In-house AI vs Uitbesteden

Ruwweg twee kostenprofielen. Uitbesteden aan een gespecialiseerde partner kost doorgaans €50.000-€150.000 per traject, afhankelijk van scope (aantal use-cases, integraties, datawerk). Uurtarieven liggen volgens het Knab Uurtarievenboekje 2026 rond €120/uur voor een AI-specialist als zzp, waar een partner met eigen personeel meestal €140-€180/uur doorrekent. Zelf een minimaal in-house team opbouwen (lead, engineer, data) kost €320.000-€450.000 all-in per jaar (brutosalarissen plus 25-30% werkgeverslasten, tooling en opleiding). Voor een eerste AI-toepassing zonder eigen ML-team is uitbesteden vrijwel altijd sneller en goedkoper; in-house wordt pas aantrekkelijk wanneer AI structureel volume en strategisch belang krijgt. Een hybride (interne AI-lead circa €120.000/jaar plus €100.000-€200.000 projectbudget) zit daar financieel tussenin met behoud van regie.

In-house is de betere keuze zodra AI een kerncapaciteit wordt in plaats van een procesondersteuning. Concrete signalen: (1) dagelijkse model-updates of -hertraining zijn nodig, (2) jouw training-data is uniek en vormt een competitive moat, (3) AI is onderdeel van het product dat de klant koopt (niet alleen interne efficiency), (4) het jaarbudget is €400.000+ zodat een minimaal 3-persoons team realistisch is, en (5) er is intern senior AI-leiderschap om de RAND-valkuilen (data-readiness, intent-miscommunicatie, technologie-first focus) te vermijden. Voor bedrijven met een jaaromzet onder de €10 miljoen waar AI procesondersteunend is, weegt het kostennadeel meestal zwaarder dan de IP-winst.

Vanaf 1 januari 2025 handhaaft de Belastingdienst volledig op schijnzelfstandigheid. ICT staat expliciet op de focuslijst. Een in-house team dat deels met zzp'ers is ingevuld loopt risico op naheffing van loonbelasting en sociale premies tot vijf jaar terug, plus boetes vanaf 2026 (2025 gold nog als overgangsjaar zonder boetes mits er aantoonbaar stappen werden gezet). Het risico is grootst als de zzp'er werkt volgens dezelfde aansturing, uren en locatie als werknemers. Uitbesteden aan een partner met eigen personeel verlegt dit risico volledig: jij sluit een leveranciersovereenkomst, niet een arbeidsrelatie. Een hybride model met eigen AI-lead in loondienst plus uitbesteding van uitvoering is voor veel MKB's de veiligste constructie.

RAND (2024) wijt de 80%+ faalpercentage aan vier oorzaken: (1) miscommunicatie over de projectintentie tussen business en tech, (2) een data-foundation die niet klaar is voor productie, (3) technologie-first focus in plaats van probleem-first focus, en (4) aansturing die te sterk leunt op de nieuwste tooling in plaats van de eenvoudigste werkende oplossing. MIT NANDA (2025) meet dat partner-projecten circa 67% slaagt versus circa 22% voor pure interne builds — drie keer zo vaak succesvol. De verklaring: externe partijen hebben deze valkuilen eerder doorgemaakt, beschikken over beproefde methodologieen en weigeren projecten waar de data-foundation niet staat. Voor een nieuw in-house team is dit leerkosten die je zelf doorloopt. Mitigatie bij in-house: begin met een ervaren AI-lead, investeer eerst in data-readiness, en selecteer simpele use-cases voordat je aan complexe modellen begint.

Vier contractuele basisbepalingen dekken 90% van het IP-risico af: (1) expliciete werk-voor-opdrachtgever-clausule (work-for-hire) die stelt dat alle ontwikkelde modellen, code, prompts, fine-tuned weights en training-data eigendom worden van de opdrachtgever, (2) exclusiviteitsbepaling die de partner verbiedt dezelfde modellen of training-data voor andere klanten in te zetten, (3) kennisoverdracht-verplichting met documentatie, code-comments en een finale handover-sessie, en (4) escrow-regeling waarbij source-code en training-data bij een derde partij worden gedeponeerd zodat jij ook bij faillissement van de partner de volledige assets kunt opvragen. Voor strategisch belangrijke AI-capaciteiten voeg je een non-compete toe (partner mag geen directe concurrent bedienen met vergelijkbare oplossing gedurende een afgebakende periode) en een source-of-truth clausule voor training-data (jouw data blijft van jou, ook als de partner het voor training gebruikt).

Voor MKB tussen €5 en €50 miljoen omzet is het hybride model vaak de meest realistische constructie. Concreet: een interne AI-lead op CTO- of AI-productmanager-niveau (€90.000-€130.000 jaarsalaris) plus een partner voor bouw en onderhoud. Deze lead is de vertaler tussen business en vendor, bewaakt IP-contracten, beoordeelt welke use-cases intern passen en welke uitbesteed kunnen, en voorkomt dat de partner het strategische denken overneemt. Kostenstructuur: circa €120.000 per jaar voor de lead + €100.000-€200.000 projectbudget = significant lager dan een volledig in-house team (€320.000+) terwijl je wel regie houdt. Valkuil: zonder die ene interne persoon ontstaat vendor-lock-in, want de partner wordt dan ook strategisch adviseur én leverancier — dubbele rol met conflict of interest. Ons advies is consequent: schaf altijd eerst de interne AI-lead aan voordat je structureel uitbesteedt, ook als het verleidelijk lijkt om die kostenpost uit te stellen.

UWV meldt in Q4 2025 bijna 18.800 openstaande ICT-vacatures en een verhouding van gemiddeld acht vacatures per werkzoekende digitale professional met minder dan zes maanden werkloosheidsduur. 34 van de 35 arbeidsmarktregio's zijn krap tot zeer krap. CBS documenteert wel een verdubbeling van het aantal ICT-beroepsbeoefenaren van 282.000 in 2013 naar 562.000 in 2025, maar de vraag groeit sneller dan het aanbod, vooral in AI-niches (machine learning, MLOps, AI-security). Gevolg voor werving: 3-6 maanden per senior profiel bij een actieve zoektocht. Salarissen volgens Knab 2026 en Indeed-aggregaten: AI-specialist zzp €120/uur, data scientist loondienst €68.000-€112.000 per jaar, ML engineer mediaan €75.000. Amsterdam en Utrecht liggen ongeveer 10-20% boven landelijk gemiddelde. Voor MKB buiten de Randstad is remote-first aanbieden vaak noodzakelijk om mee te kunnen in deze markt.

Dit is een veelgebruikte en verstandige strategie, mits van dag één voorbereid. Aanbevolen aanpak: (1) bij het selectiemoment van de partner, neem een kennisoverdracht-clausule op die verplicht dat de partner na 12 of 24 maanden een gestructureerde handover doet met codebase, documentatie, training-procedures en runbooks, (2) investeer vanaf maand 6 in een interne AI-lead die parallel meeloopt met de partner — deze persoon wordt later de core van het in-house team, (3) bewaak IP-bepalingen strak zodat bij transitie alle modellen en data overdraagbaar zijn, (4) plan de transitie op een project-grens zodat er geen halffabrikaten overgaan, en (5) bereken de break-even: typisch ligt die bij 120-180 actieve AI-ontwikkelingsuren per maand — daarboven wordt een vast team financieel aantrekkelijker dan uurtarief. McKinsey's scaling-gap data ondersteunt deze gefaseerde aanpak: organisaties die workflow-redesign toepassen landen in de 6%-kopgroep, en die redesign-competentie is lastig extern te houden op lange termijn.