AI-talent zit al in je bedrijf:
train je mensen, huur geen team

Het misverstand: je hebt geen data scientists nodig

Veel MKB-bedrijven stellen AI uit met het argument “wij hebben daar de mensen niet voor”. Het beeld erachter: AI vraagt om data scientists, machine learning engineers en een eigen AI-team, en die zijn schaars en duur. Een data scientist kost al snel €60.000 tot €90.000 per jaar, als je er al een vindt tussen de tech-bedrijven die hetzelfde profiel zoeken.

Dat beeld klopte misschien in 2020. Vandaag draait vrijwel elke AI-toepassing in het MKB op kant-en-klare tools: Copilot, Gemini, ChatGPT, of een maatwerkoplossing die een partner bouwt. Niemand in jouw organisatie hoeft een model te trainen. Wat je wel nodig hebt: mensen die de tools goed gebruiken, weten wat erin mag en herkennen waar AI in hun eigen werk waarde toevoegt. Dat zijn je huidige medewerkers, na training.

De vaardigheden die er echt toe doen

De menselijke factor in AI-succes zit niet in techniek maar in drie lagen:

• AI-geletterdheid voor iedereen. Weten wat AI wel en niet kan, wat er met je data gebeurt en welke output je moet controleren. Dit is sinds de EU AI Act ook gewoon een verplichting voor organisaties die AI inzetten.
• Toepassingsvaardigheid per team. Een planner die AI inzet voor routevoorstellen heeft andere vaardigheden nodig dan een marketeer die er content mee maakt. Generieke “prompt-cursussen” beklijven niet; trainen op het eigen werk wel.
• Proceskennis, jouw unieke voorsprong. De medewerker die al tien jaar je offertes maakt, weet precies waar de tijd weglekt en wat een goed resultaat is. Die kennis kan geen externe data scientist meebrengen. AI-kennis is aan te leren in dagdelen; jouw proceskennis kost een buitenstaander jaren.

Een eigen medewerker AI leren gebruiken kost honderden euro’s. Een AI-specialist je bedrijf leren kennen kost een jaarsalaris. Die rekensom wint de eigen medewerker vrijwel altijd.

AI-champions: de aanpak die blijft hangen

De organisaties waar AI-adoptie standhoudt, hebben één ding gemeen: een of twee interne aanjagers per afdeling. Geen fulltime functie, maar een rol naast het gewone werk. Zo zet je het op:

1. Kies op enthousiasme, niet op functietitel. De beste champion is de collega die nu al met ChatGPT experimenteert, niet automatisch de IT-er of de manager.
2. Geef ze een kop voorsprong. Train je champions dieper dan de rest: niet alleen tools gebruiken, maar ook use-cases herkennen, collega’s helpen en risico’s signaleren. Daarvoor is training op maat de logische vorm: een programma rond jullie eigen processen en tools.
3. Geef ze tijd en mandaat. Een dagdeel per twee weken om collega’s te helpen en experimenten te draaien. Zonder die ruimte verdampt de rol binnen een kwartaal.
4. Laat ze oogsten en delen. Elke gevonden tijdsbesparing kort presenteren in het teamoverleg. Niets overtuigt sceptische collega’s beter dan een directe collega die laat zien dat een terugkerende klus van twee uur nu twintig minuten kost.

Wanneer je wél externe expertise inschakelt

Eigen mensen trainen dekt verreweg het grootste deel van de behoefte. Voor de rest geldt: inhuren per project, niet in dienst nemen.

Twijfel je waar je staat? De volgorde van investeren, inclusief bedragen, staat in wat AI-implementatie kost.

Conclusie

De menselijke factor beslist of AI bij jou werkt, maar dat betekent niet dat je de arbeidsmarkt op moet voor schaars AI-talent. Train je eigen mensen op hun eigen processen, wijs per afdeling een AI-champion aan en huur specialistische bouwkracht alleen per project in. Je proceskennis heb je al in huis; de AI-vaardigheden zijn in dagdelen aan te leren.

Hoe een traject daarna verloopt staat op de pagina over AI-implementatie.