Voor wie: ondernemers en directeuren van een MKB-bedrijf die al een tijdje iets met AI doen, maar het gevoel hebben dat het niet optelt.
De term klinkt zwaarder dan het is. Wat er praktisch achter zit, staat hieronder.
Wat is een AI Operating System voor het MKB?
De meeste bedrijven verzamelen AI-tools. Een AI Operating System legt eerst vast hoe jouw bedrijf werkt, zodat elke tool daarna weet waar hij mee bezig is.
Kort antwoord: Een AI Operating System is één plek waar de kennis over jouw bedrijf vastligt: wat je maakt, hoe je werkt, wie je klanten zijn en hoe jullie schrijven. Daarbovenop staan de werkafspraken en de vaste taken die AI voor je uitvoert. Het draait op je eigen omgeving, in gewone bestanden die je zelf kunt openen en lezen. De winst zit in hergebruik: de tweede toepassing hoeft niet opnieuw uit te zoeken hoe jouw bedrijf in elkaar zit, want dat staat er al. Grote adviesbureaus gebruiken dezelfde term voor iets anders, namelijk een enterprise-platform dat AI-agents aanstuurt over tientallen systemen heen.
Waarom tellen losse AI-tools niet op?
Een herkenbaar beeld. Marketing werkt met ChatGPT, de administratie heeft een tool die facturen uitleest, en sales probeert iets met een chatbot. Alle drie doen wat ze moeten doen.
En alle drie beginnen elke ochtend bij nul. Geen van de drie weet wat jullie maken, wie de klanten zijn, welke afspraken er gelden of hoe jullie schrijven.
Dus legt iemand dat elke keer opnieuw uit. In elke prompt, in elk gesprek, bij elke nieuwe tool. Dat uitleggen is het eigenlijke werk, en het is precies het deel dat niemand bewaart.
Waar bestaat het uit?
4 lagen, waarbij elke laag op de vorige rust.
| Laag | Wat erin staat |
|---|---|
| 1. Bedrijfscontext | Wat je maakt of levert, wie je klanten zijn, hoe je kernproces loopt, welke uitzonderingen er gelden, hoe jullie schrijven en praten. |
| 2. Werkafspraken | Waar output terechtkomt, wat AI zelfstandig mag doen en wat een mens eerst goedkeurt, wie waar bij mag. |
| 3. Vaste taken | Terugkerend werk dat één keer goed is beschreven en daarna elke keer hetzelfde verloopt: een offerte opstellen, een gespreksverslag omzetten, een productvraag beantwoorden. |
| 4. Toepassingen | Wat je er uiteindelijk mee bouwt: een kennisbank die het hele bedrijf kan bevragen, een chatbot, een app voor de buitendienst. |
Laag 4 is wat mensen zien en waar ze enthousiast van worden. Laag 1 tot 3 bepalen of laag 4 werkt.
Waar draait het, en van wie is het?
Op jullie eigen omgeving. Het bestaat uit gewone tekstbestanden in een map op de computers van je team, verdeeld via GitHub zodat een update bij iedereen aankomt.
Dat is geen technisch detail, maar het antwoord op de vraag die elke directeur stelt: van wie is dit straks? Je kunt de bestanden openen en lezen. Je ziet wat erin staat. Stopt de samenwerking met je leverancier, dan blijft het systeem gewoon staan.
Eén vast principe zit erin ingebakken: AI stelt voor, een mens keurt goed. Dat houdt de controle bij jullie en het maakt het voor het team een stuk makkelijker om ermee te gaan werken.
Meer over de opbouw van zo'n context- en afsprakenbestand staat in onze wiki, bij contextbestanden en projecten en agentic OS.
Wordt de term ook anders gebruikt?
Ja, en dat is goed om te weten voordat je gaat vergelijken.
Grote adviesbureaus en enterprise-softwareleveranciers noemen hun eigen product ook een AI Operating System, of een agentic OS. Daar gaat het om een softwarelaag die tientallen AI-agents aanstuurt over veel gekoppelde systemen heen, gebouwd voor organisaties met duizenden medewerkers en een eigen IT-afdeling.
Voor een bedrijf van 15 tot 100 mensen is dat zwaar gereedschap voor een lichte klus. In deze uitleg gaat het om de MKB-variant: een fundament van vastgelegde context met toepassingen die daarop draaien. Zelfde term, andere schaal.
Wat levert het op na de eerste toepassing?
Hier zit het rendement, en het is makkelijk te missen omdat het pas zichtbaar wordt bij toepassing 2.
De eerste toepassing kost het meeste, omdat daarin het uitzoekwerk zit: welke producten, welke processen, welke afspraken, welke uitzonderingen. Ligt dat eenmaal vast, dan hoeft het bij de volgende toepassing niet opnieuw.
Bij een verfproducent met een eigen buitendienst en meerdere vestigingen staat dat fundament sinds dit jaar. Daarbovenop kwamen een productkennisbank die het hele bedrijf kan bevragen, een app waarmee de buitendienst een klantbezoek inspreekt waarna het verslag met actiepunten automatisch in het CRM belandt, en inmiddels een chatbot. 3 toepassingen, 0 keer opnieuw begonnen.
Bouw het één keer goed. Dan bouwt AI overal in je bedrijf mee.
Voor wie werkt dit, en voor wie niet?
Het werkt goed als je deze dingen herkent:
- Veel kennis zit in hoofden en in mappen, en het duurt lang voordat een nieuwe collega meedraait.
- Er zijn processen die elke week terugkomen en elke week ongeveer hetzelfde gaan.
- Er is iemand die knopen mag doorhakken zonder dat er eerst een stuurgroep bij hoeft.
Het is te veel gedoe als je één afgebakend probleem hebt en verder niets. Wil je alleen je offertes sneller de deur uit hebben, dan is een los project daarvoor genoeg. Wij beginnen zelf ook vaak zo, en pas als er een tweede en derde wens komt, wordt een fundament de moeite waard.
Hoe begin je?
Klein, en met één proces. Meestal het proces dat je team wekelijks de meeste tijd kost.
De eerste stap is geen installatie maar een gesprek, want zonder duidelijk startpunt leg je de verkeerde dingen vast. Hoeveel tijd het daarna kost, staat in hoe lang een AI-implementatie duurt: voor één afgebakend proces meestal 2 tot 4 weken.