AI proof of concept laten maken: aanpak, kosten en wanneer het zin heeft

Een AI proof of concept is de goedkoopste manier om te ontdekken of jouw AI-idee werkt op jouw eigen data, voordat je er een compleet traject aan vastknoopt. Bij ons kost zo’n prototype €5.000 tot €15.000, afhankelijk van de use case en hoe netjes je data erin gaat. Dat is bewust klein gehouden, want het doel is niet een product opleveren. Het doel is een antwoord.

Veel mkb-bedrijven blijven maanden hangen in gesprekken over wat AI zou kunnen doen. Ons advies: kies één kans, test die op echte data, en beslis daarna pas over bouwen. Hieronder leggen we uit wat een proof of concept precies is, hoe wij het aanpakken, wat het kost en wanneer je hem gewoon kunt overslaan.

Wat is een AI proof of concept precies?

Een AI proof of concept is een werkend prototype dat een AI-toepassing test op jouw eigen orders, gesprekken of documenten, niet op een demo-dataset. Het is geen product dat je kunt lanceren. Het is het bewijs dat een idee wel of niet werkt, voordat je geld steekt in een volledige implementatie.

Daarmee verschilt het van een MVP. Een minimum viable product is een uitgeklede maar echte versie die gebruikers kunnen gebruiken, met inlog, foutafhandeling en beheer eromheen. Een proof of concept mag lelijk zijn, mag handmatige stappen bevatten en mag na twee presentaties in de la verdwijnen. Meer over dat onderscheid staat in onze uitleg over wat een MVP is.

De generieke spelregels van een prototype-fase beschrijven we op onze pagina over proof of concept. Dit artikel is de AI-specifieke versie, en dat verschil is groter dan je denkt. Bij klassieke software weet je vooraf meestal of iets technisch kan. Bij AI hangt de uitkomst af van je data, en die data ken je zelf vaak minder goed dan je hoopt.

Hoe pakken wij een AI proof of concept aan?

Wij werken in vier stappen: scope bepalen op één concrete kans, echte data verzamelen en opschonen, een werkend prototype bouwen, en de uitkomst toetsen tegen een meetbaar doel. Geen powerpoint, geen gesimuleerde demo. Dat vierde punt slaan de meeste bureaus over, en juist daar zit de waarde. Zonder een cijfer dat vooraf vastligt, bijvoorbeeld “80 procent van de orderregels correct herkend”, blijft elke demo een kwestie van gevoel. De documentatie van OpenAI over evals laat goed zien hoe je dat soort metingen opzet.

Dat toetsen gebeurt tegen een baseline: hoe goed doet een mens het nu, en hoeveel tijd kost dat? Haalt het prototype dat niveau niet, dan is dat geen mislukking maar een besparing.

Je krijgt na de test drie dingen: het prototype zelf, de meting tegen die baseline, en een advies over doorgaan, bijstellen of stoppen. Waar je data tijdens de test verwerkt wordt spreken we vooraf af, want dat is bijna altijd de tweede vraag die klanten stellen. Onze eigen backends draaien op Microsoft Azure; werkt een prototype met een externe AI-dienst, dan hoort daar een verwerkersovereenkomst bij.

De fase ervoor is de kansenanalyse, wat wij een AI-assessment noemen. Daar brengen we proces en data in kaart en leggen we een lijst met kansen op tafel, geprioriteerd op impact en haalbaarheid. Bij Berkleba analyseerden we daarvoor 59.000 orders en 57.000 conversatielogs, wat 16 concrete AI-kansen opleverde, van een chat-copilot op hun eigen data tot automatische order-intake. Dat was de assessment-fase, geen proof of concept: een kansenlijst, niet een werkend prototype.

Wat daar het dichtst bij een prototype kwam, is de AI Chat Copilot: een natural language query-feature in hun Blazor-platform, waarmee je in gewone taal vragen stelt aan de eigen data. Er hing geen PoC-label om dat werk heen, maar het is precies de beweging die een proof of concept maakt, één kans werkend krijgen op echte data. Hoe dat platform sinds 2016 gegroeid is, lees je in de Berkleba-case.

Wat kost een AI proof of concept?

Een AI proof of concept kost bij ons €5.000 tot €15.000. Wat je binnen die range uitkomt, hangt vooral af van twee dingen: hoe complex de use case is en hoeveel werk het kost om je data bruikbaar te maken. Dat tweede is bijna altijd de grootste post. Data die verspreid staat over een ERP, een mailbox en drie Excel-bestanden vraagt meer voorbereiding dan een schone database.

Om het hele traject te overzien: een AI-assessment duurt één tot twee weken en kost €2.500 tot €5.000. Daar komt de scope van de proof of concept uit. Over de looptijd van de test zelf doen we vooraf geen belofte, want die hangt aan de kans die je test en aan de staat van je data. Wat wel vaststaat is de vorm: afgebakend, één kans, werkend op echte data.

Zodra een geslaagd prototype een echte feature moet worden, praat je over €15.000 tot €60.000 of meer voor productie-integratie. Je hoeft die stappen niet in één keer te besluiten. Dat is precies het punt van deze aanpak.

Wanneer heb je geen proof of concept nodig?

Niet elke AI-toepassing verdient een aparte testfase, en dat zeggen we met alle eerlijkheid. Is het patroon al duizend keer bewezen, dan is een prototype vooral een vertraging met een factuur. Dan kun je direct door naar bouwen, met een kleine eerste versie in plaats van een demo.

Een standaard assistent op je eigen kennisbank of handleidingen is zo’n geval. Die techniek werkt, de vraag is alleen hoe goed jouw documentatie is. Wil je weten wat daarbij komt kijken, kijk dan bij chatbot laten maken.

Een proof of concept is wél zinvol zodra de uitkomst echt onzeker is. Denk aan het automatisch uitlezen van orders uit vrije e-mailtekst, voorspellen welke klant afhaakt, of iets waar de kwaliteit van je data nog een vraagteken is. Kort gezegd: twijfel je over het resultaat, test het. Twijfel je alleen over de bouwkosten, vraag dan een offerte.

Wat gebeurt er na een geslaagde proof of concept?

Werkt het prototype, dan volgt productie-integratie: de stap waarin het een echte feature wordt in je bestaande software, met rechten, logging, beheer en koppelingen. Reken op €15.000 tot €60.000 of meer, afhankelijk van de omvang en de systemen waaraan gekoppeld moet worden.

Die stap onderschatten mensen structureel. Een prototype dat op een laptop van een developer 90 procent goed scoort, moet in productie ook overweg kunnen met rare invoer, uitval van een API en gebruikers die iets anders doen dan bedacht. Hoe AI-toevoegingen in bestaande systemen landen, beschrijven we in ons artikel over AI integratie in bestaande software. Wat er verder bij een uitrol hoort, staat op onze pagina over AI implementatie voor bedrijven.

Heb je een AI-idee waarvan je nog niet weet of het houdbaar is? Leg het eens naast ons neer. Meestal zien we binnen een half uur of een proof of concept de juiste volgende stap is, of dat je beter direct kunt bouwen. Dat gesprek is vrijblijvend, en de koffie is op ons. ☕