# CommonBase > In 30 dagen werkt jouw team wel met AI. Bron: https://commonbase.nl/ Laatst bijgewerkt: 2026-09-12T15:31:35+02:00 --- # Artikelen ## Wat er gebeurt als je zes ondernemers twee dagen opsluit met Claude URL: https://commonbase.nl/ai-bootcamp-ervaring/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T22:07:11+02:00 Categorie: Adoptie > We wilden om half zes stoppen. Het werd half negen. Verslag van twee dagen AI Bootcamp: zes ondernemers bouwden elk een werkende AI-toepassing voor hun eigen bedrijf. We wilden dag één afronden om half zes. Barbecue, biertje, klaar. Dat lukte niet. De deelnemers waren zo bezig met het bouwen van hun AI toepassing dat we tot half negen doorgingen. Pas daarna gingen we rond een kampvuur zitten, met een whisky erbij, en proosten we op wat er die dag was gemaakt. Zes ondernemers, twee dagen, één doel: naar huis met een werkende AI-toepassing voor je eigen bedrijf. Dat was het bootcamp dat we vorige week draaiden. In dit artikel neem ik je mee door die twee dagen, en laat ik zien waarom deze manier van AI leren toepassen in je bedrijf werkt. Na half negen: proosten op wat er die dag gebouwd is. 01 · Het format ## Wat is een AI-bootcamp voor ondernemers? Twee dagen waarin je minimaal één werkende AI-toepassing bouwt voor je eigen werk. Geen strategie deck, geen knoppentraining. Je gaat weg met iets dat draait. We waren met zes ondernemers. Dag één begon met de basis: hoe je AI wél inzet in je werkproces, en hoe je het absoluut niet doet. Daarna wat inspiratie, en dan de belangrijkste keuze van de dag. Welke toepassing ga je in twee dagen bouwen die je ook echt iets oplevert? Daar begeleiden we uitgebreid in, want de meeste mensen kiezen in het begin iets te groots. Na het eerste dagdeel gingen we plannen. Hoe ga je aan de slag? Welke sprints wil je draaien? Welke onderdelen heb je nodig? En welke kennis moet je nog vergaren voordat dit een compleet iets wordt? En daarna gingen we bouwen. Twee dagen bouwen op een tipi-locatie, met overnachting. 02 · De vonk ## Waarom bouwen zo verslavend werkt Op het moment dat je merkt dat je iets kleins kan bouwen dat werkt, verandert er iets in je hoofd. Je raakt gemotiveerd om meer te maken. Om het ingewikkelder te maken. Je denkt: als ik dit kan, dan kan ik dit ook automatiseren. Dat is precies waar CommonBase op draait. Zodra dat kwartje valt, houdt niemand je meer tegen. Daarom liep dag één uit. We wilden stoppen om half zes, maar niemand wilde stoppen. Tot half negen bleven mensen bouwen. En dat is geen discipline, dat is de lol van iets zien werken dat er een uur eerder nog niet was. 03 · Dag twee ## Hoe zag dag twee eruit? Vroeg op, en de hele dag verdeeld in sprints. Dag twee begint buiten, met ontbijt. Elke sprint bracht iedereen dichter bij een toepassing die voor die persoon echt iets waard was. Tussen de sprints door deelden we wat we hadden geleerd. En we deden push-ups, sit-ups en wall-sits, om in beweging te blijven. Twee dagen achter een scherm vraagt erom dat je af en toe je lijf gebruikt. Iedereen ging maximaal door zijn tokens heen. Ook met een Claude Max-account loop je tegen een limiet aan. Dat is niet vervelend, dat is leerzaam. Je ontdekt waar de grens van je tooling zit, en hoe je daaromheen werkt. Die dingen leer je niet uit een handleiding, die leer je door er hard tegenaan te lopen. 04 · Kruisbestuiving ## Wat het mooiste was om te zien De kruisbestuiving. Zes ondernemers in één ruimte, en iedereen inspireert elkaar. De een bouwt iets, en de rest denkt meteen: dat kan ik ook gebruiken. Je krijgt vragen van gelijkgestemden die tegen dezelfde dingen aanlopen als jij, maar er net anders naar kijken. Iemand zegt “oh wauw, oké, dat kan ik dus ook toepassen”, en er gaat weer een deur open. Het zorgt ervoor dat je supersnel leert. Je zit in een snelkookpan. Je leert hoe AI werkt, hoe het niet werkt, en waar de limieten nu zitten. Je krijgt een nieuwe bril op voor wat er mogelijk is. Voor jouw werk, voor je team, voor je medewerkers. Tussen het bouwen door: vragen van gelijkgestemden. 05 · De aanpak ## Waarom we AI zo leren en niet met een training Omdat je het snelst leert in die snelkookpan. Met gelijkgestemden, rond één specifiek doel, twee dagen samen opgesloten in een huis met overnachting. Dat klinkt gek als je het opschrijft. Maar het is precies waarom mensen doorbouwen tot half negen en de volgende ochtend vroeg weer aan tafel zitten. De energie zat er de hele tijd in. En het was zo’n leuke groep dat we extra edities hebben ingepland. We hadden 30 september en 1 oktober al staan. Inmiddels staat er ook een [editie op 17 en 18 november](/ai-bootcamp-2026/) gepland. 06 · Voor wie ## Voor wie is dit wel en niet? Wel voor de ondernemer die meer wil met AI en bereid is om twee dagen vol te gaan. Niet voor wie alleen wil toekijken. Je bouwt zelf. Je blijft slapen. Je gaat door je tokens heen en loopt tegen grenzen aan. Wie een rustige middag zoekt waarin iemand een presentatie geeft, zit hier verkeerd. Wie z’n handen vuil wil maken en maandag met iets werkends aan de slag wil, zit precies goed. 07 · Conclusie ## Jij bouwt, wij begeleiden Je kunt over AI blijven lezen, of je kunt twee dagen nemen en iets bouwen dat werkt. Dat is het verschil tussen weten dat AI bestaat en weten hoe je het inzet in je bedrijf. Wil je eerst rustig verder lezen, kijk dan [hoe je AI stap voor stap toepast in je werkproces](/ai-adoptie-mkb-30-dagen-roadmap/). Ben je er klaar voor: we draaien twee edities, op 30 september en 1 oktober en op 17 en 18 november. Je meldt je aan via de [AI bootcamp-pagina](/ai-bootcamp-2026/). Bij CommonBase help ik ondernemers en teams in het MKB om AI in te zetten in hun eigen werk. Niet vanuit de hype, maar vanuit gedragsverandering: één werkende oplossing per persoon, gebouwd in de praktijk. --- ## AI-adoptie in het MKB: de complete gids URL: https://commonbase.nl/ai-adoptie-mkb/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T17:31:05+02:00 Categorie: Adoptie > Van eerste twijfel tot een team dat AI dagelijks gebruikt. Gereedheid, kosten, training, weerstand en meting, in één gids voor MKB-directeuren. **AI-adoptie is het proces waarbij een team AI structureel opneemt in het dagelijkse werk.** Het is niet de aanschaf van tools, niet de training en niet het IT-project, het is de gedragsverandering die maakt dat die tools zes maanden later nog steeds gebruikt worden. En precies daar gaat het meestal mis. De licenties zijn aangeschaft, de kickoff is geweest, misschien is er zelfs een externe partij ingevlogen. Drie maanden later gebruikt nog een handvol mensen de tools actief. De rest is teruggekeerd naar de oude manier van werken. Bij CommonBase begeleiden we Nederlandse MKB-bedrijven van 25 tot 60 medewerkers bij precies deze overgang: van pilot naar adoptie die beklijft. In deze gids vind je alles wat we daarover hebben geschreven, in de volgorde waarin de vragen zich in de praktijk aandienen, van “zijn we er klaar voor?” tot “hoe meet ik of het werkt?”. Elke sectie vat de kern samen en verwijst naar een uitgebreid artikel voor de verdieping. 01 · Definitie ## Wat AI-adoptie is, en waarom het geen IT-project is De grootste denkfout is AI-adoptie behandelen als implementatieproject: systeem kiezen, training inplannen, uitrollen. Maar mensen vermijden nieuwe tools niet omdat ze lui zijn, ze vermijden ze omdat het gebruik energie kost die ze op korte termijn niet terugkrijgen. Zolang de oude manier werkt, is er geen reden om te wisselen. Adoptie is dus geen trainingsprobleem maar een vertrouwensprobleem: vertrouwen dat de tool je helpt in plaats van vervangt, dat je fouten mag maken, en dat jouw manier van werken er nog toe doet. Als dat vertrouwen er is, volgt het gebruik vanzelf. ⟶ Verdieping: [Hoe zorg ik dat mijn team AI-tools echt gaat gebruiken?](/ai-tools-adoptie-medewerkers/) zeven strategieën die in de praktijk werken, en drie klassieke aanpakken die niet werken. 02 · Gereedheid ## Ben je er klaar voor? Vijf criteria Een tool in een organisatie die er niet klaar voor is, levert niets op, sterker: één mislukt AI-project maakt de tweede poging moeilijker. AI-gereedheid zit niet in je systemen maar tussen de oren en in de structuren eromheen. Beoordeel je organisatie op vijf punten: - Concrete doelen. Kun je één taak benoemen waarbij AI aantoonbaar tijd of kwaliteit oplevert? - Draagvlak op twee lagen. Steunt iemand in de directie dit actief, én experimenteren er al medewerkers? - Een interne eigenaar. Iemand die zichtbaar is voor collega’s en er structureel tijd in steekt. - Ruimte voor verandering. Twee tot vier uur per maand per betrokken medewerker, drie maanden lang. - Een leercultuur. Mogen mislukte experimenten besproken worden zonder gevolgen? ⟶ Verdieping: [Is je team klaar voor AI? Zo beoordeel je dat](/is-mijn-team-klaar-voor-ai/), inclusief wat je doet als een criterium nog niet op orde is. Liever direct een beeld van jouw situatie? Doe de [AI-Potentie Scan](/ai-potentie/) (3 minuten) of de [AI Maturity Check](/ai-maturity/). 03 · Budget ## Wat kost AI-adoptie voor een MKB? Voor een MKB-bedrijf met circa 30 medewerkers ligt een realistisch first-year budget tussen de **€15.000 en €55.000**. De verdeling verrast de meeste directeuren: de tooling is het kleinste deel. Licenties kosten voor een team van 30 zo’n €9.000 tot €12.000 per jaar; de echte investering zit in training en gedragsverandering (van €1.500 voor een eenmalige workshop tot €18.000 voor een volledig adoptietraject) en eventuele integratie met bestaande systemen. Reken daarnaast op de kosten die nergens op een offerte staan: de productieve uren die medewerkers in leren steken, een dip in productiviteit in de eerste vier tot acht weken, en twee tot vier uur beheer per maand. ⟶ Verdieping: [Kosten AI-adoptie: hoeveel budget heb je nodig als MKB?](/kosten-ai-adoptie-mkb/) Met prijsopdrijvers, bespaartips en een rekenkader voor jouw situatie. Onze eigen programma’s hebben een vaste scope en prijs; zie de [prijzenpagina](/prijzen/). 04 · De mensen ## Angst en weerstand: het echte werk Jij ziet kansen; je medewerker ziet een taak die hij al jaren goed doet en een tool die hem overbodig kan maken. Jullie kijken naar hetzelfde en zien iets anders, dat is geen gebrek aan intelligentie, dat is menselijk gedrag. De vier meest voorkomende angsten: baanverlies, je incompetent voelen voordat je begonnen bent, niet betrokken zijn bij de beslissing, en wantrouwen richting de technologie zelf. Weerstand is daarbij geen probleem om op te lossen maar een signaal om serieus te nemen. Sceptici zijn geen tegenstanders, het zijn mensen die nog niet genoeg hebben gezien om te vertrouwen. Goed benaderd worden ze vaak de krachtigste ambassadeurs in je organisatie, juist omdat ze de bezwaren van binnenuit kennen. ⟶ Verdieping: [Waarom zijn medewerkers bang voor AI?](/medewerkers-bang-voor-ai/) en [Hoe zet je AI-sceptici om tot ambassadeurs?](/ai-sceptici-omzetten-naar-ambassadeurs/) En voor wie zich afvraagt of AI ons denkwerk uitholt: [Maakt AI je lui? Wat de wetenschap zegt](/maakt-ai-je-lui/). 05 · Training ## Wie train je, en hoe? Twee keuzes bepalen je trainingsaanpak. De eerste: **iedereen tegelijk of eerst een kleine groep?** De meeste MKB-bedrijven die AI succesvol invoeren, starten selectief, twee tot vijf gemotiveerde mensen die echt goed worden, en breiden daarna gefaseerd uit, met bewijs in handen. De tweede: **hoe voorkom je dat je mensen overweldigt?** Niet met een volle trainingsdag, maar met klein, concreet en herhaald: één taak per functie, sessies van maximaal twee uur, een directe oefenopgave en een korte follow-up. Met dat ritme zie je bij de meeste teams binnen zes tot acht weken merkbare gedragsverandering. ⟶ Verdieping: [Iedereen trainen of alleen sleutelpersonen?](/iedereen-of-sleutelpersonen-trainen-in-ai/) en [Hoe train je je team op AI zonder ze te overweldigen?](/ai-training-medewerkers/) 06 · Tools ## Tools kiezen en meten: bewijs boven belofte Elke AI-tool belooft tijdsbesparing. Maar tijdsbesparing is geen eigenschap van een tool, het is een uitkomst van hoe je hem inzet, voor welke taken en door welke mensen. Stel vier vragen vóór je koopt: welke specifieke taak wordt sneller, hoe lang duurt het voor iemand productief is, past de tool in de bestaande werkstroom, en wat kost een fout in de output? En meet daarna het juiste: niet hoeveel mensen inloggen, maar hoe lang dezelfde taak nu duurt. Meet pas vanaf week vijf of zes, wie na twee weken concludeert dat een tool niets oplevert, vergelijkt een beginner met een doorgewinterde gebruiker. ⟶ Verdieping: [Hoe weet ik of een AI-tool mijn team echt tijd bespaart?](/ai-tool-tijdsbesparing-evalueren/) Voor bureaus schreven we daarnaast uit [welke taken je wél en niet aan AI geeft](/welke-taken-ai-bureau/). 07 · Valkuilen ## Waarom AI-projecten mislukken De technologie is zelden het probleem. AI-projecten stranden op de randvoorwaarden, en de patronen zijn opvallend voorspelbaar: - De tool is er, maar een concreet doel niet. - Medewerkers zijn niet betrokken bij de beslissing. - Te groot beginnen: het hele team, alles tegelijk. - De techniek werkt, maar de gedragsverandering blijft uit. - Er is geen interne eigenaar die het levend houdt. - Succes wordt niet gemeten, dus niemand kan aantonen wat het oplevert. Vergeet daarnaast de juridische kant niet: wie AI uitrolt, krijgt te maken met de AVG en de Europese AI-verordening. Dat hoeft geen showstopper te zijn, maar je wil de risico’s kennen vóór je begint. ⟶ Verdieping: [De 6 redenen waarom AI-projecten mislukken](/redenen-waarom-ai-projecten-mislukken/) en [Welke compliance-risico’s moet je kennen voordat je AI uitrolt?](/ai-compliance-mkb/) 08 · Stappenplan ## De eerste 30 dagen Alles hierboven komt samen in een aanpak die je in 30 dagen van keuze naar werkende toepassing brengt: één team, één proces, één concrete use case, gebouwd door de mensen die het werk doen, niet door een externe partij die na de oplevering vertrekt. Hoe dat er in de praktijk uitziet, lees je in onze case over [call-naar-CRM automatisering bij een B2B salesteam](/cases/call-to-crm-automatisering/): van gespreksopname naar volledige CRM-update, live binnen 30 dagen, met 8 uur per accountmanager per week terug en 87% adoptie na 90 dagen. ⟶ Verdieping: [De 30-dagen roadmap: hoe je MKB-team AI écht gaat gebruiken](/ai-adoptie-mkb-30-dagen-roadmap/). Sectorspecifiek? Zie [AI voor salesteams](/voor-sales/), [AI voor bureaus](/voor-bureaus/) of [AI voor de bouw](/voor-de-bouw/). 09 · Conclusie ## Begin klein. Bouw bewijs. Breid uit. AI-adoptie is geen kwestie van de juiste tool kopen, maar van de juiste volgorde: eerst de gereedheid en het draagvlak, dan een klein en concreet begin, dan meten, en pas daarna opschalen. De bedrijven die het snelste resultaat boeken zijn niet de bedrijven met de grootste training, het zijn de bedrijven die de meest consistente kleine stappen zetten. Je volgende stap hoeft dan ook niet groot te zijn: kies één taak die jouw team elke week onnodig veel tijd kost, en gebruik die als startpunt. Wil je dat traject niet alleen doen? Bij CommonBase begeleiden we MKB-teams van eerste sessie tot structurele adoptie. [Plan een gratis kennismakingsgesprek](/contact/). // Veelgestelde vragen ## Veelgestelde vragen over AI-adoptie. Hoe lang duurt AI-adoptie in een MKB-bedrijf? Een eerste werkende toepassing staat binnen 30 dagen. Merkbare gedragsverandering in een team zie je meestal na zes tot acht weken. Volledige adoptie is geen project met een einddatum, maar een manier van werken die je stap voor stap uitbreidt. Wat kost AI-adoptie voor een MKB? Voor een bedrijf van 25 tot 40 medewerkers is €15.000 tot €30.000 in jaar 1 realistisch; een bredere uitrol loopt richting €55.000. De tooling is daarin het kleinste deel. De echte investering zit in begeleiding en gedragsverandering. Zie de volledige kostenopbouw. Waar begin ik als mijn team nog nooit met AI heeft gewerkt? Klein: één concrete taak, één pilotgroep van 5 tot 10 medewerkers die openstaan voor verandering. Check eerst of de randvoorwaarden op orde zijn met de vijf gereedheidscriteria. Moet ik iedereen tegelijk trainen? Meestal niet. Starten met sleutelpersonen die daarna collega’s meenemen is vaak effectiever én goedkoper dan een brede uitrol ineens. De voor- en nadelen van beide aanpakken op een rij. Wat als het programma niet werkt voor ons team? In de kickoff-week kijken we of er genoeg energie en use cases in het team zitten. Zo niet, dan breken we daar af — je betaalt alleen die week (€2.500). Dat is nog nooit voorgekomen, maar het is jouw zekerheid. Kan ik betalen in termijnen? Ja. 50% bij kickoff, 50% bij oplevering is standaard. Voor Scale Partnerships werken we met kwartaaltermijnen. --- ## Hoe zet je AI-sceptici om tot ambassadeurs in je team? URL: https://commonbase.nl/ai-sceptici-omzetten-naar-ambassadeurs/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:15+02:00 Categorie: Adoptie > AI-sceptici in je team? Ontdek waarom weerstand normaal is en welke 6 concrete strategieën je helpen om twijfelaars te veranderen in actieve voorstanders. Je hebt het zelf ook gezien. Je kondigt aan dat jullie met AI aan de slag gaan, en ergens in de zaal zie je de armen over elkaar. De ogen die zeggen: “hier gaan we weer.” Weerstand tegen AI is één van de meest voorkomende redenen waarom adoptietrajecten vastlopen. Niet de technologie, niet het budget, niet het gebrek aan een goede tool. De mensen die er simpelweg niet in geloven. Bij CommonBase zien we dit in vrijwel elk team dat AI invoert. Sceptici zijn geen probleem om op te lossen, maar een signaal om serieus te nemen. En als je ze op de juiste manier benadert, worden ze vaak de krachtigste voorstanders in je organisatie. 01 · Weerstand ## Waarom weerstand normaal is en wat het je vertelt Weerstand is geen eigenschap van lastige medewerkers. Het is een natuurlijke reactie op verandering die mensen iets kost: vertrouwde routines, een gevoel van competentie, soms zelfs zekerheid over hun positie. AI roept bovendien specifieke angsten op: de vraag “wordt mijn functie overbodig?” leeft breed, ook bij mensen die dat hardop nooit zullen zeggen. Begrijpen waarom iemand sceptisch is, is de eerste stap. Want sceptici zijn geen tegenstanders, maar mensen die nog niet genoeg hebben gezien om te vertrouwen. 02 · Zes strategieën ## Zo krijg je sceptici mee ### 1. Begin met luisteren, niet met overtuigen De neiging bij weerstand is om harder te duwen: meer uitleg, meer voordelen, meer bewijs. Dat werkt averechts. Mensen die zich niet gehoord voelen, worden niet overtuigd door argumenten. Ze worden alleen maar stiller. Vraag sceptici wat ze lastig vinden. Laat ze uitpraten. Pas als iemand het gevoel heeft dat zijn twijfel serieus is genomen, staat de deur open voor een ander gesprek. ### 2. Koppel AI aan hun eigen frustraties Abstracte voordelen van AI overtuigen niemand. Concrete tijdwinst op een taak die iemand al jaren irriteert, doet dat wel. Vraag wat ze tijdrovend, saai of frustrerend vinden, en laat zien hoe AI precies dát verlicht. Wie AI ervaart als oplossing voor zijn eigen pijn, heeft geen extern overtuigingsargument meer nodig. ### 3. Geef ze controle over het experiment Weerstand groeit als mensen het gevoel hebben dat iets hen overkomt. Vraag sceptici mee te denken over de toepassing. Laat hen meebepalen welk werkproces als eerste wordt aangepakt. Mensen die meebouwen aan een verandering, keren zich er minder snel tegen. ### 4. Laat resultaten zien via iemand die ze vertrouwen Jij als directeur die vertelt dat AI werkt, heeft minder overtuigingskracht dan een directe collega die hetzelfde zegt. Als een collega vertelt dat hij dankzij AI zijn rapportages twee uur sneller af heeft, eerlijk en zonder overdreven enthousiasme, dan landen die woorden anders. Geef vroege gebruikers ruimte om hun ervaringen te delen. Niet als marketingverhaal, maar als gewoon gesprek aan de koffieautomaat. ### 5. Maak het veilig om te falen Sceptici durven vaak niet te beginnen omdat ze bang zijn om “dom te lijken” tegenover collega’s die het wel snappen. Die angst blokkeert meer dan welke inhoudelijke twijfel ook. Geef expliciet toestemming om te experimenteren zonder consequenties. Wie fouten mag maken, leert sneller en verliest zijn scepsis vanzelf. ### 6. Vier kleine winsten hardop De grote transformatie is te ver weg voor iemand die nu al twijfelt. Vier tussentijdse resultaten, ook de kleine. Iemand die voor het eerst een e-mail sneller heeft geschreven dankzij AI, verdient een compliment. Kleine winsten normaliseren AI als onderdeel van het dagelijks werk, stap voor stap. 03 · Vermijd dit ## Twee aanpakken die weerstand juist vergroten **Dwang of sociale druk:** als iemand het gevoel krijgt dat hij mee móet doen omdat de rest het ook doet, sluit hij dicht. Weerstand gaat dan ondergronds en wordt harder om te doorbreken dan toen hij zichtbaar was. **Neerbuigendheid over de twijfel:** reacties als “het valt allemaal wel mee” bagatelliseren de bezorgdheid. Daarmee geef je aan dat je de zorg niet serieus neemt, ook al bedoel je het goed. Neem de twijfel serieus, ook als je er zelf niet in meegaat. 04 · Conclusie ## Van scepticus naar voorstander Sceptici die zijn meegenomen, gehoord, en de ruimte hebben gekregen om op hun eigen tempo te ontdekken wat AI voor hen betekent, worden de sterkste interne ambassadeurs. Ze kennen de bezwaren van binnenuit, weten wat er misgaat als je het verkeerd aanpakt, en zijn geloofwaardig voor collega’s die nog twijfelen. Bij CommonBase helpen we MKB-directeuren om die stappen te zetten: van de eerste weerstand in het team tot een cultuur waarin AI gewoon onderdeel is van hoe mensen werken. [Plan een gratis kennismakingsgesprek](/contact/). Of lees verder: [Iedereen trainen in AI of alleen sleutelpersonen? Voor- en nadelen op een rij](/iedereen-of-sleutelpersonen-trainen-in-ai/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Iedereen trainen in AI of alleen sleutelpersonen? Voor- en nadelen op een rij URL: https://commonbase.nl/iedereen-of-sleutelpersonen-trainen-in-ai/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:15+02:00 Categorie: Strategie > Moet je heel je team trainen in AI of begin je met een paar sleutelpersonen? Leer de voor- en nadelen van beide aanpakken en wat past bij jouw organisatie. Je hebt besloten dat AI serieus wordt aangepakt in jouw organisatie. Dan volgt de vraag die veel directeuren even laat stilstaan: train ik iedereen, of begin ik met een paar mensen die het daarna doorgeven? Beide opties hebben aanhangers en beide kunnen werken. Maar welke voor jouw organisatie de juiste is, hangt af van je budget, je cultuur en hoe snel je resultaat wil zien. De verkeerde keuze kost je tijd, geld en draagvlak. In dit artikel zetten we de voor- en nadelen eerlijk naast elkaar. 01 · Twee aanpakken ## Brede uitrol versus selectieve aanpak **De brede uitrol:** je traint een groot deel of het volledige team tegelijk. Iedereen krijgt dezelfde basis, iedereen start op hetzelfde moment. Doel: AI landt breed, zonder tweedeling tussen mensen die het kunnen en mensen die het niet kunnen. **De selectieve aanpak:** je kiest een kleine groep, vaak twee tot vijf medewerkers, die diepgaand worden getraind. Zij worden de interne experts of ambassadeurs die hun kennis overdragen aan de rest. Doel: snel een kern van vaardige mensen die de adoptie van binnenuit aandrijven. 02 · Brede uitrol ## De voor- en nadelen ### Voordelen - Geen tweedeling in het team. Niemand loopt achter, niemand voelt zich buitengesloten. Vooral in teams waar onderlinge gelijkheid belangrijk is, werkt dit goed. - AI landt in alle hoeken. Hoe meer mensen actief met AI werken, hoe groter de kans op toepassingen die je vooraf niet had voorzien. - Minder afhankelijkheid van individuen. Kennis die breed is verspreid, valt niet stil als één persoon vertrekt. ### Nadelen - Hogere kosten en logistiek. Voor een MKB met 30 tot 60 medewerkers is een volledige brede uitrol al snel een flinke operatie. - Minder diepgang per persoon. Het risico: iedereen heeft iets meegekregen, maar niemand beheerst het echt. - Moeilijker te sturen op resultaat. Als tientallen mensen tegelijk starten, worden resultaten diffuus, en dat maakt de interne businesscase lastiger. 03 · Selectief ## De voor- en nadelen ### Voordelen - Sneller zichtbaar resultaat. Een kleine, goed getrainde groep laat binnen weken concrete resultaten zien. Dat bewijs overtuigt sceptici en rechtvaardigt de volgende stap. - Hogere diepgang per persoon. Meer maatwerk, meer oefentijd, meer ruimte voor toepassingen in het eigen werk. - Lager budget bij de start. De investering is kleiner en overzichtelijker, dus makkelijker starten voor organisaties die eerst bewijs willen zien. ### Nadelen - Afhankelijkheid van een kleine groep. Vertrekt één van hen, dan verlies je een groot deel van de expertise. - Kennis verspreidt zich niet vanzelf. Ambassadeurs delen hun kennis alleen met structuur: vaste momenten, een format, tijd en mandaat. - Risico van tweedeling. Mensen die niet zijn meegenomen in de eerste ronde, voelen zich soms gepasseerd. Duidelijke communicatie en een tijdpad voor de bredere uitrol zijn noodzakelijk. 04 · De keuze ## Wat past bij jouw organisatie? **Kies de brede uitrol** als je team homogeen is qua taken en digitale vaardigheid, als AI in het primaire werkproces zit waar iedereen mee te maken krijgt, en als er voldoende budget is. **Kies de selectieve aanpak** als je een beperkt budget hebt en snel tastbaar bewijs wil opbouwen, als het team sceptisch is of er eerder een initiatief mislukt is, of als taken sterk variëren en niet iedereen baat heeft bij dezelfde toepassing. 05 · Conclusie ## In de praktijk sluiten ze elkaar niet uit De meeste MKB-bedrijven die AI succesvol hebben geïmplementeerd, zijn begonnen met een selectieve aanpak en daarna gefaseerd uitgebreid. Start met twee tot vijf gemotiveerde mensen, geef hen de ruimte om echt goed te worden, en laat hun resultaten voor zich spreken. Daarna is de bredere uitrol geen sprong in het onbekende meer, maar een logische vervolgstap met bewijs in handen. Bij CommonBase helpen we MKB-bedrijven om die keuze concreet te maken: wie train je als eerste, wat leren ze, en hoe zorg je dat de kennis daarna de organisatie in stroomt. [Plan een gratis kennismakingsgesprek](/contact/). Of lees verder: [Is je team klaar voor AI? Zo beoordeel je dat voor je bedrijf](/is-mijn-team-klaar-voor-ai/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Is je team klaar voor AI? Zo beoordeel je dat voor je bedrijf URL: https://commonbase.nl/is-mijn-team-klaar-voor-ai/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:14+02:00 Categorie: Adoptie > Hoe weet je of je team klaar is voor AI-adoptie? Beoordeel je organisatie op 5 concrete criteria en ontdek wat je moet voorbereiden voordat je start. Je wil AI serieus oppakken. Maar voordat je licenties aanschaft en trainingen plant, speelt er een vraag die veel directeuren zichzelf niet hardop durven stellen: zijn we hier eigenlijk klaar voor? Het is een goede vraag. Een betere zelfs dan “welke tool moeten we kiezen?” Want een tool in een organisatie die er nog niet klaar voor is, levert niets op. Sterker: het versterkt het cynisme. Mensen die één mislukt AI-project hebben meegemaakt, zijn daarna moeilijker te overtuigen. Bij CommonBase beoordelen we regelmatig de AI-gereedheid van MKB-bedrijven voordat we een traject starten. Niet om drempels op te werpen, maar omdat de voorbereiding het verschil maakt tussen adoptie die beklijft en een pilot die na drie maanden stilstaat. 01 · Definitie ## Wat AI-gereedheid betekent voor jouw organisatie AI-gereedheid is niet hetzelfde als technische infrastructuur of digitale volwassenheid. Het gaat niet om de vraag of je systemen AI aankunnen, maar of je organisatie en je mensen in staat zijn om AI op te nemen in hoe ze dagelijks werken. Een team met de nieuwste laptops kan volledig vastlopen bij AI-adoptie. En een team met beperkte IT-middelen kan AI succesvol invoeren als de cultuur klopt, de doelen helder zijn en er iemand is die het trekt. AI-gereedheid zit grotendeels tussen de oren, en in de structuren eromheen. 02 · Vijf criteria ## Zo beoordeel je de AI-gereedheid van je team ### 1. Er zijn concrete doelen Heeft je organisatie een concreet antwoord op de vraag: wat willen we dat AI voor ons doet? Niet “efficiënter werken”, maar een specifieke toepassing in een specifiek werkproces. De tool kopen en daarna het doel bepalen leidt bijna altijd tot een pilot die nergens op uitloopt. Reken maar na [wat AI-adoptie realistisch kost](/kosten-ai-adoptie-mkb/). *Beoordeling: kun je nu één concrete taak benoemen waarbij AI aantoonbaar tijd of kwaliteit oplevert? Dan groen.* ### 2. Er is draagvlak bij de directie én op de werkvloer AI-adoptie heeft twee lagen nodig: de directie die ruimte en middelen geeft, en de werkvloer die het daadwerkelijk gebruikt. Ontbreekt een van de twee, dan loopt het vast. *Beoordeling: is er iemand in de directie die dit actief steunt? En zijn er medewerkers die nu al experimenteren? Beide ja is klaar.* ### 3. Er is iemand die intern eigenaarschap pakt Geen IT’er of AI-specialist nodig, wel iemand die het onderwerp serieus neemt, zichtbaar is voor collega’s en er structureel tijd in steekt. Zonder interne eigenaar hangt alles af van externe energie, en [zonder interne eigenaar mislukken AI-projecten](/redenen-waarom-ai-projecten-mislukken/). *Beoordeling: is er nu al iemand die spontaan AI-initiatieven trekt? Dan groen. Zo niet: benoem iemand vóór je start.* ### 4. De organisatie heeft ruimte voor verandering AI invoeren kost tijd: trainen, experimenteren, fouten maken, nieuwe gewoonten opbouwen. Een team dat continu in de waan van de dag zit, heeft geen capaciteit om iets nieuws te integreren. *Beoordeling: is er de komende drie maanden realistisch twee tot vier uur per maand per betrokken medewerker voor leren en oefenen? Ja is klaar.* ### 5. Er is een cultuur van leren en uitproberen AI vraagt om experimenteren. Mensen moeten fouten mogen maken, kunnen zeggen “dit werkte niet” en bereid zijn hun werkwijze aan te passen. In organisaties waar fouten worden afgestraft, groeit AI-gebruik niet. *Beoordeling: worden mislukte experimenten bespreekbaar gemaakt zonder negatieve gevolgen? Ja is klaar.* 03 · Nog niet klaar? ## Wat je doet als criteria nog niet op orde zijn De meeste teams zijn bij de start op een of twee criteria nog niet volledig op orde. Dat is normaal en geen reden om te wachten, wel om bewust voor te bereiden: - Geen concreet doel: organiseer een korte sessie met mensen die dicht op de processen zitten. Vraag wat de grootste tijdvreters zijn. - Geen draagvlak: start met de directie en de businesscase, zonder over tools te beginnen. Wat levert het op als je team een uur per dag minder kwijt is aan repetitieve taken? - Geen interne eigenaar: benoem iemand expliciet, ook al is het maar voor twee uur per week. Zonder naam en gezicht heeft eigenaarschap geen grip. - Geen ruimte: schaal de scope naar beneden. Begin met één team van vijf mensen in plaats van de hele organisatie. - Geen leercultuur: begin met het gesprek daarover, niet met de tool. Eén sessie waarin mensen mogen benoemen wat ze lastig vinden aan verandering doet meer dan tien uur technische training. 04 · Conclusie ## Technologie is het makkelijke deel Op de vijf criteria die je hier hebt gelezen, zit de echte voorbereiding voor AI-adoptie. De randvoorwaarden eromheen bepalen of het beklijft. Bij CommonBase helpen we MKB-bedrijven met 25 tot 60 medewerkers om die voorbereiding concreet te maken, zodat een AI-traject start op een fundament dat werkt. [Plan een gratis kennismakingsgesprek](/contact/). Of lees verder: [De 6 redenen waarom AI-projecten mislukken in bedrijven](/redenen-waarom-ai-projecten-mislukken/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## De 6 redenen waarom AI-projecten mislukken in bedrijven URL: https://commonbase.nl/redenen-waarom-ai-projecten-mislukken/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:13+02:00 Categorie: Adoptie > Waarom mislukken zoveel AI-projecten in bedrijven? Ontdek de 6 meest voorkomende valkuilen en wat je concreet kunt doen om ze te vermijden. Je hebt de tool aangeschaft. Je hebt een kickoff gedaan. Misschien zelfs een externe partij ingevlogen voor een training. En drie maanden later gebruikt nog maar een handvol mensen het actief. De rest is teruggekeerd naar de oude manier van werken, en niemand vraagt er nog naar. Herkenbaar? Je bent niet de enige. De meeste AI-projecten stranden niet doordat de technologie niet werkt. Ze stranden doordat de omgeving eromheen niet klopt: de doelen zijn vaag, het draagvlak ontbreekt, of de verwachtingen lagen van meet af aan te hoog. Bij CommonBase begeleiden we MKB-bedrijven die vastlopen in die tussenfase: na de pilot, voor de echte adoptie. We zien dezelfde patronen steeds terugkomen. 01 · Geen doel ## De tool is er, maar het doel niet Het begint vaak met enthousiasme. Iemand heeft ChatGPT of Copilot uitgeprobeerd en is overtuigd. De licenties worden aangeschaft, en dan volgt de stille vraag: wat gaan we hier eigenlijk mee doen? Een tool zonder concreet doel is een investering zonder richting. Medewerkers weten niet waarvoor ze het moeten gebruiken, managers weten niet waarop ze moeten sturen, en na een paar weken ebben het enthousiasme en het gebruik weg. **Hoe je dit voorkomt:** bepaal vóór de aanschaf wat je wil dat AI oplevert. Niet “efficiënter werken”, maar “offertebrieven in de helft van de tijd schrijven”. Hoe concreter het doel, hoe makkelijker je succes kunt meten. 02 · Geen betrokkenheid ## Medewerkers zijn er niet bij betrokken AI-adoptie wordt vaak van bovenaf besloten en van onderaf gevreesd. De directie ziet kansen, de medewerkers zien bedreigingen: wordt mijn functie overbodig? Die angst wordt zelden hardop uitgesproken, maar bepaalt wél het gedrag. Medewerkers die zich niet veilig voelen, experimenteren niet. **Hoe je dit voorkomt:** betrek medewerkers vroeg. Vraag welke taken zij als tijdrovend of frustrerend ervaren en laat hen meebepalen waar AI wordt ingezet. Mensen steunen wat ze zelf mede hebben gebouwd. 03 · Te groot ## Te groot beginnen Een veelgemaakte fout: het volledige team tegelijk omschakelen. Nieuwe tools, nieuwe processen, nieuwe verwachtingen, allemaal tegelijk. De hoeveelheid verandering is te groot om te verteren. En als het misloopt, zijn de lessen diffuus: wat heeft er nu precies niet gewerkt? **Hoe je dit voorkomt:** start klein en bewust. Eén team, één proces, één concrete toepassing. Meet het resultaat en gebruik dat bewijs voor de volgende stap. Gefaseerde uitrol is geen gebrek aan ambitie, maar de manier waarop adoptie werkelijk beklijft. 04 · Gedrag ## De techniek werkt, de gedragsverandering niet De valkuil die de meeste directeuren verrast. De tool is geïmplementeerd, de training is gegeven, en toch verandert er weinig. Dat komt doordat AI een andere manier van werken vraagt, en mensen van nature vasthouden aan vertrouwde routines. Een training van twee uur plant een zaadje, maar verandert geen werkgewoonte. Daarvoor is herhaling nodig, ruimte om te oefenen, en een omgeving die het nieuwe gedrag beloont. **Hoe je dit voorkomt:** plan opvolging in. Een check-in na twee weken, een gedeelde plek voor ervaringen, een interne ambassadeur die vragen beantwoordt. De eerste training is het begin van het veranderproces, niet het eindpunt. 05 · Geen eigenaar ## Zonder interne eigenaar stopt het AI-trajecten die slagen hebben altijd één ding gemeen: iemand in de organisatie voelt zich eigenaar. Iemand die vragen beantwoordt, successen deelt, knelpunten signaleert en het onderwerp levend houdt. Als dat ontbreekt, verslapt de aandacht snel: de externe partij is klaar, de kick-off is geweest, en het dagelijks leven neemt het over. **Hoe je dit voorkomt:** wijs vanaf het begin één persoon aan als intern aanspreekpunt. Geen technisch expert nodig, wel iemand die zichtbaar is voor collega’s en de ruimte krijgt om er tijd in te steken. 06 · Geen meting ## Succes wordt niet gemeten Veel AI-trajecten starten zonder nulmeting. Er is geen beeld van hoe lang iets nu kost of hoeveel tijd er verloren gaat aan taken die AI zou kunnen overnemen. Na de implementatie is er dus ook geen manier om aan te tonen wat er is veranderd. Dat is een dubbel probleem: je weet niet of het werkt, én je verliest intern draagvlak voor verdere investering. **Hoe je dit voorkomt:** stel vóór de start een simpele baseline vast. Hoeveel tijd kost taak X nu per week? De cijfers hoeven niet perfect te zijn. Ze geven je een startpunt om na drie maanden iets zinnigs te kunnen zeggen. 07 · Conclusie ## Van mislukking naar adoptie die beklijft De technologie is zelden het probleem. Het zijn de randvoorwaarden die bepalen of een AI-project daadwerkelijk iets verandert: een helder doel, betrokken mensen, een gefaseerde aanpak, iemand die eigenaarschap voelt, en de discipline om bij te houden wat het oplevert. Bij CommonBase helpen we MKB-bedrijven om die randvoorwaarden op orde te krijgen, zodat AI niet blijft hangen in een pilot maar doorgroeit naar een manier van werken die blijft. [Plan een gratis kennismakingsgesprek](/contact/). Of lees verder: [Kosten AI-adoptie: hoeveel budget heb je nodig als MKB?](/kosten-ai-adoptie-mkb/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Kosten AI-adoptie: hoeveel budget heb je nodig als MKB? URL: https://commonbase.nl/kosten-ai-adoptie-mkb/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:12+02:00 Categorie: Strategie > Wat kost AI-adoptie voor een MKB met 25-60 medewerkers? Leer welke factoren de prijs bepalen, wat verborgen kosten zijn en hoe je een realistisch budget opstelt. Je wil AI serieus aanpakken. Geen losse pilots meer, geen vrijblijvende experimenten. Maar dan stuit je op de vraag die iedere directeur vroeg of laat stelt: hoeveel geld kost dit eigenlijk? En de vervolgvraag die nóg scherper snijdt: wanneer geef ik te veel uit, en wanneer te weinig? Na dit artikel heb je een concreet beeld van wat AI-adoptie kost voor een MKB-bedrijf met 25 tot 60 medewerkers. Je snapt welke factoren de prijs omhoogdrijven, waar je kunt besparen, en welke kosten je nu misschien over het hoofd ziet. 01 · Het kader ## Wat kost AI-adoptie gemiddeld voor een MKB? Een eerlijk antwoord begint met een eerlijk kader: AI-adoptie is geen product dat je koopt. Het is een verandertraject waarbij technologie slechts een deel van de investering is. Voor een MKB-bedrijf met 30 medewerkers ligt een realistisch first-year budget tussen de **€15.000 en €55.000**. Die spreiding heeft een reden: hoe serieuzer je dit aanpakt, hoe meer je in het begin uitgeeft, en hoe sneller je de terugverdientijd bereikt. ### Licentiekosten (tools en software) De meestgebruikte AI-tools voor teams: Microsoft Copilot (circa €28-30 per gebruiker per maand), ChatGPT Team (circa €25 per gebruiker per maand) of vergelijkbaar. Voor een team van 30 medewerkers: **€750 tot €1.000 per maand**, oftewel €9.000 tot €12.000 per jaar. Let op: dat is als je vrijwel iedereen uitrust. Veel bedrijven starten met een kleinere pilotgroep. ### Training en gedragsverandering De categorie die het meest bepaalt of AI daadwerkelijk werkt, en die het vaakst wordt onderschat. Een eenmalige workshop of Lunch & Learn: **€1.500 tot €4.500**. Een volledig adoptietraject met meerdere sessies, begeleiding en follow-up: **€6.000 tot €18.000**. Het verschil zit niet in uren, maar in diepte: leer je mensen knoppen bedienen, of leer je hen AI inbouwen in hun dagelijkse werk? ### Implementatie en integratie Wil je AI koppelen aan bestaande systemen, automatiseren of werkprocessen herinrichten? Dan komen er IT-kosten bij: van **€2.000 tot €15.000 of meer**, afhankelijk van de complexiteit. 02 · Prijsopdrijvers ## Factoren die de kosten omhoogdrijven - De omvang van het verandertraject. AI invoeren als informatiesessie kost weinig. AI invoeren als cultuurverandering kost meer, en levert ook meer op. - Het aantal medewerkers en hun startniveau. Hoe gevarieerder de digitale vaardigheid in je team, hoe meer individuele begeleiding nodig is. - Maatwerk versus standaard. Zodra AI specifiek moet aansluiten op jouw processen, klantcommunicatie of branche, stijgen de kosten. Maatwerk is meestal wél de betere investering op lange termijn. - Interne weerstand en cultuur. De kostenfactor die nergens op een offerte staat. Als je team sceptisch is, kost begeleiding meer tijd. Weerstand is geen reden om niet te starten, maar reken erop in je planning en budget. 03 · Besparen ## Factoren die de kosten omlaag brengen - Gefaseerde uitrol. Begin met 5 tot 10 medewerkers die openstaan voor verandering. Laat hen resultaten laten zien en breid daarna uit. - Slim kijken wat je al hebt. Veel bedrijven betalen al voor tools met ingebouwde AI-functionaliteit die ze niet gebruiken. Check eerst je bestaande licenties. - Interne AI-ambassadeurs. Eén of twee medewerkers trainen tot interne experts verlaagt de structurele begeleidingskosten en versnelt adoptie. - Kortere, intensievere formats. Een goed voorbereide Lunch & Learn van 90 minuten kan meer losmaken dan een halve dag generieke opleiding. 04 · Verborgen kosten ## Wat de meeste directeuren verrast - Tijdsinvestering van medewerkers. Training, experimenteren en oefenen kosten productieve uren die je tijdelijk elders weghaalt. - Beheer en updates. AI-tools veranderen snel. Reken op twee tot vier uur per maand voor licentiebeheer en interne communicatie. - Verloren productiviteit in de beginfase. De eerste vier tot acht weken zijn medewerkers vaak minder productief. Dat is normaal. Plan het in. - Herstel van mislukte pilots. Eerder geld uitgegeven aan AI-initiatieven die stilvielen? Tel dat mee in je totale investeringsoverzicht. Het houdt je realistisch. 05 · Jouw budget ## Hoe bepaal je een realistisch budget? Drie vragen helpen je de juiste bandbreedte te vinden: **1.** Wat wil je dat AI concreet oplevert? Hoe specifieker het resultaat, hoe beter je kunt berekenen of de investering zich terugverdient. **2.** Hoe breed wil je uitrollen in jaar 1: heel je team of een pilotgroep eerst? **3.** Wat is de interne capaciteit om dit te begeleiden? Een richtlijn: voor een eerste serieus adoptietraject bij een bedrijf van 25 tot 40 medewerkers is **€15.000 tot €30.000 in jaar 1** realistisch. Dat dekt tooling voor een pilotgroep, trainingssessies en lichte implementatiebegeleiding. Voor een bredere uitrol of complexere omgeving: reken op €35.000 tot €55.000. 06 · Conclusie ## De tooling is het kleinste deel AI-adoptie kost geld. De tooling is daarin het kleinste deel. De echte investering zit in begeleiding, gedragsverandering en de tijd van je mensen. Wie dat onderschat, eindigt met een dure licentie en een team dat er niets mee doet. Wil je weten hoe een traject er voor jouw organisatie specifiek uitziet, en wat het realistisch oplevert? Bij CommonBase helpen we MKB-bedrijven van 25 tot 60 medewerkers om van pilot naar echte adoptie te gaan. [Plan een gratis kennismakingsgesprek](/contact/). Of lees verder: [De 6 redenen waarom AI-projecten mislukken in bedrijven](/redenen-waarom-ai-projecten-mislukken/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Hoe weet ik of een AI-tool mijn team echt tijd bespaart? URL: https://commonbase.nl/ai-tool-tijdsbesparing-evalueren/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:12+02:00 Categorie: Strategie > Elke AI-tool belooft tijdsbesparing. Maar klopt dat voor jouw team? Dit zijn de vragen die je stelt voordat je beslist. Elke AI-tool belooft hetzelfde: bespaar uren per week. Werk sneller. Doe meer met minder mensen. Maar hoe weet je of dat voor jouw team ook klopt? En hoe voorkom je dat je een tool aanschaft die zes maanden later door niemand meer wordt gebruikt? Bij CommonBase begeleiden we MKB-bedrijven bij het kiezen en implementeren van AI-tools. We zien elke week bedrijven die vol verwachting beginnen en teleurgesteld stoppen. Niet omdat de tool slecht is, maar omdat ze vooraf de verkeerde vragen hebben gesteld. Na dit artikel weet je hoe je een AI-tool evalueert voordat je koopt, hoe je tijdbesparing meetbaar maakt en welke signalen aangeven dat een tool zijn belofte niet gaat waarmaken. 01 · De belofte ## Waarom de belofte van tijdsbesparing vaak niet klopt Leveranciers meten tijdsbesparing onder ideale omstandigheden: een ervaren gebruiker, een eenvoudige taak, een schone dataset. Jouw situatie is anders. Je medewerkers moeten de tool nog leren, hun werkproces aanpassen en uitzoeken wat werkt voor hun specifieke taken. In die periode kost de tool meer tijd dan hij oplevert. Dat is normaal, maar het betekent wel dat je “bespaar 30% van je tijd” niet klakkeloos kunt overnemen. **Tijdsbesparing is geen eigenschap van een tool. Het is een uitkomst van hoe je hem inzet, voor welke taken en door welke mensen.** 02 · Vier vragen ## Wat je altijd moet stellen voordat je beslist ### 1. Welke specifieke taak gaat de tool vervangen of versnellen? De vraag die de meeste bedrijven overslaan. Begin bij de taak: welke terugkerende activiteit kost jouw team nu onnodig veel tijd, en hoeveel uur per week is dat over het hele team opgeteld? Een AI-tool die schrijftaken versnelt, helpt je marketingmedewerker, maar niet je monteur. In de praktijk worden tools vaak ingekocht voor het hele bedrijf, terwijl ze maar voor een deel van de functies relevant zijn. ### 2. Hoe lang duurt het voordat iemand productief is met de tool? De terugverdientijd in uren. Kost een tool tien uur om te leren en bespaart hij daarna twee uur per week? Dan verdien je die investering terug in vijf weken. Prima. Kost hij veertig uur omdat de interface complex is en de output altijd flink gecorrigeerd moet worden? Dan ziet die berekening er anders uit. Vraag leveranciers naar de gemiddelde onboarding-tijd voor vergelijkbare bedrijven, en zoek recensies van gebruikers die op jouw team lijken, niet de succesverhalen op de homepage. ### 3. Past de tool in de bestaande werkstroom of vraagt hij om een nieuwe? Tools die naadloos aansluiten op wat mensen al doen, worden gebruikt. Tools die een nieuwe gewoonte vereisen, worden vergeten. Elke extra stap (een apart tabblad, kopiëren, plakken, controleren) voegt wrijving toe. En wrijving is de vijand van adoptie. ### 4. Wat kost het als de output niet goed is? AI-tools maken fouten. De vraag is niet óf dat gebeurt, maar wat de gevolgen zijn. Voor interne notities is een fout weinig erg. Voor een offerte naar een klant is dat anders. Hoe hoger de kosten van een fout, hoe meer menselijke controle je nodig hebt, en hoe kleiner de netto tijdsbesparing. 03 · Meten ## Hoe je tijdsbesparing meetbaar maakt ### Stap 1: Meet de beginwaarde Vraag een handvol medewerkers om een week bij te houden hoeveel tijd ze besteden aan de taak die de tool moet verbeteren. Een ruwe schatting is genoeg, als je hem maar consistent toepast. ### Stap 2: Geef de tool acht weken De eerste twee weken zijn altijd langzamer dan zonder de tool. Meet pas vanaf week vijf of zes, als de leercurve er grotendeels af is. Bedrijven die na twee weken concluderen dat de tool niets oplevert, vergelijken een beginner met een doorgewinterde gebruiker. ### Stap 3: Meet de uitkomst, niet het gebruik Kijk niet naar hoeveel mensen inloggen. Kijk naar hoe lang dezelfde taak nu duurt. Een medewerker die vroeger twee uur deed over een wekelijks rapport en nu vijftig minuten: dát is concreet. ### Stap 4: Vraag naar de ervaring Voelt het werk minder zwaar? Is de kwaliteit beter of slechter? Zou je terug willen naar de oude manier? Die antwoorden vertellen je meer over de duurzaamheid van de adoptie dan een spreadsheet met uren. 04 · Raamwerk ## Een simpel beslisraamwerk - Vraag 1: Kun je een concrete taak noemen die de tool gaat verbeteren, en weet je hoeveel tijd die taak nu kost? Nee → te vroeg om te beslissen. - Vraag 2: Is de verwachte tijdsbesparing groot genoeg om de onboarding-tijd binnen drie maanden terug te verdienen? Nee → mogelijk niet de juiste keuze voor dit moment. - Vraag 3: Past de tool in de bestaande werkstroom, of vraagt hij om een fundamentele aanpassing? Het tweede → plan extra begeleiding in en onderschat die niet. Drie keer ja is geen garantie. Maar het is een veel betere basis dan een overtuigende demonstratie van een leverancier. 05 · Conclusie ## Beslis op bewijs, niet op belofte Ieder bedrijf dat ik spreek heeft tools die ze hebben aangeschaft en niet gebruiken. Dat is geen schande, maar het gevolg van beslissen op basis van belofte in plaats van bewijs. Je volgende stap: kies één taak in jouw bedrijf die een goede kandidaat is voor AI, meet hoeveel tijd die nu kost en gebruik dat als uitgangspunt voor je volgende beslissing. Wil je dit samen doorlopen voor jouw organisatie? Bij CommonBase helpen we MKB-bedrijven om AI-tools te kiezen die passen bij het echte werk van hun team. [Neem contact op](/contact/). Of lees eerst: [Hoe zorg ik dat mijn team AI-tools echt gaat gebruiken?](/ai-tools-adoptie-medewerkers/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Hoe train je je team op AI zonder ze te overweldigen? URL: https://commonbase.nl/ai-training-medewerkers/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:11+02:00 Categorie: Adoptie > AI-training voor je team, maar zonder dat het te veel wordt? Dit zijn de aanpakken die beklijven. Geen marathon, maar kleine stappen die werken. Je wil je team meenemen in AI. Je weet dat het nodig is. Maar je weet ook dat je ze niet wil belasten met een tweedaagse cursus vol jargon waar niemand op zit te wachten. Dus je stelt het uit. Of je plant iets in en hoopt dat het aanslaat. Het grootste probleem dat ik zie: bedrijven kiezen voor te veel tegelijk. Een volle dag, een breed programma, alles in één keer. En een week later is het meeste alweer vergeten. Na dit artikel weet je waarom standaard trainingen vaak niet werken, wat de snelste route naar echte toepassing is en hoe je dat praktisch organiseert. 01 · Oorzaak ## Waarom de meeste AI-trainingen niet beklijven Veel AI-trainingen beginnen met uitleg over wat AI is, hoe het werkt en wat de mogelijkheden zijn. Dat klinkt logisch. Maar voor iemand die gewoon wil weten of hij zijn wekelijkse rapportage sneller kan maken, is die context geen startpunt. Het is een drempel. Mensen onthouden geen theorie. Ze onthouden ervaringen. Iemand die één keer zelf heeft meegemaakt dat een tool hem een uur werk bespaart, heeft meer geleerd dan iemand die twee uur heeft geluisterd naar een presentatie. En als je te veel tegelijk aanbiedt, haken mensen af. Wie niet weet waar te beginnen, begint niet. 02 · Drie fouten ## Wat de meeste bedrijven verkeerd doen ### Alles in één sessie proppen Een volle dag training voelt efficiënt. Maar na drie uur nieuwe informatie daalt de opname dramatisch. Verdeel je training over meerdere kortere sessies: twee uur per keer, met ruimte om te oefenen tussendoor, levert meer op dan een marathon op één dag. ### Beginnen met techniek in plaats van toepassingen “Hoe werkt een taalmodel?” is een interessante vraag. Maar het is niet de vraag die je medewerker heeft. Die heeft de vraag: kan dit mij helpen bij mijn werk? Begin altijd met de toepassing in een situatie die zij herkennen. De techniek mag later komen, of helemaal niet. ### Iedereen hetzelfde programma geven Een accountmanager heeft andere behoeften dan een operationeel medewerker. Hoe dichter de training aansluit op het dagelijkse werk van de deelnemer, hoe groter de kans dat het wordt toegepast. 03 · De aanpak ## Klein, concreet en herhaald in vijf stappen ### Stap 1: Kies één taak per functie Welke terugkerende taak kost dit type medewerker de meeste tijd? Voor sales kan dat het schrijven van opvolgmails zijn. Voor HR het opstellen van vacatureteksten. Kies per functie één taak. Niet vijf. Eén. Alles in de sessie draait om die ene taak. ### Stap 2: Train in sessies van maximaal twee uur Twee uur is genoeg om één toepassing te begrijpen, zelf te oefenen en vragen te stellen. Plan de terugkoppeling niet na één week, maar na twee of drie dagen, dan is de ervaring nog vers. ### Stap 3: Geef een directe oefenopgave mee Niet “oefen met de tool”, maar “schrijf je volgende klantmail met behulp van de tool en stuur me de uitkomst”. Specifiek, uitvoerbaar, klein. Dat is het verschil tussen een opdracht die gedaan wordt en een die blijft liggen. ### Stap 4: Bespreek de ervaringen in een volgende sessie Wat werkte? Wat niet? Wat was verrassend? Dit is het onderdeel dat de meeste bedrijven overslaan, en precies het onderdeel dat het meeste oplevert. Plan een korte follow-up van 30 tot 45 minuten. Geen beoordeling, alleen uitwisseling. ### Stap 5: Herhaal met een nieuwe taak Zodra één toepassing is ingeburgerd, voeg je de volgende toe. Zo bouw je stap voor stap een team op dat breed AI-vaardig is, zonder dat je ze ooit hebt overweldigd. 04 · Tempo ## Hoe snel is snel? Met twee sessies van twee uur per maand, een concrete oefenopgave tussendoor en een follow-up, zie je bij de meeste teams binnen zes tot acht weken merkbare gedragsveranderingen. Niet bij iedereen tegelijk. Maar genoeg om een vliegwiel op gang te brengen. Sneller kan, maar sneller zonder herhaling en oefening levert niets op. Een intensieve dagtraining zonder follow-up is weggegooid geld. 05 · Niveauverschil ## Wat als mijn team heel divers is in technische kennis? Dat is bijna altijd het geval. De oplossing is niet iedereen op hetzelfde niveau brengen voordat je begint. Dat duurt te lang en motiveert niemand. Werk in kleine groepjes van mensen met vergelijkbare functies en een vergelijkbaar startniveau. Een groep van zes is genoeg voor een goede dynamiek. Zet je meest technisch vaardige mensen niet in een groep met beginners: zij vliegen erdoorheen, de beginners haken af. 06 · Conclusie ## Begin klein. Herhaal. Je hoeft je team niet in één keer bij te spijkeren. Je begint klein: één taak, één sessie, één concrete oefenopgave. En dan herhaal je dat. De bedrijven die het snelste resultaat boeken, zijn niet de bedrijven met de grootste training. Het zijn de bedrijven die de meest consistente kleine stappen zetten. Wil je weten hoe je dat concreet opzet voor jouw organisatie? Bij CommonBase begeleiden we MKB-teams van eerste sessie tot structurele adoptie. [Neem contact op](/contact/). Of lees eerst: [Hoe zorg ik dat mijn team AI-tools echt gaat gebruiken?](/ai-tools-adoptie-medewerkers/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Waarom zijn medewerkers bang voor AI? (En wat jij eraan doet) URL: https://commonbase.nl/medewerkers-bang-voor-ai/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:10+02:00 Categorie: Adoptie > Medewerkers bang voor AI terwijl jij alleen kansen ziet? Dit zijn de 4 echte redenen, en hoe je de kloof als leider dicht. Je hebt de rapporten gelezen. De cijfers zijn overtuigend. AI kan je team sneller, slimmer en minder druk maken. Dus je kondigt het aan. Positief. Vol energie. En dan kijkt iemand je aan alsof je net hebt gezegd dat er ontslagen komen. Herkenbaar? Ik train Nederlandse MKB-teams in AI-adoptie. Dit patroon zie ik bij bijna ieder bedrijf: de leiding enthousiast, de werkvloer stilletjes in verzet. En het heeft een verklaring. Na dit artikel weet je waarom die kloof er is, wat er in je medewerkers omgaat en wat jij als leider anders kunt doen. 01 · De kloof ## Jij en je medewerkers kijken naar hetzelfde en zien iets anders Jij zit op directieniveau. Je overziet het geheel. Je ziet een kans om processen te verbeteren, kosten te besparen, misschien zelfs nieuwe diensten aan te bieden. Je medewerker zit op zijn afdeling. Hij ziet een taak die hij al jaren goed doet en een tool die hem overbodig kan maken. Jullie kijken allebei naar AI. Maar jullie kijken vanuit een compleet andere positie. Dat is geen gebrek aan intelligentie bij je team. Dat is menselijk gedrag. 02 · Vier redenen ## Waarom medewerkers bang zijn voor AI ### 1. Ze zijn bang dat AI hun baan overneemt Je zegt: “AI gaat jullie werk makkelijker maken.” Je medewerker hoort: “AI gaat jullie werk overnemen.” Dat verschil zit niet in jouw boodschap. Het zit in alles wat ze de afgelopen twee jaar in het nieuws hebben gelezen. Massaontslagen bij techreuzen. ChatGPT die taken uitvoert die vroeger een junior deed. De verhalen zijn er. En ze zijn luid. Jij weet dat je niemand wil ontslaan. Maar heb je dat ook gezegd? Concreet, direct, zonder bedrijfstaal? ### 2. Ze voelen zich incompetent voordat ze begonnen zijn Leren voelt goed als je succeservaringen verwacht. Het voelt slecht als je bang bent om af te gaan. Veel medewerkers denken: als ik dit niet snel oppik, laat ik zien dat ik het niet meer bijhoud. Zeker medewerkers die al jaren goed functioneren: die hebben status opgebouwd, expertise. Die status voelt bedreigd zodra er een tool is die iets kan wat zij niet kunnen. ### 3. Ze zijn niet betrokken bij de beslissing Jij hebt nagedacht, onderzoek gedaan, besloten. Logisch, dat is jouw rol. Maar voor je medewerker voelt het als: dit wordt me opgelegd. Er is een groot verschil tussen iets invoeren omdat de directie het wil, en iets omarmen omdat je er zelf in gelooft. Dat tweede vraagt om betrokkenheid voordat de beslissing er al is. ### 4. Ze wantrouwen de technologie zelf “Wat als de AI het verkeerde antwoord geeft en ik daarvoor verantwoordelijk ben?” Dit is geen irrationele angst. Het is een legitieme zorg van mensen die begrijpen dat hun naam onder het werk staat, niet die van een AI. Medewerkers die nauwkeurig werken zijn vaak het meest kritisch op nieuwe tools. Niet omdat ze conservatief zijn, maar omdat ze professioneel zijn. 03 · De valkuil ## AI-adoptie behandelen als implementatieproject Systeem kiezen, training inplannen, uitrollen. Maar AI-adoptie is geen IT-project. Het is een verandering in hoe mensen zichzelf zien in hun werk. De meeste weerstand die ik tegenkom, is geen weerstand tegen AI. Het is weerstand tegen het gevoel van controle verliezen. Tegen verandering die van bovenaf wordt opgelegd. Tegen de angst om achter te blijven. Als je die weerstand wegzet als “ze snappen het gewoon niet”, verlies je je mensen. En dan doe je er een jaar over om iets te implementeren wat drie maanden had moeten duren. 04 · Wat wél werkt ## Drie dingen die jij als leider anders kunt doen ### Benoem de olifant Zeg hardop dat je begrijpt waarom mensen bang zijn. Dat je de verhalen kent. En dat je eerlijk bent over wat AI wel en niet betekent voor hun functie. Concreet: ga in gesprek voordat je iets aankondigt. Vraag je teamleiders wat er leeft. Wat horen zij aan de koffieautomaat? Die signalen zijn goud. Als je ze negeert, komen ze later terug als sabotage. ### Geef mensen een rol in het proces Vraag je team: waar verlies jij nu energie aan? Welke taak kost je elke week een uur die je liever anders zou besteden? De antwoorden zijn altijd concreet en soms verrassend. De logistiek medewerker die elke vrijdagmiddag handmatig rapporten kopieert. De accountmanager die offertes tikt die negen van de tien keer identiek zijn. Als je die frustraties als vertrekpunt neemt, wordt AI iets wat hén helpt. Niet iets wat aan hen wordt opgelegd. ### Maak het veilig om te oefenen Geen verplichte resultaten. Geen beoordeling op snelheid. Gewoon ruimte om te proberen, fouten te maken en erachter te komen wat werkt. Praktisch: geef je team een vast oefenmoment. Zelfs een half uur per week werkt. De meeste weerstand verdwijnt niet door meer uitleggen. Ze verdwijnt door zelf ervaren dat het werkt. 05 · Conclusie ## Het is geen informatieprobleem. Het is een vertrouwensprobleem. Als je wekenlang worstelt met de vraag waarom je team niet meebeweegt terwijl je alleen kansen ziet, is de kans groot dat je het als een informatieprobleem behandelt. Meer uitleg, betere presentatie, nog een training. Maar dat los je niet op met een beter slidedeck. Je volgende stap: ga deze week een gesprek aan met een medewerker die terughoudend lijkt. Niet om te overtuigen. Alleen om te vragen wat er speelt. Dat gesprek levert je meer op dan welke implementatieaanpak dan ook. Wil je weten hoe je daarna een team meekrijgt dat AI omarmt op zijn eigen manier? Bij CommonBase werken we samen met teams aan precies dit. [Neem gerust contact op](/contact/). Of lees verder: [Hoe train je je team op AI zonder ze te overweldigen?](/ai-training-medewerkers/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Hoe zorg ik dat mijn team AI-tools echt gaat gebruiken? URL: https://commonbase.nl/ai-tools-adoptie-medewerkers/ Auteur: Niels Sonneveld Gepubliceerd: 2026-07-05T14:46:09+02:00 Categorie: Adoptie > Je hebt de tools. Maar niemand gebruikt ze. Dit zijn 7 strategieën die AI-adoptie bij je team wel laten beklijven. Je hebt de tools aangeschaft. Je hebt een demonstratie gegeven. Misschien zelfs een training ingepland. En twee weken later werkt iedereen nog precies hetzelfde als daarvoor. De tools staan geïnstalleerd. Niemand gebruikt ze. Dit is het meest voorkomende probleem dat ik tegenkom bij MKB-bedrijven die met AI aan de slag willen. Niet de technologie. Niet het budget. Maar het gedrag. Ik help Nederlandse teams om AI te adopteren op een manier die beklijft. Niet met een eenmalige training, maar door te begrijpen waarom mensen tools vermijden en wat er voor nodig is om dat te veranderen. Na dit artikel weet je welke aanpakken niet werken, welke wel werken en hoe je morgen concreet een eerste stap zet. 01 · Oorzaak ## Waarom mensen AI-tools blijven vermijden Voordat je aan oplossingen denkt, is het goed om te begrijpen wat er speelt. Mensen vermijden nieuwe tools niet omdat ze lui zijn. Ze vermijden ze omdat het gebruik energie kost die ze op korte termijn niet terugkrijgen. Een nieuwe tool leren gaat ten koste van snelheid, zelfvertrouwen en gevoel van controle. Zolang de oude manier werkt, is er geen reden om te wisselen. Daar komt bij: de meeste mensen zijn nooit gevraagd wat ze zelf nodig hebben. Ze krijgen een tool opgelegd en worden geacht ermee aan de slag te gaan. Dat werkt niet. **Adoptie is geen trainingsproject. Het is een gedragsverandering.** En gedrag verandert alleen als mensen er zelf iets bij te winnen hebben. 02 · Wat niet werkt ## Wat de meeste bedrijven doen en waarom het niet werkt ### Een verplichte training inplannen Een klassieke fout. Je plant een sessie van twee uur, legt uit hoe de tool werkt en verwacht dat mensen er daarna mee aan de slag gaan. Het probleem: mensen onthouden misschien 20% van wat ze horen in een training. En de volgende dag wacht er een volle inbox. De tool verdwijnt naar de achtergrond. Trainen werkt alleen als het direct gekoppeld is aan een echte taak die iemand die dag of week moet uitvoeren. Kennis zonder directe toepassing verdwijnt. ### Enthousiastelingen aanwijzen als ambassadeur Goed bedoeld. Maar de meeste “AI-ambassadeurs” die ik tegenkom, zijn mensen die zelf al enthousiast zijn over technologie. Ze praten met andere enthousiastelingen en bereiken de rest van het team nauwelijks. De mensen die je wilt bereiken, zijn juist degenen die twijfelen. En die luisteren niet naar de tech-nerd van de afdeling. Die luisteren naar collega’s die op hen lijken. ### Resultaten verplicht rapporteren Zodra je vraagt om resultaten te rapporteren, verandert oefenen in presteren. En mensen die presteren moeten, nemen geen risico. Ze gebruiken de tool alleen als ze zeker weten dat het goed uitpakt. Dat is precies het tegenovergestelde van wat adoptie vraagt: experimenteren, fouten maken en ontdekken wat werkt. 03 · Wat wél werkt ## Zeven strategieën die ik in de praktijk zie werken ### 1. Begin met het probleem, niet met de tool Stel je team de vraag: welke taak kost jou elke week onnodig veel tijd? Laat mensen dat eerst beantwoorden. Pak daarna pas de tool erbij als middel om dat specifieke probleem op te lossen. Niet: hier is een tool, bedenk maar wat je ermee doet. Maar: hier is jouw probleem, laten we kijken of dit helpt. Dat tweede gesprek is een stuk makkelijker. ### 2. Zoek de mensen die al nieuwsgierig zijn In elk team zitten mensen die al stiekem aan het experimenteren zijn. Die ChatGPT al gebruiken voor e-mails. Zoek hen op. Niet om ze als ambassadeur aan te wijzen, maar om ze ruimte te geven om hun aanpak te delen. Informeel, tijdens een teamoverleg of een lunch. Mensen geloven collega’s meer dan managers. ### 3. Maak het klein en concreet “Gebruik AI in je werk” is te groot. “Probeer deze week één e-mail te schrijven met behulp van de tool” is klein genoeg om te doen. Kleine, concrete opdrachten verlagen de drempel. En als iemand eenmaal één positieve ervaring heeft, is de volgende stap makkelijker. ### 4. Organiseer een wekelijks kwartier Geen grote sessie. Geen training. Gewoon een vast moment van 15 minuten per week waarop iemand deelt wat hij heeft geprobeerd. Wat werkte? Wat niet? Wat was verrassend? Dit normaliseert experimenteren, laat zien dat falen erbij hoort en bouwt stilletjes een collectieve kennisbasis op die nergens in een handleiding staat. ### 5. Laat mensen de tool aanpassen aan hun eigen werk De meeste tools zijn generiek. De meeste mensen werken specifiek. Geef je team de ruimte om te ontdekken hoe de tool past bij hun eigen taken, schrijfstijl en manier van werken. Een accountmanager die de tool gebruikt voor offertes werkt anders dan een HR-medewerker die hem gebruikt voor functieomschrijvingen. Dat is prima. Adoptie hoeft niet uniform te zijn. ### 6. Verwijder de drempel van “wat als ik iets fout doe” Dit is een onderschatte blokkade. Mensen zijn bang dat ze iets kapotmaken, iets verkeerds sturen of een fout produceren. Wees concreet over wat er kan gebeuren en wat niet. Vertel wat het systeem doet met hun data. Laat zien hoe je een output controleert voordat je hem gebruikt. Die zekerheid geeft mensen de ruimte om te beginnen. ### 7. Vier kleine overwinningen Iemand die voor het eerst een rapport in de helft van de tijd schrijft met behulp van AI, verdient een compliment. Niet omdat het bijzonder is, maar omdat je daarmee laat zien dat dit soort resultaten tellen. Mensen herhalen gedrag dat beloond wordt. Dat is geen manipulatie. Dat is hoe mensen werken. 04 · De les ## Adoptie gaat niet over tools. Het gaat over vertrouwen. Vertrouwen dat de tool hen helpt in plaats van vervangt. Vertrouwen dat ze fouten mogen maken. Vertrouwen dat hun manier van werken er nog toe doet. Als dat vertrouwen er is, volgt het gebruik vanzelf. 05 · Conclusie ## Kies één strategie en begin Je wist al dat je team terughoudend was. Nu weet je ook waarom de standaardaanpak niet werkt en wat je in de plaats daarvan kunt doen. De volgende stap is klein: kies één van de zeven strategieën hierboven en probeer hem volgende week uit. Niet alles tegelijk. Gewoon één ding. Wil je weten hoe je dit gestructureerd aanpakt voor jouw team? Bij CommonBase werken we samen met MKB-teams aan adoptie die beklijft: geen eenmalige training, maar gedragsverandering. [Neem gerust contact op](/contact/). Of lees eerst: [Waarom zijn medewerkers bang voor AI? (En wat jij eraan doet)](/medewerkers-bang-voor-ai/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## De 30-dagen roadmap: hoe je MKB-team AI écht gaat gebruiken (zonder IT-hoofdpijn) URL: https://commonbase.nl/ai-adoptie-mkb-30-dagen-roadmap/ Auteur: Niels Sonneveld Gepubliceerd: 2026-05-13T12:21:20+02:00 Categorie: Adoptie > Hoe zorg je dat je MKB-team AI écht gaat gebruiken? Deze 30-dagen roadmap legt uit wat je per week doet, zonder IT-project en zonder weerstand. Heb je al eens AI-licenties gekocht die niemand structureel gebruikt? En vraag je je af hoe je je team wél mee krijgt, zonder een IT-project op te starten dat drie maanden duurt en vier keer zoveel kost als gepland? Je bent niet de enige. De meeste MKB-bedrijven die ik spreek hebben al een begin gemaakt. ChatGPT-accounts, een Copilot-abonnement, misschien een workshop. En toch verandert er weinig in de dagelijkse praktijk. In dit artikel laat ik je zien hoe je in 30 dagen een team van 25 tot 60 mensen van stilstand naar actieve AI-adoptie brengt, met een aanpak die geen IT-afdeling vereist. **We behandelen:** - Waarom zoveel MKB-bedrijven blijven steken in experimenteren - De drie fasen van de 30-dagen roadmap (week voor week) - De drie fouten die ik keer op keer terug zie - Wat een realistisch resultaat is na een maand 01 · Diagnose ## Waarom zoveel bedrijven blijven experimenteren zonder te adopteren Er is een naam voor wat er bij die bedrijven gebeurt: *pilot purgatory*. Je bent niet begonnen, maar je staat ook niet stil. Je experimenteert, je test, je volgt een workshop. En daarna gaat iedereen weer over op de orde van de dag. Het probleem zit zelden in de tool. Het zit in de aanpak. Bedrijven behandelen AI als een IT-project: eerst de juiste software selecteren, dan training organiseren, dan afwachten of het aanslaat. Maar AI-adoptie is geen implementatievraagstuk. Het is een gedragsverandering. En gedragsverandering werkt anders dan een software-uitrol. > AI-adoptie is geen implementatievraagstuk. Het is een gedragsverandering, en gedragsverandering werkt anders dan een software-uitrol. **Niels Sonneveld** · CommonBase De roadmap hieronder is gebaseerd op drie principes: **focus** (je doet niet alles tegelijk), **herhaling** (één keer proberen is geen gewoonte), en **eigenaarschap** (adoptie moet uit het team zelf komen, niet van bovenaf worden opgelegd). 02 · Fase 1 ## Week 1–2: Bewustwording en focus De meest gemaakte fout in week één is ook de meest begrijpelijke: je probeert meteen iedereen mee te nemen. Dat werkt niet. Begin met een klein team van vier tot acht mensen. Geen selectie op senioriteit of functie, maar op motivatie. Wie wil er écht mee? Dat worden je interne ambassadeurs, de mensen die straks hun collega’s meenemen. In deze twee weken doe je twee concrete dingen. **Een gezamenlijke kick-off van anderhalf uur.** Geen grote presentatie over de toekomst van AI. Een werkgesprek waarin je samen bepaalt waar AI concreet kan helpen in het dagelijkse werk van dit team. Wat kost nu de meeste tijd? Welke taken voelen repetitief? Waar zit de frustratie? Laat mensen hun eigen antwoorden geven. De inzichten die je nodig hebt zitten al in de kamer. **Eén of twee [concrete use cases](/cases/call-to-crm-automatisering/) kiezen.** Geen brede ambities, maar iets specifieks en direct toepasbaar. Denk aan het samenvatten van vergaderverslagen, het opstellen van een eerste versie van een offerte, of het beantwoorden van veelgestelde klantvragen. De techniek is bijzaak. Wat telt: de use case is herkenbaar voor iedereen in het team, en het resultaat is zichtbaar binnen een week. 03 · Fase 2 ## Week 3–4: Eerste echte toepassingen in het werk In deze fase gaat het team aan de slag met de gekozen use cases. Niet in een workshop, maar in het echte werk van die week. Dit is ook waar het regelmatig vastloopt. Mensen proberen iets één keer, het werkt niet perfect, en ze stoppen. Dat is normaal. De oplossing is structuur aanbrengen, geen vrijblijvende experimenteerruimte. **Een wekelijkse check-in van vijftien minuten.** Niet om voortgang te rapporteren, maar om ervaringen te delen. Wat werkte? Wat niet? Wat heb je anders gedaan dan gepland? Die gesprekken zijn waardevol omdat ze laten zien dat iedereen worstelt, en dat worstelen bij dit proces hoort. **Een buddy-systeem.** Koppel mensen die dezelfde use case gebruiken aan elkaar. Twee collega’s die samen uitzoeken hoe ze offertes sneller schrijven, leren sneller dan iemand die het solo uitzoekt. **Kleine overwinningen zichtbaar maken.** Als iemand een taak die normaal een uur kost nu in twintig minuten af heeft, benoem dat dan. In een teamoverleg, in een bericht, hoe dan ook. Zichtbare resultaten trekken mensen mee die nog twijfelen. Aan het einde van week vier kijk je welke use cases stand houden en beslis je welke worden uitgerold naar een bredere groep. 04 · Fase 3 ## Week 4 en verder: Verankering in de dagelijkse workflow Na vier weken heb je bewijs. Twee of drie toepassingen die werken, een klein team dat ze gebruikt, en ervaringen die je kunt delen. Nu begint de echte adoptie. In fase 3 schakel je van ambassadeurs naar bredere uitrol. Je gebruikt dezelfde aanpak: klein beginnen, focus houden, resultaten zichtbaar maken. Het verschil is dat je nu een intern team hebt dat het voor je doet. Collega’s die vertellen wat voor hen werkte, overtuigen veel beter dan een externe trainer of een memo van de directie. Wat in deze fase helpt: een kort document per use case. Geen technisch handboek, maar een A4’tje met “dit is wat we doen, dit is hoe, en dit is wat het oplevert.” Geschreven door iemand van het team, in hun eigen woorden. Zo wordt de kennis eigendom van de organisatie, en niet afhankelijk van één persoon die toevallig veel weet van AI. 05 · Valkuilen ## Drie fouten die ik steeds terug zie **Te snel te breed gaan.** Adoptie werkt van klein naar groot. Wie meteen het hele bedrijf wil meenemen, verliest iedereen halverwege. **Starten met de tool in plaats van het probleem.** AI is geen doel op zichzelf. Als je begint met “we gaan Copilot gebruiken” in plaats van “we willen minder tijd kwijt zijn aan vergaderverslagen”, vraag je mensen iets te leren zonder duidelijk doel. Dat werkt niet. **Adoptie overlaten aan IT.** IT zorgt voor toegang en beveiliging. De gedragsverandering, de daadwerkelijke adoptie in het dagelijkse werk, die moet uit het team zelf komen. Leidinggevenden die dit delegeren, wachten lang op resultaten die nooit vanzelf komen. 06 · Conclusie ## Van experiment naar gewoonte Na 30 dagen heb je geen bedrijf dat AI perfect beheerst. Dat is ook niet het doel. Wat je *wél* hebt: een team dat de eerste drempel heeft genomen, concrete toepassingen die werken, en een interne groep die anderen kan meenemen. Dat is de basis voor echte adoptie. De bedrijven die AI het effectiefst inzetten zijn niet de bedrijven met het grootste budget of de sterkste IT-afdeling. Het zijn de bedrijven waar leidinggevenden begrijpen dat adoptie een mensen-vraagstuk is, en het als zodanig aanpakken. Bij CommonBase begeleiden we MKB-teams door precies dit proces, van kick-off tot structurele verankering. Wil je weten hoe zo’n traject eruit ziet voor jouw organisatie? [Plan een vrijblijvend gesprek](https://commonbase.nl/contact/) en we kijken samen wat haalbaar is in jouw situatie. Volgende stap **30 dagen, één werkende use case per deelnemer.** Geen IT-project, geen losse workshop, wel een gestructureerd programma waarin je team zelf de eerste AI-toepassingen bouwt en blijft gebruiken. Of lees eerst: [Is je team klaar voor AI? Zo beoordeel je dat voor je bedrijf](/is-mijn-team-klaar-voor-ai/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Welke compliance-risico's moet je kennen voordat je AI uitrolt? URL: https://commonbase.nl/ai-compliance-mkb/ Auteur: Niels Sonneveld Gepubliceerd: 2026-05-12T14:21:11+02:00 Categorie: Strategie > AI uitrollen zonder juridische verrassingen? Dit zijn de 5 compliance-gebieden die elke MKB-directeur moet kennen voor de eerste stap. Je wil aan de slag met AI. De tools zijn er. De mogelijkheden zijn duidelijk. Maar ergens in je achterhoofd zit een vraag die je uitstelt om te beantwoorden. *Mag dit eigenlijk wel? En wat gebeurt er als het misgaat?* Het is een terechte vraag. En het is een vraag die de meeste MKB-bedrijven te laat stellen, namelijk nadat ze al zijn begonnen. Bij CommonBase begeleiden we Nederlandse bedrijven bij het adopteren van AI. Compliance is bijna altijd het onderwerp dat het minst is voorbereid. Niet omdat directeuren het niet belangrijk vinden, maar omdat het onoverzichtelijk voelt. Dit artikel geeft je een helder overzicht van de vijf compliance-gebieden die je moet kennen [voordat je AI uitrolt](/ai-adoptie-mkb-30-dagen-roadmap/) in jouw organisatie. Het vervangt geen juridisch advies, maar zorgt dat je de goede vragen stelt voordat je begint. 01 ## De AVG: wat mag je in een AI-tool stoppen? Dit is het meest urgente punt voor de meeste MKB-bedrijven. De Algemene Verordening Gegevensbescherming (AVG) stelt strenge eisen aan het verwerken van persoonsgegevens. En AI-tools verwerken al snel persoonsgegevens, ook als je dat niet bewust doet. Denk aan een medewerker die een klantgesprek copy-pasted in ChatGPT om een samenvatting te maken. Of iemand die een e-mail met klantgegevens invoert om een reactie te genereren. Op dat moment stuur je persoonsgegevens naar een externe server, vaak buiten de EU. **Wat je concreet moet weten:** - Controleer of de AI-tool een verwerkersovereenkomst aanbiedt. Zonder die overeenkomst verwerk je persoonsgegevens zonder juridische basis en riskeer je een boete van de Autoriteit Persoonsgegevens. - Kijk waar de data wordt opgeslagen. Servers in de VS vallen onder andere regelgeving dan servers in de EU. Veel zakelijke versies van AI-tools bieden EU-dataopslag als optie, maar dat is zelden de standaardinstelling. - Stel een intern beleid op over welke data medewerkers wel en niet mogen invoeren. Geen klantnamen, geen BSN-nummers, geen medische gegevens. Simpele vuistregel die veel problemen voorkomt. 02 ## De EU AI Act: wat betekent dit voor jou? De EU AI Act is de eerste brede Europese wet die specifiek over AI gaat. Hij is gefaseerd ingevoerd en heeft gevolgen voor bedrijven die AI gebruiken, niet alleen voor bedrijven die AI bouwen. Voor het meeste MKB is het risico beperkt, maar er zijn twee situaties waar je op moet letten. **Verboden toepassingen.** De EU AI Act verbiedt een aantal specifieke toepassingen van AI. Denk aan biometrische surveillance op de werkplek of systemen die het gedrag van medewerkers manipuleren zonder dat ze het weten. Als je overweegt AI in te zetten voor monitoring van medewerkers, is dit een gebied waar je juridisch advies nodig hebt. **Hoog-risico toepassingen.** Gebruik je AI bij beslissingen over werving, promoties of beoordelingen? Dan val je mogelijk in de categorie “hoog risico” en gelden er extra verplichtingen zoals documentatie, transparantie en menselijk toezicht. De lat ligt hier hoger dan bij AI voor interne productiviteit. Voor de meeste bedrijven die AI inzetten voor teksten schrijven, data samenvatten of interne processen versnellen, zijn de directe gevolgen van de EU AI Act beperkt. Maar het is goed te weten waar de grenzen liggen. 03 ## Auteursrecht: van wie is de output? Dit is een vraag die veel bedrijven niet stellen, terwijl het risico reëel is. Als je AI gebruikt om teksten, afbeeldingen of code te genereren, zijn er twee auteursrechtvragen die spelen. **Ten eerste: wat zijn de rechten op de output?** In Nederland is AI-gegenereerde content in de meeste gevallen niet auteursrechtelijk beschermd, omdat er geen menselijke creatieve keuze aan te pas is gekomen. Dat betekent dat je concurrent morgen dezelfde output kan genereren en er niets tegen kunt doen. Wil je content beschermen, zorg dan dat er aantoonbaar menselijke creatieve inbreng in zit. **Ten tweede: heeft de AI bij het genereren gebruik gemaakt van beschermd materiaal?** Dit speelt vooral bij afbeeldingen en muziek. Sommige AI-tools zijn getraind op auteursrechtelijk beschermd materiaal. Of het gebruik van die tools inbreuk maakt op bestaande rechten is juridisch nog niet volledig uitgekristalliseerd. Voor commerciële toepassingen is het verstandig tools te kiezen die transparant zijn over hun trainingsdata of die expliciet rechtenvrije licenties bieden. 04 ## Aansprakelijkheid: wie is verantwoordelijk als AI een fout maakt? Stel: een medewerker gebruikt een AI-tool om een offerte op te stellen. De tool maakt een rekenfout. De klant tekent op basis van die offerte. Wie is aansprakelijk? **Jij. Niet de tool.** Dit klinkt logisch, maar de praktische implicaties zijn groter dan veel bedrijven beseffen. AI-output is nooit gegarandeerd correct. Taalmodellen kunnen plausibel klinkende onzin produceren, ook wel hallucineren genoemd. Ze citeren bronnen die niet bestaan. Ze rekenen soms verkeerd. Wat dit betekent voor jouw bedrijf: stel een intern beleid in waarbij AI-output altijd door een mens wordt gecontroleerd voordat het naar buiten gaat. Niet als bureaucratische stap, maar als bewuste keuze die je ook kunt aantonen als er iets misgaat. Dit is zeker relevant voor sectoren met hoge aansprakelijkheidsnormen, denk aan zorg, financieel advies, juridische dienstverlening en technische engineering. 05 ## Arbeidsrecht: wat mag je van medewerkers verwachten? Mag je medewerkers verplichten AI-tools te gebruiken? En mag je hun gebruik monitoren? **Op het eerste punt:** ja, in principe mag een werkgever nieuwe tools en werkwijzen invoeren als onderdeel van het instructierecht. Maar als de AI-tool invloed heeft op de beoordeling van medewerkers, het toezicht op hun werk of hun taken wezenlijk verandert, dan is de ondernemingsraad in veel gevallen instemmingsplichtig. Heb je een OR? Betrek ze dan vroeg in het proces. **Op het tweede punt:** monitoring van AI-gebruik door medewerkers valt onder dezelfde regels als andere vormen van werknemersmonitoring. Je mag niet zomaar bijhouden wat iemand invoert in een tool. Zeker niet zonder dat medewerkers hiervan op de hoogte zijn en er een legitiem doel voor is. Transparantie is hier het sleutelwoord. Leg vast wat je bijhoudt, waarom en wat je ermee doet. En leg dat ook uit aan je team. ## Wat te doen voordat je begint Je hoeft geen jurist te zijn om AI verantwoord in te zetten. Maar je hebt wel een minimale basis nodig. Doe dit voordat je uitrolt: 1. Breng in kaart welke tools je wil gebruiken en sluit verwerkersovereenkomsten af waar dat nodig is. 2. Maak een korte interne richtlijn over welke data medewerkers wel en niet mogen invoeren in AI-tools. 3. Bepaal in welke processen AI-output altijd menselijk gecontroleerd moet worden. 4. Betrek je OR als je van plan bent AI in te zetten bij personeelsbeslissingen of monitoring. 5. Raadpleeg een jurist als je twijfelt over een specifieke toepassing, zeker bij hoog-risico gebruik. Dit hoeft geen groot project te zijn. Voor de meeste MKB-bedrijven die AI inzetten voor interne productiviteit, is een dag werk genoeg om een solide basis te leggen. ## Conclusie Je hoeft niet alles perfect te hebben geregeld voordat je begint. Maar de vijf gebieden in dit artikel zijn geen bijzaken. Ze zijn het fundament onder verantwoord AI-gebruik. De bedrijven die hier problemen mee krijgen, zijn niet de bedrijven die het fout hadden. Het zijn de bedrijven die er nooit over hebben nagedacht. Nu weet jij waar je op moet letten. De volgende stap is uitzoeken welke van deze punten voor jouw organisatie het meest urgent zijn. Zelf aan de slag Wil je weten hoe je AI verantwoord implementeert in jouw organisatie, van compliance tot adoptie? Bij CommonBase begeleiden we MKB-bedrijven door dat hele traject. Neem contact op. Of lees verder: [De 6 redenen waarom AI-projecten mislukken in bedrijven](/redenen-waarom-ai-projecten-mislukken/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## AI vs mens in je bureau: welke taken doet AI en welke niet? URL: https://commonbase.nl/welke-taken-ai-bureau/ Auteur: Lucas Doornhein Gepubliceerd: 2026-05-02T21:13:51+02:00 Categorie: Strategie > Welke taken kun je veilig aan AI overlaten en welke blijven mensenwerk? Vier categorieën waar AI tijd bespaart, vijf waar het juist gevaarlijk wordt, en hoe je de grens met je team communiceert. Je ziet je team AI gebruiken en ergens knaagt de vraag: houden we de kwaliteit houdbaar? Of erger: nemen medewerkers meer aan dan ze aankunnen, omdat AI het gat opvult met documenten die eruitzien alsof iemand weet waar hij over praat? Dit is de vraag die we bij managementteams van [bureaus](/voor-bureaus/) steeds vaker horen, en in de meeste gevallen geven directies er geen helder antwoord op. We adviseren managementteams dagelijks bij de invoering van AI en zien de gevolgen van zowel te weinig als te veel vertrouwen in AI. Na het lezen van dit artikel weet je welke taken je veilig aan AI kunt overlaten, welke taken mensenwerk zijn en blijven, en hoe je die grens helder communiceert naar je team. 01 · Diagnose ## Twee uitersten die allebei niet werken Als we bij bureaus binnenkomen, zien we twee extremen. Aan de ene kant zijn er bureaus die bewust kiezen voor een mensgedreven aanpak en AI links laten liggen, gedreven door de overtuiging dat relatiegerichtheid en AI zich niet verdragen. Aan de andere kant zijn er grote organisaties die AI inzetten als aanleiding om te downscalen, met minder mensen voor hetzelfde werk. Beide keuzes zijn legitiem, maar ze slaan de middenweg over die voor de meeste bureaus het meest waardevol is. De bureaus die echt in de problemen komen zijn degenen die helemaal geen keuze maken. Waar AI ad hoc wordt ingezet, zonder dat iemand heeft nagedacht over wat dat betekent voor de kwaliteit, de rolverdeling en de professionele ontwikkeling van het team. Peter Hager bespreekt dit in de [De Verkenners-podcast](https://open.spotify.com/episode/7JmlE1KOe4cXPf39HNdr2E) als een van de grootste risico’s voor agencies: bureaus die AI wel inzetten maar geen heldere grens trekken, verliezen het enige wat hen onderscheidt, namelijk de menselijke kant van het werk. De grens bepalen is geen IT-vraag en ook geen HR-vraag, het is een leiderschapsvraag. 02 · Onderscheid ## AI vs mens: welke taken doet AI en welke niet? Bij alle bureautypes die we begeleiden, van managementadvies tot ingenieurswerk en van ruimtelijke ordening tot marketing- en coachingsbureaus, zien we een opvallend consistent patroon. De taken die AI het beste overneemt, vallen in vier categorieën. Consultancy.nl verwoordde het kernachtig: [AI vervangt taken, niet per definitie mensen](https://www.consultancy.nl/nieuws/57593/ai-vervangt-taken-niet-per-definitie-mensen). ### Eerste versies van documenten Rapporten, plannen, offertes, scenario-analyses, contracten: AI kan de structuur bouwen en een eerste draft opleveren die een adviseur vervolgens aanscherpt. Een ruimtelijk adviesbureau zet AI in voor conceptstukken bij omgevingsplannen en zienswijzeteksten. Een managementadviesbureau gebruikt AI voor de eerste opzet van waarderingsrapporten. Een marketingbureau laat AI campagnebriefings en contentplannen draften. De adviseur besteedt zijn tijd daarna aan beoordelen en aanscherpen, waardoor hij zich kan richten op het werk waarvoor hij is ingehuurd. ### Data-analyse en research Jaarcijfers verwerken, benchmarks opzoeken, wet- en regelgeving samenvatten, tenderanalyses uitvoeren: dat zijn taken waarbij AI de informatie verzamelt en structureert, zodat de adviseur zijn oordeel kan vormen op basis van de juiste feiten. Een ingenieursbureau met een grote GIS- en inspectiecomponent bespaart hier de meeste tijd: monitoring- en inspectiedata verwerken tot conceptrapporten kost AI minuten en mensen uren. ### Samenvatten en structureren Gesprekverslagen, dossiers, achtergrondnotities, klanthistorie: taken waarbij een grote hoeveelheid informatie behapbaar moet worden gemaakt voor de volgende stap. Een coachings- en trainingsbureau laat AI sessieverslagen samenvatten, zodat de coach het gesprek kan voorbereiden in plaats van het vorige uit te schrijven. ### Standaard- en herhalingswerk Templates, standaard e-mails, intakeformulieren, administratieve verwerking: alles wat regelmatig terugkomt in een vaste structuur. Dit is het laaghangende fruit, maar ook het werk dat veel tijd kost zonder directe meerwaarde voor de klant. | Categorie | Wat AI doet | Wat de adviseur daarna doet | | --- | --- | --- | | Eerste versies | Structuur + draft genereren | Beoordelen, aanscherpen, goedkeuren | | Research | Data verzamelen en samenvatten | Oordeel vormen op basis van feiten | | Samenvatten | Lange input comprimeren | Conclusies trekken, nuance toevoegen | | Herhalingswerk | Uitvoeren + documenteren | Controleren op correctheid | 03 · Mensenwerk ## Welke taken mensenwerk zijn en blijven Over alle bureautypes heen zien we vijf categorieën die bij de mens horen, en die keuze is zakelijk onderbouwd. ### Persoonlijk klantcontact en relatiebeheer Een managementadviesbureau zet AI in voor documentwerk, maar de begeleidingsgesprekken, de mediationgesprekken en de coachingssessies met ondernemers blijven mensenwerk. De waarde van die gesprekken staat of valt met de persoonlijke aanwezigheid van de adviseur, en dat is iets wat AI simpelweg niet levert. ### Strategisch oordeel en complexe besluitvorming AI kan scenario’s uitwerken, maar niet kiezen. Een ruimtelijk adviesbureau schrijft de eerste versie van een zienswijze, maar de politieke afstemming en de eindafweging over wat in de stukken staat ligt bij de adviseur. Een ingenieursbureau laat AI rapportages voorbereiden, maar de technische oordeelsvorming en innovatieve ontwerpoplossingen zijn mensenwerk. ### Ethische en morele afwegingen Dit geldt voor elk type bureau, maar voor adviesbureaus in gevoelige sectoren (juridisch advies, mediation, financieel advies) is het extra relevant, omdat het wegen van belangen van alle betrokkenen precies het werk is dat AI niet kan doen. Een groenadviesbureau kan AI inzetten voor ecologische inventarisaties, maar de interpretatie van wat een bepaalde omgeving écht nodig heeft vereist ervarenkennis en contextbegrip dat AI mist. ### Eindverantwoordelijkheid Alles wat de reputatie of aansprakelijkheid van een bureau raakt, zoals eindredactie, ondertekening en kwaliteitsborging, blijft bij de mens, want AI zet geen handtekening en draagt geen aansprakelijkheid. In de praktijk zien we dat mensen de stap van “AI heeft het opgesteld” naar “ik heb het goedgekeurd” te snel zetten. De controleplicht verdwijnt niet doordat AI de eerste versie heeft gemaakt, en de aansprakelijkheid ook niet. ### Acquisitie, netwerken en thought-leadership Een marketingbureau kan AI inzetten voor contentcreatie, maar de persoonlijke acquisitiegesprekken, de aanwezigheid bij events en het opbouwen van kennisleiderschap in de markt blijven mensenwerk, omdat klanten uiteindelijk zaken doen met mensen en niet met tools. 04 · Risico ## AI als vals zelfvertrouwen In de meeste discussies over AI gaat het over datalekken en klakkeloos geaccepteerde output. Maar er speelt ook iets anders, iets wat minder direct zichtbaar is en daardoor ook moeilijker bij te sturen. Het raakt bovendien aan een breder vraagstuk over wat AI doet met je denkvermogen: [wat er echt gebeurt als je het structureel verkeerd inzet](https://commonbase.nl/maakt-ai-je-lui/). AI maakt het mogelijk dat mensen meer hooi op hun vork nemen dan ze werkelijk aankunnen. Iemand die AI inzet voor een complex adviesrapport ziet er op papier competent uit, met een goed geschreven document dat er overtuigend uitziet. Maar op het moment dat de klant een verdiepende vraag stelt, of een onverwachte situatie vraagt om improvisatie, is de kennis die aan het document ten grondslag zou moeten liggen misschien nooit echt opgebouwd. Dit zie je in de klas bij studenten die modellen toepassen zonder ze te doorgronden. Je ziet het ook bij adviseurs die AI gebruiken als startpunt in plaats van als verlengstuk van hun expertise. Daan Schmidt bespreekt dit in de [StoryBrand NL-podcast](https://podcasts.apple.com/nl/podcast/ai-is-changing-how-business-is-done-but-how-do-you/id1567627390?i=1000664999576): AI neemt repetitief werk en eerste drafts over, maar alles wat het bureau zijn waarde geeft bij de klant blijft mensenwerk. Als je als bureau die grens niet helder hebt, loop je het risico dat AI het gat opvult dat eigenlijk jouw expertise zou moeten zijn. Als leidinggevende wil je dit voorkomen, en het begint bij helder zijn over wat je van je team verwacht vóórdat AI in beeld komt. 05 · Praktijk ## Hoe je de grens bepaalt en communiceert Er is geen universele grens. De juiste verdeling hangt af van je dienstverleningsmodel, je klanten en de waarden van je bureau. Wat wel geldt voor elk bureau: de grens moet bewust zijn. Een praktische manier om dit met je team te bespreken is het onderscheid tussen taken waar je energie van krijgt en taken die je energie kosten. AI is het meest waardevol op de taken die je leeg laten lopen, en minder bruikbaar op de taken die je juist sterk maken in je vak. De adviseur die energie haalt uit het opstellen van rapporten, verliest iets als hij die taak volledig overdraagt. De adviseur die leeg loopt van administratieve verslaglegging, wint er direct iets bij. Stel je team twee vragen: - Welke taken doe je elke week die niet echt jouw toegevoegde waarde zijn? - Welke taken zijn jouw werk precies omdat jij degene bent die het doet? Op basis van die antwoorden kun je als directie een heldere richtlijn formuleren, een helder principe dat iedereen begrijpt. Bij een adviesbureau voor managementadvies klinkt dat zoiets als: “AI helpt ons het werk voor te bereiden, de adviseur neemt het besluit.” Bij een ingenieursbureau: “AI verwerkt de data, de ingenieur beoordeelt wat het betekent.” Bij een marketingbureau: “AI schrijft de eerste versie, de strateeg bepaalt of het klopt met de merktoon.” 06 · Conclusie ## De grens bepaal jij, niet het algoritme AI maakt je bureau efficiënter als je het bewust inzet, en kwetsbaarder als je er geen standpunt over hebt. De gevaarlijkste positie is het midden: AI ad hoc laten groeien zonder dat iemand een standpunt heeft ingenomen. De bureaus die dit het beste doen, zijn niet per se de meest technologisch geavanceerde. Ze zijn gewoon helder over wat hen onderscheidt en wat AI daarin kan versterken zonder het te vervangen. Dat begint bij de directie die het gesprek voert, een principe formuleert en het team ruimte geeft om daarbinnen te experimenteren. Of lees verder: [Hoe weet ik of een AI-tool mijn team echt tijd bespaart?](/ai-tool-tijdsbesparing-evalueren/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Maakt AI je lui? Wat de wetenschap zegt (en wat je eraan kunt doen). URL: https://commonbase.nl/maakt-ai-je-lui/ Auteur: Lucas Doornhein Gepubliceerd: 2026-05-02T21:13:51+02:00 Categorie: Adoptie > Vier Nederlandse breinwetenschappers waarschuwen: passief AI-gebruik holt je denkvermogen uit. Wat de wetenschap zegt, en de gouden regel die dit voorkomt. Je gebruikt AI steeds vaker, je team ook, en ergens in je achterhoofd knaagt een vraag die je misschien nog niet hardop hebt uitgesproken: word ik hier eigenlijk wel beter van, of maakt AI me lui? Het is een vraag die ik steeds vaker hoor bij senior adviseurs en leidinggevenden van bureaus, bij mensen die AI serieus nemen en zich daardoor ook serieus afvragen wat het met hun denkvermogen doet. Met dat van hun medewerkers. En met dat van de generatie die na ons komt. Ik train bureaus en teams dagelijks in het gebruik van AI en geef les op een business school, en ik zie de gevolgen van verkeerd AI-gebruik dagelijks terug in de praktijk. De twijfel die jij voelt is niet voor niets. In dit artikel geef ik je een eerlijk antwoord. Wat zegt de wetenschap? Wanneer is AI een risico voor je denkvermogen, en wanneer niet? En wat kun je concreet anders doen zodat AI je scherper maakt in plaats van luier? 01 · Diagnose ## Het eerlijke antwoord: ja, het kan AI kan je lui maken. Het antwoord is alleen niet zwart-wit, want de nuance zit in hoe je het gebruikt. Vier Nederlandse breinwetenschappers hebben zich de afgelopen periode uitgesproken over dit onderwerp, gebaseerd op recent internationaal onderzoek: | Onderzoeker | Instelling | Bevinding | | --- | --- | --- | | Erik Scherder | VU Amsterdam | Witte-stofkwaliteit neemt af bij passief AI-gebruik; noemt AI “Afnemende Intelligentie” | | Monicque Lorist | Rijksuniversiteit Groningen | ChatGPT-groep toonde laagste hersenactiviteit in MIT-studie (2025) | | Martijn van den Heuvel | VU Amsterdam | Intensief AI-gebruik leidt tot brain-fry: vermoeidheid, brain fog en meer fouten | | Boris Konrad | Radboud Universiteit | Effect afhankelijk van actief vs. passief gebruik; lagere activiteit bewijst niet automatisch langetermijnschade | Scherder is de meest uitgesproken stem. In zijn boek [Liever moe dan lui](https://www.bol.com/nl/nl/f/liever-moe-dan-lui/9300000207022516/) (2025) legt hij uit dat een brein dat minder wordt uitgedaagd minder sterke verbindingen opbouwt. De kwaliteit van de witte stof neemt af en op lange termijn ben je “minder slim dan je had kunnen zijn.” Scherder onderbouwt dat met decennia aan hersenonderzoek. Lorist reageerde op een veelbesproken [MIT-studie uit 2025](https://arxiv.org/abs/2506.08872), waarbij deelnemers essays moesten schrijven met of zonder ChatGPT. De ChatGPT-groep toonde de laagste hersenactiviteit, gemeten via EEG, maakte minder neurale verbindingen en herinnerde zich het minst van wat ze hadden “geschreven.” > “ChatGPT maakt je hersenen lui en minder flexibel.” **Monicque Lorist** · Hoogleraar neuropsychologie, Rijksuniversiteit Groningen Van den Heuvel reageerde op Harvard-onderzoek uit 2026 over een hele dag werken met meerdere AI-tools tegelijk. Uitkomst: mentale uitputting, brain fog, moeite met concentreren, en meer fouten. > “Het brein moet je blijven trainen, en als we dat niet zelf blijven doen, gaan we het ook steeds minder gebruiken.” **Martijn van den Heuvel** · Hoogleraar neurosciences, VU Amsterdam Konrad nuanceert: lagere hersenactiviteit bij AI-gebruik bewijst niet automatisch dat je dommer wordt op lange termijn. Passief gebruik vermindert verwerking, actief gebruik kan anders uitpakken. En daar zit de kern van dit artikel. 02 · Mechanisme ## Probleem 1: Je accepteert output klakkeloos In de klas zie ik het regelmatig: studenten die een AI-model inschakelen, de output kopiëren en inleveren. Ze begrijpen het model niet, hebben het niet doorgrond, en trekken op basis van die output conclusies die er gewoon naast zitten. En ik zie hetzelfde bij adviseurs en professionals. Het mechanisme is subtiel. Je vraagt AI om een analyse, een samenvatting, of een concepttekst. Je krijgt vier pagina’s terug, goed geschreven en logisch opgebouwd, en dan lees je het door, knik je instemmend, en denk je: *ziet er goed uit.* Maar heb je het ook echt beoordeeld? Hier speelt iets verraderlijks: hoe groter de output, hoe moeilijker het is om die kritisch te beoordelen. Een alinea beoordeel je scherp. Acht pagina’s? Dan glijden je ogen over de tekst en vertrouw je onbewust op de vorm in plaats van de inhoud. Zeker als die output eruitziet als een professioneel rapport. In vakgebieden waar de woorden grote gevolgen hebben, zoals offertes, juridische teksten en adviesdocumenten, kan één verkeerde aanname al genoeg zijn. ### Wat je kunt doen - Maak de output kleiner naarmate de output belangrijker is - Vraag AI om stukjes te leveren in plaats van één compleet document - Beoordeel elk stuk apart voordat je naar het volgende gaat - Stel jezelf na elk stuk de vraag: zou ik dit zelf ook zo hebben geformuleerd? Zo blijf je zelf aan het stuur en ontsnap je aan de illusie dat je iets beoordeeld hebt terwijl je het eigenlijk alleen maar gelezen hebt. 03 · Mechanisme ## Probleem 2: Je delegeert je oordeel aan AI Dit probleem is subtieler, en daarmee gevaarlijker. Je kunt een gesprek met een klant opnemen, die opname aan AI geven, en vragen: “Wat zijn de belangrijkste conclusies? Wat adviseer ik deze klant?” AI geeft je dan een antwoord, misschien zelfs een goed antwoord, maar het is het oordeel van AI en het verschil met jouw oordeel is groter dan het op het eerste gezicht lijkt. Jij hebt dingen gezien die niet op de opname staan. Je hebt een gevoel bij de energie in de kamer. Je hebt twintig jaar ervaring waarmee je iets herkende wat AI niet kan benoemen. Als je dat allemaal overslaat en direct naar AI springt voor de conclusie, mis je het deel wat jou als adviseur waardevol maakt. In mijn eigen praktijk stel ik eerst zelf een diagnose. Wat denk ik dat er speelt? Wat zijn mijn conclusies op basis van het gesprek? Wat adviseer ik? Pas daarna geef ik AI die input en vraag ik hem om van daaruit verder te werken. Zo voer ik zelf het denkwerk uit en gebruik ik AI om het uit te werken. > “Ons brein wordt lui door het denkwerk uit te besteden aan AI. Schrijf eerst zelf een tekst. Denk eerst zelf na. Gebruik AI daarna.” **Erik Scherder** · Hoogleraar klinische neuropsychologie, VU Amsterdam Het principe is hetzelfde, of het nu gaat om een essay, een adviesrapport of een klantvoorstel: jij vormt eerst het oordeel, AI helpt je het uit te werken. 04 · Praktijk ## Hoe je voorkomt dat AI je lui maakt: de gouden regel De wetenschappelijke consensus en de praktijkervaring wijzen in dezelfde richting. De vraag is niet of je AI gebruikt, maar wanneer je AI inschakelt in je denkproces. Het verschil tussen passief en actief gebruik is kleiner dan je denkt, maar de gevolgen zijn groot: | | Passief gebruik | Actief gebruik | | --- | --- | --- | | Wanneer schakel je AI in? | Direct, als startpunt | Nadat je zelf hebt nagedacht | | Wat lever je aan? | De vraag of het onderwerp | Jouw oordeel of conclusies | | Wat doe je met de output? | Lezen en accorderen | Beoordelen en integreren | | Effect op denkvermogen | Afnemend (Scherder, Lorist) | Gelijkblijvend of verbeterend (Konrad) | De gouden regel die ik gebruik en doorgeef: **hoe belangrijker de output, hoe kleiner de stukken die je laat genereren.** Het vraagt een bewuste keuze, want AI geeft je graag een volledig rapport en dat voelt efficiënt én verleidelijk. Maar efficiency zonder oordeel is gevaarlijk in vakgebieden waar de woorden ertoe doen. Twee concrete voorbeelden van hoe dit eruitziet in de praktijk: - Vraag AI niet om “schrijf een voorstel voor deze klant”, maar: “hier is mijn analyse van dit gesprek en mijn advies, werk dit uit in een intro voor het voorstel, niet meer dan drie alinea’s.” Beoordeel die drie alinea’s, en pas dan verder. - Vraag AI niet om “geef me de conclusies van dit interview.” Schrijf eerst zelf de conclusies op en vraag daarna: “hier zijn mijn conclusies, welke punten mis ik of heb ik mogelijk verkeerd geïnterpreteerd?” Zo gebruik je AI als sparringpartner. Lorist adviseert om jezelf te vragen wat je al weet voordat je AI inschakelt. Door die stap sla je twee vliegen in één klap: je houdt je eigen denkproces actief én je geeft AI betere input. Scherder heeft samen met de Hersenstichting een [gratis 30 dagen challenge](https://www.hersenstichting.nl/lievermoedanlui/) ontwikkeld met dagelijkse mentale en fysieke oefeningen die nieuwe hersenverbindingen stimuleren. Een concreet tegengif als je merkt dat je brein te weinig wordt uitgedaagd. 05 · Team ## Wat dit betekent voor je team Als leidinggevende van een bureau heb je te maken met je eigen AI-gebruik én dat van je medewerkers. De uitdaging is dat AI op korte termijn altijd efficiënter lijkt: sneller een rapport, sneller een voorstel, sneller een samenvatting. Het nadeel is pas later zichtbaar in minder scherpe analyses, minder eigen inzichten, en minder vermogen om complexe problemen zelf te doorgronden. Stel als richtlijn dat medewerkers hun eigen oordeel altijd als startpunt gebruiken: - Wat zijn jouw conclusies? - Wat zou jouw advies zijn geweest zonder AI? - En hoe heeft AI je daarna geholpen om dat beter uit te werken? Als je team die volgorde aanhoudt, is het risico op cognitieve uitholling een stuk kleiner. De breinwetenschappers zijn het daarover unaniem eens. 06 · Conclusie ## Jij denkt eerst, AI werkt daarna uit AI maakt je brein lui als je het denkwerk volledig uitbesteedt. De wetenschap onderbouwt dat, en de praktijk bevestigt het. Tegelijk laten diezelfde wetenschappers zien dat het ook anders kan. Het verschil zit in de volgorde: jij denkt eerst, AI werkt daarna uit. Begin daarmee morgen door één taak te kiezen waarbij je AI normaal direct inschakelt en doe die eerste stap zelf. Stel je oordeel op, formuleer je conclusies, en geef AI daarna de opdracht om van jouw startpunt verder te gaan. Je zult merken dat de output beter is én dat je meer controle houdt over wat er uiteindelijk uitkomt. Onderzoeksverantwoording Bevindingen gebaseerd op publieke uitspraken van Scherder, Lorist, Van den Heuvel en Konrad in Nederlandse vakmedia (2025–2026), aangevuld met de MIT EEG-studie (juni 2025) en Harvard-onderzoek naar multi-tool AI-gebruik (begin 2026). Of lees verder: [Hoe train je je team op AI zonder ze te overweldigen?](/ai-training-medewerkers/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- ## Waarom je AI-proces steeds breekt (En hoe je dat voorkomt) URL: https://commonbase.nl/waarom-je-ai-proces-steeds-breekt-en-hoe-je-dat-voorkomt/ Auteur: Lucas Doornhein Gepubliceerd: 2025-12-23T16:53:06+02:00 Categorie: Adoptie Je team experimenteert met allerlei AI-tools, maar er is geen standaard proces. En net als je denkt dat je iets hebt gevonden dat werkt, komt er een update en moet je weer opnieuw beginnen.  Dat leidt in je hele team tot frustratie en je bent bang dat je collega’s afhaken. Bij CommonBase begeleiden we kennisgedreven organisaties bij het implementeren van AI. Niet door te zoeken naar de perfecte tool, maar door duidelijke principes te volgen.  In dit artikel laat ik je zien:  - waarom je AI-proces steeds breekt en wat je eraan kunt doen.  - je leert een simpel kwaliteitsframe waarmee je kunt diagnosticeren waarom je output niet is wat je wilt.  - en je krijgt concrete handvatten om je proces zo in te richten dat het de volgende tool-update gewoon overleeft. ## Het probleem: de angst om vast te zitten aan de verkeerde tool Je ziet dat je team met allerlei verschillende tools experimenteert en dat er geen gemeenschappelijke aanpak is. Je weet dat het zo niet verder kan. Maar elke keer als je denkt: nu gaan we kiezen, bekruipt je de twijfel. Want wat als die tool over drie maanden alweer achterhaald is? Wat als er een update komt en alles werkt anders? Je hebt de verhalen gehoord van organisaties die maanden hebben geïnvesteerd in een bepaalde aanpak, om vervolgens te ontdekken dat hun hele proces niet meer werkte na een simpele update. Die angst is begrijpelijk. Tools veranderen continu. De interface van vandaag ziet er morgen anders uit. De knoppen waar je op leunt, kunnen zomaar verdwijnen. En dus blijf je hangen in de experimenteerfase. Iedereen doet maar wat. Er is geen standaard. En de belofte van AI, dat het je team effectiever en consistenter zou maken, blijft onbenut. De oorzaak van dit probleem zit hem niet in de tools zelf. Het zit hem in hoe we over AI-processen denken. We zijn te veel bezig met de klikroute: welk knopje moet ik indrukken, welk menu moet ik openen, welke instellingen moet ik aanvinken. Maar die klikroute is van de tool. En tools veranderen continu. **We denken in tools in plaats van in principes die we in elke tool kunnen toepassen.** ## De oplossing: bouw assets, niet de perfecte tool De sleutel zit in een simpel onderscheid: wat is van de tool en wat is van jou? Je assets zijn van jou. Dat is je begrip van het vakgebied, je kennis over je klanten, je documentatie, je templates, je kwaliteitschecks. Die kun je meenemen naar elke tool. De interface, de knoppen, de specifieke manier waarop je een prompt invoert: dat is van de tool. En dat kan morgen anders zijn. Als je dit onderscheid scherp hebt, verandert je perspectief. Je bent niet meer op zoek naar de perfecte ChatGPT-prompt. Je bent op zoek naar de juiste kennis, structuur en standaarden die je in ChatGPT kunt toepassen. En in Claude. En in Grok. En in welke tool er volgend jaar ook bijkomt. De vraag is dus niet: welke tool moet ik kiezen? De vraag is: welke assets moet ik op orde hebben zodat ik in elke tool effectief kan werken? **Assets zijn niet de tools. Assets zijn je begrip, je kennis en je documentatie. Als je die hebt, kun je ze in elke tool gebruiken.** ## Het kwaliteitsframe: de AI output triangle Veel mensen die met AI werken herkennen dit: de output is niet wat je wilde. Het mist iets. De tone of voice klopt niet. Het voelt generiek. Of het slaat de plank volledig mis. In mijn werk met organisaties heb ik ontdekt dat dit vrijwel altijd terug te voeren is op drie elementen. We noemen het de AI triangle:  1. de wat, 2. de hoe 3. en de wie. Als jouw AI-output niet goed is, heb je een van deze drie overgeslagen. 1. De wat: jouw inhoudelijke kennis Stel je voor dat er een nieuwe collega binnenkomt. Je zegt: schrijf een blogartikel over ons vakgebied. Die collega gaat ergens zitten en schrijft iets. Maar zonder kennis van jullie markt, jullie klanten, jullie aanpak, wordt het een generiek verhaal dat alle kanten op kan. Zo werken we vaak met AI. We geven een opdracht zonder de inhoudelijke context mee te geven. De eerste vraag die je jezelf moet stellen: welke kennis moet AI hebben om dit goed te kunnen doen? Dat kan van alles zijn: - Factsheets over je producten.  - Transcripten van klantgesprekken.  - Opnames van interne trainingen.  - Wetenschappelijke onderzoeken die relevant zijn voor je vakgebied.  - Offertes die je eerder hebt uitgebracht. Een van onze klanten installeert videostudio’s. Zijn collega die daarover schrijft, heeft alle offertes die ze ooit hebben uitgebracht in haar kennisbank gezet. Plus het merkverhaal en de brochures. Dat is veel meer specifieke kennis dan wat er generiek op internet te vinden is. **Heb je de juiste kennis aan de grondslag gelegd? Daar begint het mee.** 1. De hoe: structuur en templates Het tweede element gaat over de structuur achter wat je maakt. Niet de inhoud, maar de opbouw. De meeste mensen kunnen niet uitleggen wat een goede website is. Of wat een goed belscript is. Of wat een goede e-mail is. Ze hebben iemand in hun team die dat kan, maar het zit impliciet in het hoofd van die persoon. AI heeft die impliciete kennis niet. Als je niet uitlegt hoe een goede landingspagina is opgebouwd (we beginnen met dit, dan komt dat gedeelte, zo bouwen we dat op) dan krijg je een generieke variant. Neem iets simpels als e-mails. AI maakt standaard wollige emails met veel te veel informatie. Daarom wil je graag een structuur mee geven, wil je eerst een korte samenvatting van het vorige gesprek, gevolgd door de actie items? Geef deze structuur dan duidelijk mee. Dit geldt voor alles wat je maakt. Vooral als een deel van de waarde die levert ook echt in de structuur verweven zit, denk aan: - Adviesrapporten,  - Marketingplannen - Offertes (in B2B) Er zit een structuur achter die je kunt expliciteren. En zodra je die structuur hebt vastgelegd, kan AI die reproduceren. **Templates zijn goud waard. Heb je iets drie tot vijf keer ingevuld? Dan kan AI het herproduceren in jouw structuur.** 1. De wie: jouw karakter en tone of voice Het derde element is misschien wel het meest onderbelicht: wie ben jij eigenlijk als je communiceert? Een van de mensen waarmee ik regelmatig werk is Marcus Sheridan. Een Amerikaanse plattelandsjongen die heel veel “y’all” gebruikt in zijn taal. Dat is gewoon hoe hij praat. Maar toen hij begon met professioneel schrijven, haalde hij al die y’alls uit zijn teksten. Want ja, dat hoort niet, dacht hij. Nu, met AI, heeft hij dat teruggedraaid. Hij zorgt ervoor dat die authentieke elementen structureel terugkomen in alles wat hij maakt. Zijn posts, zijn scripts, zijn presentaties: overal zie je nu zijn echte stem. Dit is precies waar veel AI-gegenereerde content misgaat. Het eigen karakter ontbreekt. En daarom voelt alles hetzelfde. Daarom kun jij hetzelfde maken als ik. Er zit geen persoonlijkheid in. De oplossing: breng in kaart wat jouw communicatie specifiek maakt.  - Welke woorden gebruik je vaak?  - Hoe lang zijn je zinnen?  - Welke toon zit erachter?  Als je dat weet, kun je het meegeven. Ironisch genoeg kun je met AI authentieker zijn dan zonder. Want die authentieke elementen van jezelf, als je ze kent, kun je nu consistent toepassen in alles wat je maakt. In plaats van dat ze er soms per ongeluk insluipen en soms niet. **Het stukje eigen karakter is precies wat de meeste mensen vergeten. En daarom wordt alles zo’n eenheidsworst.** ## Van experiment naar standaard: hak het proces in stukjes Een veelgemaakte fout is om AI te veel in één keer te vragen. “Maak 15 blogartikelen voor deze industrie.” En dan komt AI met een antwoord dat alle kanten op kan. En vervolgens heeft AI ‘het gedaan’, dit is zó lelijk, zó slecht. Dáár kunnen we niet mee werken! Wacht even.  De oplossing zit in jou. Als jij het proces opknipt in kleine, overzichtelijke stappen. Blijf je zelf ‘aan het roer’, en kan je AI écht voor je laten werken! Begin niet met “schrijf een blogartikel”. Begin met een blogartikel-idee. Als je dat idee hebt, werk je het verder uit. Voor welke markt is dit? Welke persona zit erachter? In welke fase van de klantreis past dit? Dan ga je pas naar een interview of onderzoek. Dan naar een eerste draft. En dan naar een check. Door het proces in stukjes te hakken, wordt het kleiner en overzichtelijker. Maar belangrijker: je kunt bij elke stap bewust **kiezen waardoor jij zelf invloed houdt**. Want dat is het punt. Het is niet de bedoeling om alle schuifjes naar boven te zetten en alles maximaal bij AI neer te leggen. Je wilt heel bewust bepalen waar de mens tussenkomt. Misschien laat je AI het eerste idee genereren, maar bepaal jij welke richting je opgaat. Misschien schrijft AI een eerste draft, maar voeg jij de voorbeelden en anekdotes toe. Misschien checkt AI op spelling en grammatica, maar beoordeel jij of het verhaal klopt. Zo bouw je een proces dat consistent kwaliteit levert. Niet door alles aan AI over te laten, maar door heel bewust te kiezen waar jij de controle houdt. **Maximaal AI inzetten is niet het doel. Het doel is bewust kiezen waar de mens invloed houdt.** ## Wat te doen bij de volgende update En dan komt de vraag: wat als de tool verandert? Wat als er morgen een update is en alles werkt anders? Als je assets op orde zijn, is dat geen ramp. Je kennis verandert niet door een tool-update. Je templates blijven bestaan. Je kwaliteitsstandaarden zijn nog steeds geldig. Wat je doet bij een update is simpel:  1. Onderzoek de wijziging op je vaste assets en stappen.  2. Je kijkt waar de nieuwe knoppen zitten, hoe je nu je kennis invoert, hoe je nu je templates toepast. Maar de kern blijft hetzelfde. Dit is waarom ik niet zo van de “perfecte prompt” ben. Vandaag is ChatGPT misschien je primaire tool. Maar morgen kan Grok tien keer zo snel zijn. Of komt er iets nieuws dat alles overtreft. Als je weet welke principes je toepast, kun je die in elke tool gebruiken. **De organisaties die hier het beste mee omgaan zijn niet degenen die de beste ChatGPT-experts hebben. Het zijn de organisaties die hun kennis, structuur en standaarden op orde hebben.** Die weten wat goed genoeg is. Die kunnen uitleggen waarom iets werkt. Die zijn niet afhankelijk van een tool. Die zijn eigenaar van hun eigen proces. ## Bouw een AI-proces dat elke update overleeft De tools die je vandaag gebruikt, zien er morgen anders uit. Dat is geen probleem, zolang je maar niet je hele proces rond die tools hebt gebouwd. Door te focussen op je assets in plaats van op de perfecte tool, creëer je een fundament dat blijft staan. Je kennis van je vakgebied, je templates en structuren, je eigen tone of voice: dat zijn de elementen die je meeneemt naar elke tool. En met de AI output triangle heb je een simpel framework om te checken waarom output niet werkt en waar je moet bijsturen. Bij CommonBase helpen we kennisgedreven organisaties om van losse AI-experimenten naar een gestandaardiseerd proces te komen. We zien dat teams die hun assets op orde hebben, niet in paniek raken bij de volgende update. Die weten wat ze moeten aanpassen en wat hetzelfde blijft. Wil je jouw team leren om hiermee aan de slag te gaan? [Boek dan een vrijblijvend adviesgesprek met één van onze adviseurs ](https://commonbase.nl/contact//)en bekijk of het AI-programma van CommonBase jou hiermee kan helpen. Of lees verder: [Hoe zorg ik dat mijn team AI-tools echt gaat gebruiken?](/ai-tools-adoptie-medewerkers/) *Dit artikel is onderdeel van onze complete gids: [AI-adoptie in het MKB](/ai-adoptie-mkb/), van gereedheid tot meetbaar resultaat.* --- # Use cases ## AI-adoptie bij Mr. Green Offices URL: https://commonbase.nl/cases/mr-green-offices/ Sector: Hospitality · Workspace Gepubliceerd: 2026-05-13T06:07:47+02:00 > Hoe Mr. Green Offices in 30 dagen van twee AI-koplopers naar een organisatie vol werkende use cases ging. Bij Mr. Green Offices was AI geen onbekend onderwerp. De eigenaar en Head of Innovation zaten er diep in. Tools, modellen, agents, automatisering: zij leefden al in de toekomst. Maar de rest van de organisatie nog niet. De echte vraag was dus niet: “Welke AI-tool moeten we gebruiken?” De echte vraag was: “Hoe krijgen we 68 mensen mee die nog niet vanzelf starten?” In 30 dagen bouwden we geen groot AI-programma. We begonnen kleiner. Met het MT. Met echte taken. Met mensen die zelf gingen ervaren: dit maakt mijn werk lichter, sneller en beter. **Het resultaat: AI werd niet langer iets van de koplopers. Het werd iets van finance, HR, support, sales, marketing, bouw en operatie.** 30d Van eerste MT-workshop naar werkende AI-use cases 68 medewerkers meegenomen via voorbeelden en collega’s 5min finance-analyses die voorheen handwerk waren 80% supportvragen automatisch afgehandeld Uitdaging ## Twee mensen renden vooruit. De rest keek toe. Toen we bij Mr. Green Offices binnenkwamen, leek AI op papier al goed geregeld. Er waren interne experts. Er was kennis. Er was ambitie. Er waren tools. Maar dat maakte het probleem juist scherper. Want als twee mensen heel ver voorlopen, wordt de drempel voor de rest niet lager. Die wordt hoger. Mensen denken dan niet: “Mooi, ik ga ook beginnen.” Ze denken: “Ik ben laat.” “Ik snap dit nog niet goed genoeg.” “Straks stel ik een domme vraag.” “Dit is iets voor de mensen die er al diep in zitten.” Dat was het gat dat moest worden gedicht. Niet door nog meer tools te introduceren. Niet door nog meer inspiratie te geven. Maar door AI terug te brengen naar normaal werk. Een offerte. Een finance-review. Een HR-vraag. Een supportproces. Een bouwplanning. Een presentatie. Een menu-analyse. Werk dat er toch al lag. Aanpak ## We begonnen niet met AI. We begonnen met werk dat mensen kwijt wilden. De aanpak was simpel: geen groot implementatieplan, geen abstracte AI-strategie, geen “iedereen moet nu prompten”. We begonnen bij het MT. De groep die moest voelen wat AI kon doen voordat zij het breder de organisatie in konden brengen. Iedereen koos een concrete use case uit het eigen werk. Niet: “Wat kunnen we allemaal met AI?” Wel: “Welke taak kost je nu tijd, energie of frustratie?” Daarna bouwden we vanuit drie principes. 1. Kleine winst eerst. Een goede AI-adoptie begint niet bij een volledig geautomatiseerd proces. Het begint bij het eerste moment waarop iemand denkt: “Wacht. Dit werkt gewoon.” 2. De interne experts werden coaches, geen zenders. De AI-koplopers bij Mr. Green werden niet neergezet als mensen die kwamen vertellen hoe het moest. Ze werden het voorbeeld dat anderen konden volgen. 3. Elke use case moest in echt werk landen. Geen demo’s. Geen speeltuin. Elke toepassing moest iets doen in de dagelijkse operatie: sneller analyseren, beter uitvragen, consistenter schrijven, makkelijker onboarden of slimmer plannen. Resultaat ## AI ging van losse interesse naar dagelijks gebruik per team. Na de eerste fase ontstond er geen lijst met ideeën. Er ontstonden werkende toepassingen. **Sales.** Salesmedewerkers bouwen sneller offertes. Niet alleen sneller, maar ook consistenter. De juiste stijl, de juiste opbouw, minder opnieuw beginnen. **Finance.** Finance gebruikt AI om balansposten, specificaties, verschillen tussen entiteiten en onderliggende boekingen te analyseren. Waar eerder handmatig draaitabellen werden gebouwd en posten werden uitgezocht, helpt AI nu om de afwijkingen en belangrijkste punten zichtbaar te maken. **HR.** HR bouwde onder meer een verzuim- en wetgevingsassistent en een functieprofielarchitect. Niet als vervanging van oordeel, maar als extra check en sparringpartner. **Support.** Support legt het inwerkproces vast met AI en gebruikt AI om tweedelijns supportvragen beter uit te vragen. Daarnaast is er een Desk Expert gebouwd die kennis over bureaus kan uitleggen aan interne collega’s, externe partners en eindgebruikers. **Bouwteam.** Het bouwteam gebruikt AI om offertes te vergelijken, verschillen zichtbaar te maken en automatisch aanvullende informatie uit te vragen. Ook worden presentaties voorbereid met AI en wordt gekeken naar AI-ondersteuning bij onderhoudsplanning van panden. **Marketing.** Marketing bouwt met Lovable en Claude. Niet als los experiment, maar om sneller van idee naar werkende output te gaan. **Operatie.** Menukaarten worden geanalyseerd, doorgerekend en verbeterd met AI. Ook automatische notities en samenvattingen uit meetings helpen collega’s die er niet bij konden zijn. Workflow ## Hoe het werkt. Vier stappen. Vanaf één concrete taak bouwen we naar een werkende assistent die in echt werk landt. Geen demo, geen speeltuin. Wel een proces dat zich verspreidt via bewijs, niet via beleid. 01 · Start #### Eén echte taak Geen brainstorm over “AI in de organisatie”. Iedereen kiest één taak die nu al bestaat. Een offerte, een balanspost, een supportvraag, een functieprofiel. AI wordt een betere manier om bestaand werk te doen. 02 · Bouwen #### Eerste werkende assistent De kennis zit al in de organisatie. Die wordt omgezet in een AI-assistent, Gem of Claude-project. Voice recordings van collega’s werden bijvoorbeeld de basis voor een NetOS Desk Expert in 15 minuten. 03 · Testen #### Op echt werk Output wordt niet blind vertrouwd. Teams testen op echte situaties: klopt het, mist er context, vraagt de assistent goed door? Niet goed genoeg? Instructie aanscherpen. 04 · Schalen #### Via teams, niet via beleid Wanneer een use case werkt, wordt die gedeeld met het team. AI verspreidt zich als bewijs, niet als verplichting. > “Mijn AI-gebruik is echt enorm toegenomen na de workshop. Mijn werk is er oprecht leuker van geworden.” **Kim** · Mr. Green Offices Borging ## Wat er gebeurde na 30 dagen Het MT ging van kijken naar bouwen. De eerste doorbraak zat niet in de technologie. Die zat in gedrag. Mensen begonnen zelf te bouwen. Zelf te testen. Zelf te verbeteren. De CEO gebruikt AI als sparringpartner om strategischer naar de organisatie te kijken. Finance bouwt aan een Living Finance Manual en gebruikt AI voor diepere analyses. HR gebruikt AI voor verzuim, wetgeving en functieprofielen. Support gebruikt AI voor desk-kennis, onboarding en betere vraagverheldering. Sales versnelt het maken van offertes en bewaakt de juiste stijl. Marketing bouwt met Claude en Lovable. Het bouwteam vergelijkt offertes, vraagt ontbrekende informatie uit en bereidt presentaties voor. En misschien het belangrijkste: het gesprek veranderde. Niet meer: “Moeten we iets met AI?” Maar: “Wat is de volgende taak die we hiermee slimmer kunnen maken?” Waarom ## Waarom dit werkte AI-adoptie mislukt vaak omdat organisaties beginnen met software. Mr. Green liet zien dat het anders moet. Begin met mensen. Begin met werk dat er al ligt. Begin met kleine winst. Laat collega’s elkaar meenemen. Bouw pas groter als het dagelijks gebruikt wordt. Want AI werkt pas als mensen niet meer hoeven te doen alsof ze het al snappen. --- ## Call-to-CRM automatisering bij een B2B sales-organisatie URL: https://commonbase.nl/cases/call-to-crm-automatisering/ Sector: Sales · B2B Gepubliceerd: 2026-05-02T21:13:51+02:00 > Hoe 30 accountmanagers 8 uur per week vrijspeelden door gespreksopnames automatisch om te zetten naar CRM-updates met next-steps en BANT-velden. Een Nederlandse B2B-sales-organisatie van 30 accountmanagers verloor gemiddeld 8 uur per week per persoon aan CRM-hygiëne. Wij bouwden in 30 dagen een agent die gespreksopnames omzet naar een gestructureerde CRM-update, inclusief BANT-velden en next-steps. **Adoptie na 90 dagen: 87%.** 8u Tijdwinst per AE per week 87% Adoptie na 90 dagen 30 Accountmanagers · alle 30 in gebruik 4wk Van kickoff tot oplevering Uitdaging ### AE’s verloren 8 uur per week aan CRM-hygiëne. Notes uittypen, BANT-velden invullen, next-steps koppelen — handmatig na elke prospect-call. De manager had geen actuele forecast. Aanpak ### Drie senior AE’s bouwden zelf de workflow. Vier wekelijkse sprints: opname → transcript → samenvatting → CRM-update. Iedere AE was eigenaar van zijn eigen use case. Resultaat ### 8u tijdwinst, 87% adoptie, forecast realtime. Alle 30 AE’s gebruiken de workflow. Manager hoeft geen update meer te chasen — de data is altijd actueel. Workflow ## Hoe het werkt, vier stappen Vanaf het moment dat een AE op record drukt, draait de workflow zonder verdere handelingen. Eindresultaat: een gestructureerde CRM-update én een follow-up draft binnen 3 minuten na het einde van het gesprek. 01 · Input #### Gespreksopname AE drukt op record in Zoom of Teams. Audio wordt veilig opgeslagen op EU-servers. 02 · Verwerken #### AI-transcriptie + samenvatting Whisper transcribeert, GPT structureert in BANT-velden, decisions en next-steps. 03 · Output #### CRM-update Direct naar het juiste deal-record gepushed via de Salesforce-API. Velden ingevuld, notes ge-tagd. 04 · Volgen #### Follow-up draft Binnen 3 minuten na de call staat een gepersonaliseerde follow-up klaar in de drafts-folder. > “De kicker was dat het ons team niet werd opgelegd. We bouwden ‘m zelf, daarom houdt iedereen ‘m bij na 90 dagen.” **Cees Willem Dam** · Directeur, ADXpert Borging ## Wat er gebeurde na 30 dagen De drie pilot-AE’s werden champions. Zij rolden de workflow zelf uit naar de andere 27 AE’s, zonder onze tussenkomst. Op dag 90 gebruikten alle 30 mensen de workflow wekelijks, en het sales-management had voor het eerst een forecast die op woensdagochtend al actueel was. ### Stack & specs Wat we hebben gebruikt om dit te bouwen — en hoe het past in jullie bestaande stack. Tech-stack - WH Whisper Audio → tekst transcriptie (EU-tier) - GP GPT-4o Samenvatting + BANT-extractie - SA Salesforce API Direct schrijven naar deal-records - N8 n8n Cloud Workflow-orchestratie tussen tools Specs Bouwtijd 30 dagen (4 sprints) Onderhoud <2u / maand door interne champion Hosting EU-only, geen trainingsdata Integratie-vereist Salesforce, Zoom (of Teams) Gebruikers 30 AE's · 3 sales-managers Maandlast ± €180 per AE (API + n8n) --- ## Hoe Bureau van den Oever tijd bespaart met AI (zonder creativiteit te verliezen) URL: https://commonbase.nl/cases/bureau-van-den-oever/ Sector: Bureau · Marketing Gepubliceerd: 2026-01-05T12:01:02+02:00 *Een 25-jarig marketingbureau met 30+ medewerkers deelt eerlijk hun AI-adoptie reis: van angst tot enthousiasme in 6 weken* Je ziet het overal om je heen. AI-tools die beloven dat je werk makkelijker wordt. ChatGPT, Gemini, Claude. Je team experimenteert ermee, maar het levert geen structurele resultaten op. Sterker nog: sommige medewerkers zijn bang dat ze hun creativiteit verliezen. Anderen vrezen zelfs voor hun baan. Ondertussen lopen concurrenten harder. Klanten verwachten snellere service. En jij? Jij voelt de druk van bovenaf én onderaf. Je wil een AI-strategie. Je team wil duidelijkheid. Maar niemand weet precies hoe je van experimenteren tot echt resultaat komt. Zonder dat je kwaliteit en authenticiteit eronder lijden. Bij CommonBase werken we dagelijks met kennisgedreven organisaties die precies deze uitdaging ervaren. We hebben verschillende teams begeleid van “AI-chaos” naar structurele adoptie. Een van die teams is Bureau van den Oever, een gevestigd marketingbureau van 25 jaar oud met 30+ medewerkers. Zij kampten met exact dezelfde angsten en vragen als jij waarschijnlijk nu hebt. In dit artikel lees je hoe Bureau van den Oever in 6 weken tijd AI structureel heeft geïmplementeerd. Je leert hoe ze de weerstand in hun team hebben overwonnen, welke concrete tijdswinst ze nu per week boeken, en vooral: hoe ze hun creativiteit en authenticiteit juist hebben versterkt met AI. Aan het einde weet je precies wat er nodig is om hetzelfde resultaat te bereiken in jouw organisatie. ## De uitdaging: “We missen de boot” ### Kwaliteitsverlies en efficiency onder druk Roelof van den Oever, eigenaar van het bureau, zat met een duidelijk probleem. “We vonden dat we hier zwaar mee aan de slag moesten,” vertelt hij. “Anders missen we natuurlijk de boot.” We dreigden voorbijgestreefd te worden op kwaliteit. En efficiëntie-gewijs konden we niet langer mee. Het bureau bestaat 25 jaar en heeft een team van zo’n 32 medewerkers. Ze merkten dat andere bureaus sneller werkten. Dat bedrijven AI zelf gingen inzetten. “Onze inwisselbaarheid wordt natuurlijk veel groter,” legt Roelof uit. “Bedrijven gaan het zelf doen als wij niet mee kunnen.” Die druk herken je vast. Het voelt alsof de markt onder je voeten beweegt. ### De angst van de makers Maar er speelde meer. Want hoe enthousiast Roelof ook was over de mogelijkheden, zijn team had wel wat twijfels. Koen, fotograaf en videograaf bij het bureau, verwoordde het zo: “Als je met beelden genereert, zit er altijd iets in van: is het wel van mij? Verlies ik de controle? Ik vraag iets te genereren wat in mijn hoofd zit, er komt iets uit wat niet is wat ik bedoelde. Dan verlies je jezelf als creator.” Die angst voor creativiteitsverlies was niet uniek voor Koen. Marijke, tekstschrijver bij het bureau, struggelde met hetzelfde: “Ik ben een schrijver, ik ben eigenwijs. Ik vind dat ik het zelf beter weet. Ik wil dat het mijn toon heeft, of de toon van mijn klant. Ik wist niet hoe ik dat voor elkaar moest krijgen met AI.” En Iris van den Oever, projectmanager en accountmanager, vatte het probleem perfect samen: “We wisten wel een beetje van AI en wat het allemaal kan. Maar wanneer gebruik je welke tool? Wat past het beste bij welke uitkomst? En hoe behoud je je eigen creativiteit?” ### Het overweldigingseffect Het bureau had al betaalde versies van ChatGPT, Claude en Gemini. Ze hadden al een introductie training gevolgd. Ze experimenteerden. Maar het bleef hangen. Waarom? Te veel tools. Te weinig structuur. Geen duidelijkheid over welke tool waarvoor te gebruiken. En vooral: de angst dat AI hun werk zou overnemen in plaats van ondersteunen. Herken je dit? Dan ben je niet alleen. Dit is precies waar bijna elke kennisgedreven organisatie tegenaan loopt. ## De oplossing: van chaos naar controle ### Het Kickstart Programma in actie Bureau van den Oever koos voor het Kickstart Programma van CommonBase. Een 6-weken traject met één fysieke workshop en diverse online contactmomenten. Tien medewerkers gingen ermee aan de slag. Wat maakte het anders dan wat ze al geprobeerd hadden? De aanpak. In plaats van te beginnen met “Hier is ChatGPT, zoek het maar uit,” startten we met structuur. We hakten processen in stukjes. We gaven ze controle terug. En we lieten ze zien hoe ze AI konden “voeden” met de juiste informatie. “Ik denk dat er een hele goede basis gelegd is,” zegt Roelof na de eerste workshop. “Om hierin verder te groeien.” ### De tools die het verschil maakten Niet elke AI-tool is geschikt voor elk proces. Dat was een cruciaal inzicht voor het team. **De AI Triangel** Een methode om het proces stapsgewijs op te delen. In plaats van AI te vragen om direct een eindresultaat te produceren, werk je in fases. Je behoudt controle. Je blijft bij elke stap betrokken. Koen: “Dat je het in stukjes hakt, dat je telkens zelf bepaalt: we gaan eerst deze stap doen, we gebruiken de juiste tool als assistent, en dan bepaal ik hoever ik AI laat helpen. Dat vond ik heel mooi. Daardoor is mijn vertrouwen gegroeid.” **Tone of Voice GPT** Voor tekstschrijvers zoals Marijke was dit de gamechanger. Een custom GPT die je kunt trainen op jouw of je klant’s tone-of-voice. “Dankzij de Tone of Voice GPT kan ik nu echt veel makkelijker mijn eigen draai geven aan wat eruit komt,” vertelt Marijke. “Ik heb geleerd om AI veel beter te voeren. Om zoveel meer informatie te geven, waardoor wat eruit komt ook echt veel beter is en veel meer aansluit bij mijn wensen.” **Klant-specifieke GPT’s** Iris ontwikkelde tijdens het traject haar eigen GPT voor een specifieke klant. “Dat is wel echt een enorme vooruitgang,” zegt ze. “Die kan ik nu inzetten voor alle communicatie voor die specifieke klant. Ik wil die nu ook met andere klanten maken.” ### Het mindset-shift moment Maar de échte doorbraak? Dat was niet technisch. Dat was mentaal. Iris verwoordde het perfect “Door de jaren heen zijn er altijd tools gekomen waardoor we ons leven makkelijker maakten, sneller konden leren en sneller konden werken. Denk maar aan van hamer naar boormachine. AI is geen bedreiging, maar het is gewoon weer een nieuwe tool die ons helpt om dingen anders aan te pakken, sneller te werken, beter te werken, en de kwaliteit beter te maken.” Dat ene inzicht veranderde de hele dynamiek in het team. AI werd niet langer gezien als concurrent, maar als assistent. ## De resultaten: concrete tijdswinst per rol Na de eerste workshop ziet het er al anders uit. Laten we per rol kijken naar wat ze bereikten. ### Voor de eigenaar: sneller en beter Roelof zag directe resultaten op bedrijfsniveau: **Social media posts:** “Een aantal mensen kunnen nu hun social media posts beter inrichten,” vertelt hij. **Klantgesprekken:** “We kunnen gesprekken bij de klant beter opnemen en sneller vertalen naar een gespreksverslag en een planning die eraan vast komt te hangen.” **Automatische toewijzing:** “We kunnen van een GPT van een aantal medewerkers maken. Dan kan in een planning al naar voren komen welke medewerker het beste past bij een project.” Dat zijn efficiency-slagen. Minder administratieve rompslomp. Meer tijd voor het werk dat ertoe doet. ### Voor de tekstschrijver: authenticiteit behouden Voor Marijke was het resultaat niet alleen tijdswinst. Het was ook een kwaliteitssprong. “Ik kan nu veel beter mijn eigen smaak, mijn eigen sausje aan een tekst geven,” zegt ze. “Ik merk ook dat de radartjes zijn gaan draaien. Ik denk: oh, wat kan ik er allemaal mee?” En het belangrijkste: “Doordat ik straks minder tijd kwijt ben met praktische simpele dingen, krijg ik tijd voor de creatieve kant van het verhaal. Om op die manier een veel beter eindproduct te maken.” Ze vatte het mooi samen: “Eigenlijk ben je meer mens door AI te gebruiken. Rare tegenstelling, maar eigenlijk wel waar.” ### Voor de creator: vertrouwen in AI als tool Koen’s reis was misschien wel de meest veelbetekenende. Hij begon met grote angst, en eindigde met vertrouwen. “Ik had geen enkel idee van het scala van tools die beschikbaar zijn,” vertelt hij. “Deze ochtend heb ik veel meer inzicht gekregen van de tools die er zijn, maar ook zeker de toepasbaarheid.” Het sleutelwoord? Controle. “Het gaat om het in stukjes hakken en er zelf bij blijven. Ik heb meer vertrouwen gekregen dat ik met AI sneller en efficiënter iets kan genereren zonder dat ik mezelf laat ondersneeuwen. Zonder dat ik mijn creatieve kant verlies.” ### Voor de projectmanager: schaalbare oplossingen Iris’ resultaat was het meest tastbaar: een custom GPT voor een klant die ze nu kan inzetten voor alle communicatie. “Wanneer gebruik je welke tool, voor welk kanaal, wat past het beste?” Dat waren haar vragen aan het begin. Aan het einde: “Nu weet ik welke tool ik beter waarvoor kan inzetten.” Het mooie? Ze kan dit nu repliceren. “Eigenlijk wil ik die met andere klanten ook maken.” Dat is schaalbaarheid. Dat is duurzame groei. ## Wat werkte (en wat uitdagend bleef) ### De succesfactoren Laten we eerlijk zijn: niet alles ging vanzelf. Maar een paar dingen maakten wél het cruciale verschil: **1. Begeleiding in plaats van zelfontdekking** Het team had al maandenlang geëxperimenteerd. Pas met structuur en begeleiding kwam de doorbraak. Roelof: “We vinden ook dat we als marketingbureau daarmee moeten groeien. Anders missen we de boot.” **2. Proces opdelen in kleine stappen** De AI Triangel-methode was essentieel. Koen: “Telkens als je bij bent van oké, we gaan eerst deze stap doen. Dan te bepalen: hoever laat ik AI bepalen of mij helpen.” **3. Controle behouden** Dit kwam steeds terug. Marijke: “Vooral wat ik geleerd heb: om AI veel beter te voeren. Om zoveel meer informatie te geven waardoor wat eruit komt veel beter is.” **4. Custom tools per medewerker of klant** Iris’ GPT voor haar klant. Marijke’s Tone of Voice GPT. Dit maakte AI persoonlijk en relevant. **5. Mindset voor tools** De analogie van Iris, van hamer naar boormachine, veranderde de hele teamdynamiek. AI werd een hulpmiddel, geen bedreiging. ### De realistische uitdagingen Het zou oneerlijk zijn om te doen alsof alles perfect verliep. Want dat is nooit zo. **AI voeden kost tijd** Marijke leerde dat je AI moet voeren met goede informatie. Dat is een investering. Je moet tijd steken in prompts, in training, in data. **Het blijft een leerproces** Roelof zei het zelf: “Ik denk dat het een mooi begin is.” Een mooi begin. Niet een eindpunt. AI-adoptie is een reis, geen bestemming. **Radartjes moeten blijven draaien** Marijke: “Ik merk dat de radartjes zijn gaan draaien.” Dat is mooi. Maar het betekent ook: je moet blijven experimenteren, blijven leren, blijven groeien. Het mooie? Bureau van den Oever heeft nu de tools, de kennis en het vertrouwen om dat te doen. **Advies voor andere organisaties** Als je overweegt om AI te implementeren in jouw team, wat kun je dan leren van Bureau van den Oever? **Start niet met tools, start met structuur** Het team had al ChatGPT, Claude, Gemini. Dat was niet het probleem. Het gebrek aan structuur was het probleem. Begin dus niet met “Iedereen krijgt ChatGPT Plus.” Begin met: “Hoe gaan we dit gestructureerd aanpakken?” **Geef je team controle** Angst voor creativiteitsverlies is reëel. Je lost dat niet op door te zeggen “Maak je geen zorgen.” Je lost het op door je team te leren hoe ze controle behouden. Stapsgewijs werken. Zelf bepalen hoever AI mag gaan. **Focus op adoptie, niet op training** Een eenmalige training werkt niet. Wat werkt? Begeleiding over langere tijd. Praktische toepassingen. Feedback. Groei. **Investeer in mindset** De technologie is makkelijk. De mensen zijn moeilijk. Investeer dus vooral in het veranderen van mindset. Laat zien dat AI een tool is, geen bedreiging. **Maak het persoonlijk** Custom GPT’s voor specifieke klanten of projecten? Dat werkt. Tone of Voice GPT’s voor individuele schrijvers? Dat werkt. Maak AI relevant voor de dagelijkse praktijk van elk teamlid. ## Conclusie: van angst naar adoptie in 6 weken Bureau van den Oever heeft bewezen dat AI-adoptie niet hoeft te leiden tot creativiteitsverlies. Integendeel: met de juiste aanpak versterkt AI juist je creativiteit en authenticiteit. Het geheim? Structuur, controle en begeleiding. Je team experimenteert waarschijnlijk al met AI. Maar experimenteren zonder structuur levert geen duurzame resultaten. Je loopt het risico dat je kwaliteit inboet, dat medewerkers gefrustreerd raken, en dat je concurrenten je voorbijstreven. De vraag is niet óf je met AI aan de slag gaat. De vraag is: hoe doe je dat op een manier die werkt? Bij CommonBase begeleiden we kennisgedreven organisaties zoals de jouwe bij structurele AI-adoptie. We werken niet met eenmalige trainingen of theoretische workshops. We zorgen dat je team AI écht gaat gebruiken, met resultaat. Roelof van den Oever vatte het mooi samen: “Ik denk dat er een hele goede basis gelegd is om hierin verder te groeien.” Wil je weten hoe AI-proof jouw organisatie is? Doe dan eerst onze gratis AI-proof scan. In 5 minuten zie je waar jouw grootste kansen liggen. Of boek direct een vrijblijvend adviesgesprek. Dan bespreken we jouw specifieke uitdaging en kijken we of en hoe we je kunnen helpen. Net zoals we Bureau van den Oever hebben geholpen van angst naar adoptie te gaan.** **[](https://commonbase.nl/scan)** [Boek een adviesgesprek](https://commonbase.nl/contact/)** We begrijpen dat AI overweldigend kan zijn. Maar het hoeft niet overweldigend te blijven. Laat ons je helpen van experimenteren naar resultaat te gaan. --- # Algemene voorwaarden URL: https://commonbase.nl/algemene-voorwaarden/ Hieronder lees je onder welke voorwaarden we werken. Liever gewoon een gesprek? Mail dan naar [info@commonbase.nl](mailto:info@commonbase.nl). ## Wie bedoelen we met wat? - CommonBase: CommonBase, gevestigd aan de Achterdoelen 5, 6711 AV Ede. KVK-nummer: 87758156 en BTW-nummer: NL004481853B70. - Opdrachtgever: de natuurlijke persoon of rechtspersoon die aan CommonBase opdracht heeft gegeven tot het verrichten van werkzaamheden. - Deelnemer: de persoon die meedoet aan ons programma. - Werkzaamheden: alle werkzaamheden waarvoor opdracht is gegeven, of die wij uitvoeren omdat ze direct verband houden met de opdracht. - Overeenkomst: de afspraak tussen CommonBase en de Opdrachtgever. Een overeenkomst is altijd een inspanningsverplichting, tenzij we schriftelijk iets anders afspreken. - Schriftelijk: per e-mail of digitale ondertekeningsoftware. ## Toepasselijkheid - Deze voorwaarden gelden voor alles wat we samen doen: van de eerste gesprekken tot en met de uitvoering van de opdracht. - Afwijken kan alleen als we dat schriftelijk met elkaar afspreken. - Eventuele inkoopvoorwaarden of andere voorwaarden van de Opdrachtgever gelden niet, tenzij we dat schriftelijk anders afspreken. - Zijn er tegenstrijdigheden tussen documenten? Dan geldt deze volgorde: 1) aanvullende schriftelijke afspraken, 2) de getekende overeenkomst, 3) deze algemene voorwaarden. - Ook personen die wij inschakelen voor de uitvoering van de opdracht kunnen zich op deze voorwaarden beroepen. ## Totstandkoming van de overeenkomst - Een opdracht kan mondeling of schriftelijk worden verstrekt. - Als bewijs voor een opdracht gelden onder meer: een schriftelijke bevestiging door de Opdrachtgever, een opdrachtbevestiging door ons (bv. na mondeling akkoord), of het feit dat wij met de werkzaamheden zijn begonnen zonder dat de Opdrachtgever daar direct schriftelijk bezwaar tegen maakt. - Offertes zijn 15 kalenderdagen geldig. - Wijzigingen na akkoord zijn alleen bindend als wij deze schriftelijk bevestigen. - Een overeenkomst komt uitsluitend tot stand tussen CommonBase en de Opdrachtgever. Als de Opdrachtgever wil dat een specifieke persoon de opdracht uitvoert, kunnen wij dat niet garanderen. ## Uitvoering - We zetten ons maximaal in voor een goed resultaat, maar kunnen geen garanties geven op specifieke uitkomsten. - Als we samenwerken met andere professionals, kiezen we die zorgvuldig uit. - De Opdrachtgever zorgt ervoor dat wij tijdig alle informatie krijgen die we nodig hebben. De Opdrachtgever staat in voor de juistheid en volledigheid van deze informatie, ook als die van anderen afkomstig is. - Krijgen we de benodigde informatie niet op tijd? Dan mogen we de werkzaamheden opschorten en eventuele extra kosten doorberekenen. - Vindt de opdracht plaats op locatie van de Opdrachtgever? Dan is de Opdrachtgever verantwoordelijk voor een veilige werkomgeving en zorgt hij kosteloos voor de faciliteiten die wij redelijkerwijs nodig hebben. - We zijn niet aansprakelijk voor schade die ontstaat doordat we zijn uitgegaan van onjuiste of onvolledige informatie van de Opdrachtgever. ## Wijziging van de opdracht - Soms blijkt tijdens de uitvoering dat aanpassingen nodig zijn. In dat geval passen we de opdracht in overleg aan. Dit kan invloed hebben op de planning. - Leidt een wijziging tot meerkosten? Dan informeren we de Opdrachtgever vooraf. Meerkosten rekenen we alleen door als de wijziging niet aan ons te wijten is. ## Vertrouwelijkheid - Alles wat je met ons deelt, behandelen we vertrouwelijk. We delen geen informatie met derden die niet bij de opdracht betrokken zijn, tenzij de wet ons daartoe verplicht. - We mogen beiden naar buiten toe vermelden dat we samenwerken, bijvoorbeeld op onze website, sociale media of in een nieuwsbrief. - Gegevens mogen we gebruiken voor vergelijkende of statistische doeleinden, zolang ze niet herleidbaar zijn tot individuele opdrachtgevers of deelnemers. - De Opdrachtgever (en/of deelnemers) maakt gebruik van software en is zelf verantwoordelijk voor het geheimhouden van zijn inloggegevens. Wij zijn niet aansprakelijk voor misbruik van accounts. - We verwerken persoonsgegevens volgens de AVG. Lees onze privacyverklaring. ## Prijzen en betaling - Al onze prijzen zijn exclusief btw. - Wanneer kosten door externe factoren stijgen, kunnen wij dit doorberekenen. - Bij eenmalige opdrachten factureren we vooraf. Bij doorlopende opdrachten factureren we maandelijks, tenzij anders afgesproken. - Betalingstermijn is 14 dagen na factuurdatum. - Betaal je niet op tijd? Dan zijn incassokosten (15% van het openstaande bedrag) voor rekening van de Opdrachtgever. ## Contractduur en termijnen - Een opdracht is voor bepaalde tijd, tenzij we schriftelijk anders afspreken of de aard van de opdracht anders bepaalt. - Opleveringstermijnen zijn nooit fataal. Als we een deadline overschrijden, moet de Opdrachtgever ons eerst schriftelijk in gebreke stellen. ## Verplaatsen of annuleren - We behouden het recht om een sessie te verplaatsen. Als wij zelf moeten annuleren, ontvang je je geld terug of bieden we een alternatief aan. - We plannen sessies in goed overleg. Als er iets tussenkomt, zoeken we samen naar een passende oplossing. ## Beëindiging - Als je na de start van een opdracht stopt, blijft de volledige prijs verschuldigd. - Opdrachtgever en CommonBase kunnen de overeenkomst opzeggen met een opzegtermijn van één kalendermaand. Opzegging moet schriftelijk. - Wanneer wij de overeenkomst opzeggen, doen we dat met opgave van redenen en zorgen we ervoor dat we alles doen wat redelijkerwijs in het belang van de Opdrachtgever is. - Bij beëindiging is geen restitutie mogelijk voor reeds geleverde werkzaamheden. ## Opschortingsrecht - We mogen de werkzaamheden opschorten als de Opdrachtgever in gebreke blijft voor aanvang van de werkzaamheden, of de betalingstermijn overschrijdt met meer dan 14 dagen. - Ook mogen we documenten en andere zaken onder ons houden totdat de Opdrachtgever aan al zijn verplichtingen heeft voldaan. ## Overmacht - Bij overmacht hoeven we onze verplichtingen niet na te komen. Denk aan situaties zoals ziekte, extreme weersomstandigheden, overheidsmaatregelen, pandemieën of andere omstandigheden waar we geen invloed op hebben. - Tijdens overmacht mogen beide partijen hun verplichtingen opschorten. - Duurt de overmacht langer dan drie maanden? Dan mag ieder van ons de overeenkomst ontbinden, zonder dat we elkaar schadevergoeding verschuldigd zijn. ## Aansprakelijkheid - We zijn niet aansprakelijk voor indirecte schade, zoals gederfde winst, reputatieschade of gevolgschade. - Voor directe schade is onze aansprakelijkheid beperkt tot het bedrag dat onze aansprakelijkheidsverzekering uitkeert. Keert de verzekering niet uit? Dan is onze aansprakelijkheid beperkt tot het bedrag dat voor de opdracht is betaald. Bij opdrachten langer dan drie maanden: tot het bedrag van de laatste drie maanden. - We zijn niet aansprakelijk voor schade door derden, of als een deelnemer onze aanwijzingen niet opvolgt. - Vindt de opdracht plaats op locatie van de Opdrachtgever? Dan zijn wij niet aansprakelijk voor schade of ongelukken op die locatie. - De Opdrachtgever vrijwaart ons voor aanspraken van derden die verband houden met de opdracht. - We zijn niet aansprakelijk als de Opdrachtgever zelf in gebreke is op het moment dat de schade ontstaat. - Een aanspraak op schadevergoeding vervalt 12 maanden nadat de Opdrachtgever bekend wordt met de schade. ## Intellectueel eigendom - Alle materialen, methoden, modellen en andere producten die wij gebruiken of hebben ontwikkeld, blijven ons eigendom. - Het is niet toegestaan om deze te verveelvoudigen, openbaar te maken of aan derden ter beschikking te stellen zonder onze schriftelijke toestemming. - Algemene kennis, inzichten, methodieken en werkwijzen die wij tijdens de samenwerking ontwikkelen of opdoen, blijven onderdeel van onze expertise en mogen wij toepassen bij andere opdrachten. - Dit geldt uitdrukkelijk voor zover deze zijn losgekoppeld van bedrijfsspecifieke gegevens, strategie of vertrouwelijke informatie van de Opdrachtgever. ## Klachten - Heb je een klacht? Laat het ons zo snel mogelijk schriftelijk weten: binnen 8 werkdagen na ontdekking en uiterlijk binnen 30 werkdagen na afronding van de betreffende werkzaamheden. Een klacht schort de betalingsverplichting niet op. - We reageren binnen 30 dagen. Klachten vervallen na een jaar. ## Wijzigingen - We mogen deze voorwaarden aanpassen. Als dat gebeurt, laten we dat weten via e-mail of onze website. ## Toepasselijk recht - Op onze samenwerking is Nederlands recht van toepassing. --- # Privacyverklaring URL: https://commonbase.nl/privacy/ CommonBase verwerkt persoonsgegevens met zorg en alleen voor de doelen die we in deze verklaring uitleggen. We werken volgens de AVG. Vragen over jouw gegevens? Mail naar [privacy@commonbase.nl](mailto:privacy@commonbase.nl). ## Wie is verwerkingsverantwoordelijke? CommonBase, gevestigd aan de Achterdoelen 5, 6711 AV Ede. KVK 87758156 · BTW NL004481853B70. Voor privacyvragen: [privacy@commonbase.nl](mailto:privacy@commonbase.nl). ## Welke gegevens verwerken we? - Contactformulier: voornaam, achternaam, werkmail, telefoonnummer (optioneel), bedrijfsnaam, teamgrootte, gekozen onderwerp en je bericht. - E-mail en agenda: de inhoud van mails die je ons stuurt en gespreksafspraken die we plannen. - Tijdens een opdracht: NAW-gegevens, factuuradres, BTW-nummer, en bedrijfsspecifieke informatie die je deelt voor de uitvoering. - Server-logs: IP-adres, browser-type en bezochte URL, uitsluitend voor beveiliging en foutopsporing, automatisch verwijderd na 30 dagen. ## Waarom verwerken we deze gegevens? - Om je vraag of aanmelding te beantwoorden (gerechtvaardigd belang). - Om de overeenkomst met je organisatie uit te voeren (overeenkomst). - Om aan onze wettelijke verplichtingen te voldoen, bijvoorbeeld de fiscale bewaarplicht (wettelijke plicht). - Om onze website en e-mailafhandeling te beveiligen tegen misbruik (gerechtvaardigd belang). ## Hoe lang bewaren we ze? - Contactformulier-inzendingen zonder vervolg: maximaal 6 maanden. - Klantgegevens tijdens een lopende opdracht: gedurende de opdracht. - Factuur- en boekhoudgegevens: 7 jaar (fiscale bewaarplicht). - Server-logs: 30 dagen. ## Met wie delen we ze? - Hosting: TransIP B.V. (NL), voor het hosten van onze website en e-mail. - Boekhouding en facturatie: onze boekhouder, voor het verwerken van facturen. - Wettelijk verplichte partijen: Belastingdienst, justitie of toezichthouders, alleen wanneer we daartoe wettelijk verplicht zijn. We verkopen of verhuren je gegevens nooit aan derden voor marketing. ## Cookies Onze website plaatst standaard alleen functionele cookies die nodig zijn voor de werking, bijvoorbeeld om te onthouden of je het cookie-bericht hebt weggeklikt. We gebruiken geen advertentie- of trackingcookies. Bezoekersstatistieken meten we (indien actief) met een privacy-vriendelijke methode zonder tracking. ## Jouw rechten - Inzage in welke gegevens we van je verwerken. - Correctie als gegevens onjuist zijn. - Verwijdering, behalve voor zover we wettelijk moeten bewaren. - Beperking of bezwaar tegen verwerking. - Overdracht naar een andere partij. - Klacht indienen bij de Autoriteit Persoonsgegevens (autoriteitpersoonsgegevens.nl). Een verzoek doe je via [privacy@commonbase.nl](mailto:privacy@commonbase.nl). We reageren binnen 30 dagen. ## Beveiliging De website draait over HTTPS. Wachtwoorden bewaren we versleuteld. Toegang tot klantgegevens is beperkt tot medewerkers die deze nodig hebben voor de uitvoering. Zien we toch iets verdachts? Dan informeren we je en, indien nodig, de Autoriteit Persoonsgegevens. ## Wijzigingen We kunnen deze verklaring aanpassen. De versie op deze pagina is altijd de actuele. --- # Over ons URL: https://commonbase.nl/over-ons/ Ons verhaal # Wij zijn allergisch. voor AI-strategiedecks CommonBase is opgericht uit frustratie. We zagen bedrijven tienduizenden euro’s betalen aan ‘experts’ voor dikke rapporten die direct in een la verdwenen. Wij geloven niet in praten over AI. Wij zijn bouwers. We geven de mensen op jouw werkvloer de tools en het vertrouwen om zélf hun werk te automatiseren. ## Hoe wij werken (en wat we absoluut weigeren) ### Maken wint van praten. Advies zonder zelf te bouwen is fictie. We typen geen rapporten, we configureren werkende oplossingen in jouw systemen. ### Jouw team is de baas Een accountmanager kent de frictie van zijn werkdag beter dan wij ooit zullen begrijpen. Wij leveren de technische slagkracht; zij bepalen de toepassing. ### Wij maken onszelf overbodig Geen retainers, geen contracten zonder einde. Elk programma eindigt. Onze taak is om jouw team zó onafhankelijk te maken, dat je ons na 30 dagen niet meer nodig hebt. ## Drie mensen, één overtuiging. Geen junioren. Je werkt met de oprichters. Alle programma’s worden direct begeleid door de mensen die de methode hebben bedacht. Founder #### Lucas Doornhein Oprichter Ex-CMO. Weet exact hoe taai het is om mensen mee te krijgen in verandering. Zorgt ervoor dat de technologie niet afschrikt, maar dat het team enthousiast wordt. Founder #### Niels Sonneveld Oprichter 15 jaar ondernemer. Bekijkt AI niet als een software-update, maar als fundamentele gedragsverandering in organisaties. Sales #### Jos van der Lee Sales & Advies Geen praatjesmaker, maar een sparringpartner die meedenkt. Helpt bedrijven om de vinger exact op het pijnlijkste (en duurste) omzet-lek te leggen vóórdat we überhaupt beginnen. Het CommonBase team · 2026 ### Wij geloven dat AI-adoptie een mensenvraag is. ⟶ Zin om kennis te maken? ## Een uurtje koffie. Daar kom je verder mee dan met een deck. We nodigen je uit voor een uurtje koffie. Bij ons aan de Achterdoelen 5 in Ede, of digitaal. Geen gelikt pitch-deck, maar een eerlijk gesprek over wat we wél (en absoluut niet) voor je team kunnen betekenen. [Plan een gesprek →](/contact/) [Wat levert AI jouw bedrijf op? · 3 min](/ai-potentie/) ---