype koelt af, het echte werk begint.
De vier bedrijven in dit stuk vallen niet in de 95%, en dat is geen toeval. Ze kozen een taak, zetten er AI op, en meten of het werkt. Dat is minder spannend dan het klinkt, en precies daarom werkt het.
Samenvatting — de 5-minuten-versie
- AI-adoptie in het Nederlandse MKB (10-249 werknemers) staat op 29,8% in 2025, een verdubbeling sinds 2023; Nederland staat Europees vijfde met 33,2% over alle bedrijfsgroottes.
- Bakkerij Amstelveld scant 200.000 broodjes per dag met twee AI-camerasystemen en keurt afwijkende exemplaren automatisch af — computer vision voor kwaliteitscontrole.
- Giessen BV in Heerlen liet via een regionale campus een AI-planningsmodule bouwen voor zijn metaalbewerking; een ontwikkeltraject, nog zonder harde cijfers, maar een realistisch samenwerkingsmodel voor maakbedrijven.
- Huisartsen met Juvoly QuickConsult besparen ongeveer twee minuten verslaglegging per consult via spraakherkenning — de stilste, breedst toepasbare zorg-use-case.
- Het patroon dat werkt: begin bij één concrete, herhaalde taak waar je tijd of geld op verliest, zet daar AI op en meet het resultaat. Onderzoek van MIT laat zien dat losse pilots zonder die inbedding meestal niets opleveren.
Bronnen
- CBS — Bedrijven gebruiken AI vaakst voor marketing of verkoop (12-12-2025)
- Eurostat — 20% of EU enterprises use AI technologies (11-12-2025)
- Emerce — Bakkerij Amstelveld gebruikt AI van Pegamento voor controle op kwaliteit brood
- Bakkerswereld — Eigenaar Bakkerij Amstelveld over AI
- ESZL — AI en werk: kansen voor het mkb (Giessen BV)
- De huisartsenconnectie — Spraakgestuurd rapporteren met Juvoly
- Blue Radix — Autonoom telen met Crop Controller
- Rijksoverheid/Dialogic — Onderzoek AI-gebruik in het mkb (29-09-2025)
- MIT via Fortune — 95% van GenAI-pilots zonder meetbare ROI