AI readiness bepaal je niet met een gevoel maar met een gestructureerde score op zes dimensies: datakwaliteit, processen, team, technologie, budget en strategie. Van de 22,7% Nederlandse bedrijven die AI inzetten volgens het CBS (AI Monitor 2024), heeft slechts een fractie het succesvol ingebed in dagelijkse operatie. Het ING-onderzoek via MKB Servicedesk becijfert dat op 6%. Dat gat -- tussen "we gebruiken AI" en "AI levert structureel waarde" -- ontstaat vrijwel altijd doordat bedrijven starten zonder te weten waar ze staan.
Verderop vind je het CleverTech AI Readiness Scoremodel: zes dimensies, score 1 tot 5, een optelsom die je in 20 minuten invult. Geen theoretisch raamwerk maar een werkend instrument dat we zelf gebruiken bij intake-gesprekken. In onze complete gids over AI automatisering behandelen we het Automatiseringscanvas voor processelectie; dit assessment is de stap daarvoor -- ben je als organisatie uberhaupt klaar om dat canvas in te vullen?
Waarom een readiness-assessment voorkomt dat je geld verspilt
De meeste mislukte AI-projecten falen niet door technologie. Ze falen door gebrekkige voorbereiding. Dialogic onderzocht in opdracht van het ministerie van Economische Zaken hoe het MKB met AI omgaat en concludeert dat de meerderheid nog in de verkenningsfase zit. De twee grootste barrieres: gebrek aan begrip over wat AI concreet kan, en onzekerheid over de meerwaarde voor de eigen situatie.
Herkenbaar. Een installatiebedrijf met 45 medewerkers dat we spraken had een AI-chatbot aangeschaft voor klantenservice. Binnen twee maanden stond het systeem uit. Niet omdat de technologie niet werkte, maar omdat de klantdata verspreid zat over drie losse systemen die niet gekoppeld waren. Geen API's, geen gestandaardiseerde veldnamen, geen centraal CRM. Het bedrijf scoorde een 2 op datakwaliteit en een 1 op technologie-infrastructuur. Ze hadden eerst hun data op orde moeten brengen.
Dat is precies wat een readiness-assessment voorkomt: je investeert pas als je weet dat de randvoorwaarden op orde zijn.
Hoe verschilt AI readiness van AI maturity?
Readiness en maturity worden vaak door elkaar gebruikt. Het verschil is relevant.
AI readiness beantwoordt de vraag: "Kunnen we starten met AI?" Het gaat over randvoorwaarden -- data, team, budget, infrastructuur. Een bedrijf dat nog nooit AI heeft ingezet kan hoge readiness hebben als de basis op orde is.
AI maturity meet hoe ver je al bent: hoeveel processen draaien op AI, hoe schaalbaar zijn die, hoe diep is AI ingebed in besluitvorming? Het Cisco AI Readiness Index en het IMF Government AI Readiness Index zijn eigenlijk maturity-metingen op landenniveau.
Voor MKB-bedrijven die nog moeten beginnen is readiness de juiste lens. Maturity komt later.
Het CleverTech AI Readiness Scoremodel: 6 dimensies
Score elke dimensie van 1 (laag) tot 5 (hoog). Tel op. De totaalscore bepaalt je startpositie.
| Dimensie | Score 1 | Score 3 | Score 5 |
|---|---|---|---|
| Datakwaliteit | Data alleen op papier of in losse Excel-bestanden | Centraal systeem maar onvolledige of vervuilde data | Schone, gestructureerde data in gekoppelde systemen |
| Procesvolwassenheid | Geen gedocumenteerde processen, iedereen werkt anders | Processen beschreven maar niet consequent gevolgd | Gestandaardiseerde, meetbare processen met KPI's |
| Teambereidheid | Actieve weerstand tegen verandering of AI-angst | Neutraal, afwachtend, "laat maar zien" | Enthousiast, digitaal vaardig, experimenteerbereid |
| Technologie-infrastructuur | Verouderde software zonder koppelingen of API's | Moderne tools maar nog handmatige data-overdracht | Cloud-gebaseerde systemen met open API's en integraties |
| Budget en draagvlak | Geen budget gereserveerd, directie ziet AI als hype | Beperkt innovatiebudget, directie is nieuwsgierig | Gereserveerd budget, directie sponsort het traject actief |
| Strategische visie | Geen idee welk probleem AI moet oplossen | Vaag beeld ("iets met efficiëntie"), geen concrete case | Helder gedefinieerd probleem met meetbare doelstelling |
Hoe interpreteer je jouw totaalscore?
| Score | Niveau | Wat het betekent |
|---|---|---|
| 6-12 | Niet klaar | Eerst de basis op orde brengen: data centraliseren, processen documenteren, draagvlak creeren |
| 13-18 | Voorwaardelijk klaar | Start met een laagdrempelige pilot op het best scorende proces, pak zwakke dimensies parallel aan |
| 19-24 | Klaar voor AI | Begin met het Automatiseringscanvas om het juiste proces te selecteren |
| 25-30 | Versnellen | Je hebt de basis, focus op schalen en het opbouwen van interne AI-competenties |
De meeste MKB-bedrijven die we spreken scoren tussen 13 en 18. Dat is niet slecht -- het betekent dat er specifieke verbeterpunten zijn, maar dat een eerste pilot binnen handbereik ligt.
Waar scoren Nederlandse bedrijven het laagst?
De beschikbare onderzoeken wijzen consistent naar dezelfde zwakke plekken, al verschillen de percentages.
Data en digitale infrastructuur. Het FME/Metaalunie-onderzoek (2026) meldt dat 80% van het MKB in de maakindustrie onvoldoende data- en sensorontwikkeling heeft om AI zinvol in te zetten. Het CBS nuanceert dat: bij bedrijven met 250+ medewerkers is AI-adoptie 64%, bij 10-50 medewerkers slechts 12%. Het verschil zit grotendeels in de digitale basis -- grotere bedrijven hebben vaker een ERP, een CRM en systemen die met elkaar praten.
Kennis en AI-geletterdheid. Van de non-adopters noemt 74,6% "gebrek aan ervaring of kennis" als voornaamste barrieres, aldus dezelfde CBS AI Monitor. De KvK peilt in 2025 dat 50% van de ondernemers de AI Act niet kent en slechts 7% zich goed geinformeerd voelt. Dat is geen technologieprobleem maar een kennisprobleem.
Strategisch draagvlak. Het Dialogic-rapport benoemt "onzekerheid over de meerwaarde" als tweede barriere. Directies die niet weten wat AI concreet oplevert, reserveren er ook geen budget voor. Begrijpelijk, maar het creëert een kip-ei-situatie.
Dimensie voor dimensie: zo verbeter je jouw score
Datakwaliteit van 1-2 naar 3-4
Begin niet met een AI-tool maar met een data-inventarisatie. Waar staan je klantgegevens? In welk formaat? Hoeveel dubbele records heb je? Een praktische eerste stap: exporteer je drie belangrijkste databronnen naar een spreadsheet en tel het percentage rijen met ontbrekende of tegenstrijdige waarden. Boven de 20% lege velden? Dan heeft data-opschoning prioriteit boven welke AI-investering dan ook.
Procesvolwassenheid van 1-2 naar 3-4
Documenteer je top-5 processen. Niet in een uitgebreid handboek maar in een simpel stroomschema: input, stappen, beslismomenten, output. Vraag twee medewerkers om hetzelfde proces te beschrijven. Komen ze op dezelfde stappen uit? Zo niet, dan is er geen standaardproces en zal een AI-systeem niet weten wat "correct" is.
Teambereidheid van 1-2 naar 3-4
Organiseer een hands-on demo, geen PowerPoint-presentatie. Laat het team 30 minuten experimenteren met een tool als ChatGPT of Microsoft Copilot op hun eigen werkdata. De verschuiving van "AI gaat mijn baan overnemen" naar "dit bespaart me een uur per dag" gebeurt pas als mensen het zelf ervaren.
Technologie-infrastructuur van 1-2 naar 3-4
Inventariseer welke systemen API-koppelingen ondersteunen. Geen API? Dan heb je twee opties: migreren naar een modern systeem, of een tussenlaag bouwen met tools als Make of n8n. Voor bedrijven met legacy-systemen is die tussenlaag vaak de snelste route.
Budget en draagvlak ophogen
Reken een concrete businesscase door. Neem het proces dat het meest tijd kost, bereken de jaarlijkse kosten in uren maal uurtarief, en zet dat af tegen een realistische AI-investering. Bij de meeste MKB-bedrijven praat je over EUR 5.000-15.000 voor een eerste pilot -- een investering die zichzelf in 3-6 maanden terugverdient als je het juiste proces kiest. De ROI-calculator helpt je dit door te rekenen.
Strategische visie aanscherpen
Formuleer het probleem, niet de oplossing. Niet "we willen AI" maar "we verliezen 15 uur per week aan het handmatig verwerken van inkooporders." Die specifieke formulering maakt het verschil tussen een vaag innovatieproject en een meetbaar verbetertraject.
Veelgemaakte fouten bij het inschatten van AI readiness
Te optimistisch scoren op datakwaliteit. Bedrijven die "alles in een CRM hebben" scoren zichzelf een 4 of 5. Bij nadere inspectie blijkt 30% van de records verouderd en ontbreken er standaardvelden. Wees eerlijk -- een hoge score op een foutieve basis leidt tot een mislukte pilot.
Teambereidheid verwarren met management-enthousiasme. De directie wil AI. De werkvloer maakt zich zorgen. AI readiness meet de bereidheid van de mensen die dagelijks met het systeem gaan werken, niet van degenen die de beslissing nemen.
Technologie overschatten. "We hebben Microsoft 365" betekent niet dat je infrastructuur op orde is. De vraag is of je data-systemen met elkaar praten, of je een identiteits- en toegangsbeheer hebt, en of er een testomgeving beschikbaar is.
Wat na de readiness-score? Drie concrete vervolgpaden
Score 6-12: fundament leggen (3-6 maanden). Focus op data centraliseren, processen documenteren en het team meenemen. Nog geen AI-investeringen. Wel: experimenteer met gratis tools zodat het team wendt aan de technologie.
Score 13-18: gerichte pilot (4-8 weken). Kies het proces met de hoogste deelscore, start een afgebakende pilot met duidelijke KPI's, en pak de laagst scorende dimensie parallel aan. In onze ervaring is dit de fase waar 60% van het MKB zich bevindt.
Score 19-30: schalen en verdiepen. Je basis staat. Gebruik het Automatiseringscanvas uit de AI automatisering gids om processen te prioriteren en een roadmap voor de komende 6-12 maanden op te stellen.
Ongeacht je score: doe de gratis AI-scan voor een onafhankelijke nulmeting. In 10 minuten weet je waar je staat en welke stap als eerste loont.
Opgesteld met AI-tools en gecontroleerd door het redactieteam van CleverTech -- tech-leads met ervaring in AI, procesautomatisering en IT-consulting.