AI in de operations van het mkb: wat u automatiseert (en waarom u klein begint)

Operations is in veel mkb-bedrijven in de maakindustrie en distributie de afdeling waar een vertraging in contanten wordt betaald: een leeg schap is een verloren verkoop, een onvoorziene machinestilstand is een stilliggende lijn, een te late inkooporder is een boete. Het is ook de afdeling die leeft van monitoringloops — voorraad, logistieke uitzonderingen, onderhoudssignalen — en het is juist daar dat AI in 2026 het meest belooft. Maar het is de afdeling waar AI-projecten vaker mislukken dan elders, en om redenen die niet technisch zijn. De serieuze vraag is, zoals altijd, niet «bestaat de agent?» maar hoe klein het loont te beginnen zodat het project echt in productie komt.

We hebben het veldbewijs van 2026 verzameld en proberen in heldere taal te antwoorden: waar AI in operations een reëel rendement oplevert, waarom de adoptiecijfers met meer voorzichtigheid gelezen moeten worden dan in verkoop of marketing, en wat de scopingdiscipline is die de weinige projecten die in productie komen scheidt van de grote meerderheid die vastloopt.

Het patroon van de cases die werken: AI wint op de monitoringloops

Ook in operations delen de winnende use-cases een trek: het zijn hoogfrequente en datadichte loops — een toestand bewaken, de uitzondering opvangen, ingrijpen vóór ze een probleem wordt — geen oordeelsbeslissingen die de context van een leveranciersrelatie of een contract vereisen. In de praktijk:

• Voorraadaanvulling en herbalancering — in plaats van de handmatige herziening van het bestelpunt. De agents activeren de overdrachten tussen magazijnen vóór de voorraadbreuk, niet erna. Het behoort tot de categorieën met het hoogste rendement die voor 2026 worden genoemd.
• Beheer van logistieke uitzonderingen — herberekening van de routes bij verstoringen in plaats van de handmatige reroutingbeslissing. Genoemd samen met de voorraadaanvulling als deployment met het hoogste ROI van het jaar.
• Automatisering van intake en sourcing in de inkoop — geassisteerde toetsing van de aanvragen en leveranciersvergelijking, in plaats van de handmatige RFQ-cyclus.
• Predictief onderhoud — ingrijpen op degradatiesignalen in plaats van kalendergebonden of reactief onderhoud. Volwassen use-case, met een al geconsolideerde toolmarkt.
• Vraagplanning — voorspellingen in plaats van handmatige spreadsheets; genoemd naast de voorraadaanvulling onder de categorieën met het hoogste rendement.
• Optimalisatie van de pickroutes — realtime hersequencing op de werkelijke ordermix, in plaats van de statische piklijst.

De geaggregeerde cijfers, en waarom ze hier met meer voorzichtigheid gelezen moeten worden

Aan de positieve kant is er bewijs: de analyses van 2026 plaatsen het rendement van AI-deployments in de supply chain rond de +19% ten opzichte van traditionele automatisering, met adopters die verbeteringen in de orde van +34% melden in productie- en supply-chain-efficiëntie, en een zeer groot aandeel productieleiders dat verklaart dit jaar in agentische AI te willen investeren. De intentie loopt, zoals in verkoop en marketing, flink vooruit op de echte deployment.

En hier is eerlijkheid nodig, want in operations is die kloof breder dan elders. Wanneer men van assistenten naar agents gaat — systemen die zelfstandig handelen — verslechteren de faalcijfers duidelijk: een analyse van honderden deployments stelde vast dat ongeveer drie op de vier projecten het doel niet hebben gehaald, en meerdere bronnen wijzen erop dat de grote meerderheid van de AI-agents de productie nooit haalt. Van duizend als pilot gestarte initiatieven bereikt slechts een minderheid van één procent de productie, en nog minder haalt het verwachte rendementsdoel.

Het deel dat telt: de oorzaken van deze mislukkingen zijn niet technisch. Het zijn het slecht gestelde doel, het behandelen van het initiatief als een IT-project in plaats van als een procesverandering, de onrealistische tijdlijnen en de datakwaliteit. Het is niet de AI die niet werkt — het is de manier waarop het project wordt opgezet. Wie u «de autonome agent voor de supply chain» als eerste stap verkoopt, stuurt u richting de verkeerde statistiek.

De discipline die scheidt wie in productie komt: klein beginnen

Het is het punt waarop operations zich onderscheidt van verkoop en marketing, en de nuttigste les van al het bewijs. Juist omdat de agentische projecten vaak en om organisatorische redenen mislukken, is de aanbeveling voor een mkb-bedrijf helder en contra-intuïtief ten opzichte van de demo's: verkoop (noch koop) geen volledige uitrol van supply-chain-agents als eerste ingreep. Men kiest één monitoringloop — de voorraad, of de onderhoudssignalen — brengt die in productie, meet die, en breidt die pas dan uit.

Deze strakke scoping is geen schuchterheid: het is de directe tegenmaatregel voor de eerste twee hierboven genoemde faaloorzaken — het slecht gestelde doel en het project behandeld als IT in plaats van als procesverandering. Eén enkele loop heeft een helder doel, een eigenaar in de afdeling en een getal dat zegt of het werkt. Het is precies wat ontbreekt aan de projecten die vastlopen.

Twee toolfamilies, en in welke volgorde ze te gebruiken

Zonder een boodschappenlijst te maken, leest de operationsmarkt zich per tier. Er is de horizontale automatiseringslaag — de plumbing die de systemen verbindt (event → actie tussen applicaties): niet specifiek voor operations, maar het realistische en goedkoopste instappunt om een workflow te beproeven. Er is vervolgens de verticale laag bedacht voor het mkb, de AI die het inkoop- of supply-chain-proces echt automatiseert, waar het zinvol is een tier hoger te gaan zodra de workflow is gevalideerd. En er is de enterprise source-to-pay-tier, krachtig en compleet maar met kosten en doorlooptijden van een grote onderneming: een referentieplafond, geen startpunt voor een mkb-bedrijf.

Er is een bijzonderheid die het waard is te kennen: anders dan in verkoop en marketing, waar de prijslijst van de tools vrij transparant is, is in operations en inkoop de prijs van de verticale tools bijna altijd op offerte, ondoorzichtig onder de enterprise-tier. De praktische lezing volgt daaruit rechtstreeks: beproef de workflow op de horizontale laag, waar de kosten laag en helder zijn, vóór u een offertegesprek met een verticale tool opent. Onderhandel de verticale tool pas wanneer de specifieke loop — voorraad, onderhoud, inkoopintake — is gevalideerd en zijn rendementscase concreet genoeg is om die offerte te rechtvaardigen.

En de compliance? De inkoop legt de lat hoger

Een agent die leveranciersdata en uitgavenbeslissingen raakt, roept inkoopspecifieke due-diligencevragen op — waar de data van de leverancier staan, wie aansprakelijk is voor een beslissing die een AI over een contract neemt — bovenop de gemeenschappelijke basis van AI-gegevensverwerking: effectbeoordeling (DPIA), minimalisatie, verificatie van waar de leverancier de data verwerkt en bewaart. Het gebruiksbereik zelf is voor een mkb-bedrijf zelden «hoog risico» in de zin van de EU AI Act, maar de leveranciersrisicobeoordeling moet met dezelfde nauwkeurigheid worden gedaan als elke softwarekeuze. Het is precies wat onze compliance-overlay aan elke workflow die we ontwerpen vasthaakt.

Waar te beginnen, in de praktijk

Als operations de afdeling is waar u wilt beginnen, is het verstandige traject kort en geordend:

• Kies één enkele monitoringloop — voorraad of onderhoudssignalen geven het snelste rendement en het laagste risico. Geen uitrol, een loop.
• Behandel het als procesverandering, niet als IT-project — met een eigenaar in de operationsafdeling, niet alleen in de technische dienst. Het is de eerste faaloorzaak die u vermijdt.
• Beproef op de horizontale laag vóór de verticale — de verbindingsautomatisering kost weinig en verheldert de workflow; de verticale tool op offerte komt daarna, bij gevalideerde case.
• Zet de data op orde vóór de tool — schone artikelstamgegevens, voorraden en boekingsregels zijn de helft van het werk; de datakwaliteit is een van de eerst genoemde hindernissen, geen detail.
• Definieer het succescriterium vóór de tool — een getal dat zegt of het werkt (vermeden voorraadbreuken, gereduceerde stilstand). Zonder sterft het project aan verwarde doelen, niet aan beperkingen van de AI.

Vóór u de afdeling kiest, is het echter goed te weten waar u staat: onze AI-readiness-beoordeling helpt te begrijpen waar u met meer rendement en minder wrijving kunt beginnen, en welke controles u rond de eerste loop zet. En als het thema de compliance is van wat leveranciers en uitgaven raakt, legt onze compliance-overlay uit hoe we de controles aan elk ontwerp vasthaken.

We hebben de eerste stap omgezet in een self-service en gratis beoordeling: een paar vragen en een aanwijzing over waar te beginnen, met welke controles eromheen. Doe de AI-readiness-beoordeling — daarna, als het zinvol is, praten we erover.

Dit artikel is bedoeld ter oriëntatie. De genoemde cijfers over ROI, efficiëntie en adoptie komen uit marktanalyses en zelfgerapporteerde sectorbronnen, niet onafhankelijk geverifieerd: lees ze als richting en niet als resultaatgaranties. Elke toolkeuze en elke automatisering die leveranciers, uitgaven of productie raakt, moet worden beoordeeld op de data, de controles en de context van het individuele bedrijf.