In-house AI vs Uitbesteden

De keuze tussen een eigen AI-team opbouwen of AI-ontwikkeling uitbesteden is een van de meest kapitaalintensieve beslissingen die een Nederlandse MKB-organisatie in 2026 neemt. Het is geen keuze die zich laat reduceren tot een spreadsheet met alleen kostenposten: talentbeschikbaarheid, strategisch belang, IP-eigendom, Wet DBA-compliance en het falingsrisico bepalen samen welk model past. Deze vergelijking zet de harde cijfers naast de zachte afwegingen — op basis van primaire NL-bronnen, niet op buikgevoel.

De context is ongunstig voor experimenten. Uit het MIT NANDA State of AI in Business 2025-rapport blijkt dat ongeveer 95% van alle enterprise GenAI-pilots geen meetbaar P&L-effect oplevert, ondanks 30 tot 40 miljard dollar aan uitgaven. Opvallend: het MIT-onderzoek vond dat tools inkopen bij gespecialiseerde vendors en partnerships aangaan in circa 67% van de gevallen slaagt, terwijl interne builds dat succespercentage slechts eenderde halen. Parallel rapporteert RAND Corporation (2024) dat meer dan 80% van alle AI-projecten faalt — tweemaal het faalpercentage van niet-AI IT-projecten. De hoofdoorzaken volgens RAND: miscommunicatie over projectintentie, een dataset die niet klaar is voor productie, en een technologie-first focus in plaats van een probleem-first focus. Deze data verandert de risico-analyse fundamenteel: als vier van de vijf AI-projecten bij in-house teams falen, is de vraag niet alleen "wie is goedkoper" maar "waar zit de leercurve die het faalrisico verlaagt".

Tegelijkertijd is de Nederlandse arbeidsmarkt voor AI-talent onverminderd krap. UWV meldt in Q4 2025 bijna 18.800 openstaande ICT-vacatures en een verhouding van gemiddeld acht vacatures per werkzoekende digitale professional. 34 van de 35 arbeidsmarktregio's zijn "krap tot zeer krap". Volgens CBS groeide het aantal ICT-beroepsbeoefenaren van 282.000 in 2013 naar 562.000 in 2025 — een verdubbeling — maar de vraag groeit sneller dan het aanbod, vooral in de AI-niche. UWV signaleert een verschuiving van "extreme schaarste" naar "reguliere schaarste", maar AI-specialisten, cloud-native developers en cybersecurity-experts blijven bovengemiddeld moeilijk te vinden.

De kostenvergelijking krijgt daarmee concrete ankerpunten. Volgens het Knab Uurtarievenboekje 2026, gebaseerd op onderzoek onder ruim 20.000 zzp'ers, rekent een freelance AI-specialist gemiddeld €120 per uur exclusief btw. Een IT-consultant zit op €108 per uur en een data-analist op €94. In loondienst loopt een data scientist volgens Indeed/Glassdoor-aggregaten op een jaarsalaris tussen €68.000 en €112.000, afhankelijk van ervaring. Een machine learning engineer zit mediaan rond €75.000. Voor een minimaal in-house AI-team (drie mensen: lead, engineer, data) betekent dat €240.000 tot €340.000 aan brutosalaris, plus zo'n 25-30% werkgeverslasten, tooling en opleidingsbudget — realistisch €320.000 tot €450.000 all-in per jaar. Uitbesteden aan een gespecialiseerde partij kost doorgaans €50.000 tot €150.000 per traject, afhankelijk van scope.

De Nederlandse regelgeving voegt sinds 1 januari 2025 een extra laag toe. De Belastingdienst handhaaft volledig op schijnzelfstandigheid — de ICT-sector staat volgens de dienst hoog op de focuslijst. Vanaf 2026 lopen opdrachtgevers die een zzp'er inzetten die feitelijk als werknemer functioneert, naheffingen tot vijf jaar terug. Voor de keuze tussen zelf inhuren (via zzp-constructie) of uitbesteden aan een partner met eigen personeel heeft dit directe gevolgen: een partner-model verschuift het DBA-risico naar de leverancier, waar een zelf ingehuurde zzp'er het risico bij jou legt.

Dan is er de strategische dimensie. McKinsey's State of AI 2025-rapport laat een "scaling gap" zien: 88% van de organisaties adopteert AI in minimaal één functie, 39% rapporteert EBIT-impact op enterprise-niveau, maar slechts 6% bereikt significante waarde (meer dan 5% EBIT-attributie). Deze kopgroep onderscheidt zich door workflow-redesign, niet door incrementele efficiency. De vraag wordt dan: wil je deze redesign-competentie zelf opbouwen (in-house = lange investering, volledig IP-eigendom, competitive moat) of wil je uitbesteden om sneller te leren (externe expertise, lagere opstartkosten, maar minder unieke IP). Voor AI als kerncompetentie — waarbij concurrenten jouw AI nadoen met dezelfde leverancier — weegt het IP-argument zwaar. Voor AI als procesondersteuning (interne efficiency, automatisering van rapportages, klantcommunicatie) weegt time-to-value zwaar.

Een derde route wint terrein: het hybride model. Strategie en governance in-house, uitvoering via een partner. McKinsey-data suggereert dat dit model past bij organisaties met beperkt AI-volume maar hoge strategische afhankelijkheid — je houdt de regie op welke AI waar wordt ingezet, zonder een compleet team te onderhouden voor pieken in de vraag. Nadeel: je moet zelf de vertaler zijn tussen business en vendor, wat een interne AI-productmanager of CTO-niveau rol vereist.

Deze vergelijking presenteert beide routes inhoudelijk gelijkwaardig: waar in-house écht wint (IP, team-leereffect, geen ongoing fees, diepe integratie) en waar uitbesteden wint (snelheid, risicospreiding, bewezen methodologieen). De winnaar hangt niet af van een generiek "wat is goedkoper" maar van vier concrete factoren: de strategische rol van AI, het beschikbare budget, de aanwezigheid of afwezigheid van senior AI-leiderschap intern, en de risicotolerantie voor projectfalen.

Zie ook: claude-vs-chatgpt-zakelijk voor de model-keuze, custom-ai-vs-kant-en-klare-ai voor de build-keuze en chatgpt-enterprise-vs-private-ai voor de deployment-keuze.