AI-washing: hoe je als MKB onderscheid maakt tussen hype en waarde

Je leverancier van boekhoudsoftware stuurt een mail: “Nu met AI-powered inzichten!” Je CRM-partij heeft ineens een “AI-assistent” erbij. De hosting-partij biedt “AI-geoptimaliseerde servers” aan. En op LinkedIn zie je elke dag drie posts over hoe AI alles gaat veranderen. Maar verandert er echt iets onder de motorkap? Of verandert alleen de marketing?

Als MKB-ondernemer word je bestookt met AI-beloftes. Iedereen plakt “AI” op zijn product, vaak zonder dat er iets wezenlijks veranderd is. Dit fenomeen heet AI-washing, en het kost je geld, tijd en vertrouwen. In deze post leer je het herkennen, de juiste vragen stellen en onderscheid maken tussen echte waarde en marketinglucht.

Wat is AI-washing precies?

AI-washing is het overdrijven of volledig verzinnen van de rol van kunstmatige intelligentie in een product of dienst. De term is bewust gekozen als parallel met greenwashing, waarbij bedrijven zich groener voordoen dan ze zijn. Bij AI-washing doen ze zich slimmer voor dan ze zijn.

Het Algemeen Nederlands Woordenboek nam de term in 2024 op. De Amerikaanse beurswaakhond SEC legde in maart 2024 de eerste boetes op voor AI-washing: beleggingsadviseurs Delphia ($225.000) en Global Predictions ($175.000) hadden hun AI-capaciteiten volledig verzonnen. Sindsdien zijn er twaalf van dit soort zaken geweest. AI-washing is niet alleen irritant, het is inmiddels strafbaar.

En het is wijdverbreid. Een onderzoek van MMC Ventures uit 2019 toonde aan dat 40% van de Europese “AI-startups” helemaal geen AI gebruikte in hun kernproduct. Die startups haalden wel 15 tot 50% meer investeringskapitaal op dan vergelijkbare bedrijven zonder het AI-label. Het loont dus om “AI” op je product te plakken, ook als er niets achter zit.

Drie beruchte voorbeelden van AI-washing

De voorbeelden zijn niet beperkt tot obscure startups. Enkele van de bekendste techbedrijven ter wereld zijn betrapt.

Amazon’s “Just Walk Out”: 1.000 mensen in India

Amazon lanceerde “Just Walk Out”-supermarkten waar je zonder kassa naar buiten kon lopen. De technologie zou volledig op AI draaien: camera’s, sensoren en machine learning. In 2024 bleek dat meer dan 1.000 werknemers in India handmatig de beeldopnames controleerden. Bij 70% van de transacties was menselijke verificatie nodig. Amazon schrapte het systeem kort daarna.

Builder.ai: $450 miljoen opgehaald, nul AI

Builder.ai (voorheen Engineer.ai) beloofde dat hun AI-assistent “Natasha” automatisch apps kon bouwen op basis van natuurlijke taal. Investeerders, waaronder Microsoft, staken er meer dan $450 miljoen in. De werkelijkheid? Honderden developers in India, Vietnam en Roemenië schreven de code handmatig achter een chatbot-interface. Het bedrijf ging in mei 2025 failliet. De oprichter wordt nu vervolgd voor fraude.

Nate: “AI-shopping” was een callcenter op de Filipijnen

De shopping-app Nate beloofde dat AI automatisch online aankopen voor je kon afhandelen. CEO Albert Saniger haalde $42 miljoen op bij investeerders. Achter de schermen werkten honderden “purchasing assistants” in een callcenter op de Filipijnen die de bestellingen handmatig plaatsten. In april 2025 werd Saniger aangeklaagd door de SEC en het FBI voor fraude.

Dit zijn extreme gevallen. Maar het patroon is herkenbaar op kleinere schaal: een bestaand product krijgt het label “AI-powered” zonder dat er fundamenteel iets verandert.

AI-washing in het MKB: hoe het er in de praktijk uitziet

De voorbeelden hierboven zijn spectaculair, maar als MKB-ondernemer heb je vaker te maken met subtielere varianten. Herkenbaar?

• Je boekhoudsoftware noemt zichzelf “AI-powered” omdat er een ChatGPT-achtige chatbot in zit waarmee je vragen kunt stellen. De kernfunctionaliteit is onveranderd.
• Je CRM heeft nu “AI-voorspellingen” over welke leads het meest kansrijk zijn. In werkelijkheid sorteert het systeem op recente activiteit en noemt dat een “AI-score”.
• Een marketingbureau biedt “AI-gegenereerde content” aan voor €2.000 per maand. Ze gebruiken ChatGPT en kopiëren de output naar je website zonder menselijke redactie of strategie.
• Een SaaS-tool verhoogt de prijs met 30% vanwege “nieuwe AI-features” die bestaan uit een samenvatfunctie die je nooit gebruikt.
• Een softwareleverancier biedt een “AI-oplossing” aan die in werkelijkheid een reeks if/then-regels is. Geen machine learning, geen trainingsdata, geen model. Gewoon bedrijfslogica met een AI-sticker.

De kosten van dit soort beslissingen zijn niet dramatisch per stuk. Een SaaS-tool die €150 per maand duurder is vanwege “AI”, dat is €1.800 per jaar. Maar tel drie of vier van die tools bij elkaar op, voeg een mislukt AI-project van €15.000 tot €30.000 toe, en je zit al snel op €20.000 tot €40.000 aan verspild budget. Geld dat je had kunnen besteden aan iets dat daadwerkelijk waarde toevoegt.

Waarom AI-washing nu zo wijdverbreid is

De oorzaak is simpel: het AI-label verkoopt. Bedrijven die “AI” in hun productbeschrijving opnemen, halen structureel meer investering op en kunnen hogere prijzen vragen. Dat werkt in elk segment, van SaaS-tools tot consultancybureaus.

Daar komt bij dat de term “AI” breed genoeg is om bijna alles te claimen. Een simpele zoekfunctie? “AI-powered search.” Een standaard aanbevelingsalgoritme? “AI-driven personalization.” Een Excel-macro die data sorteert? “AI-analytics.” Er is geen wettelijke definitie die dit verbiedt, al komt de EU AI Act daar vanaf augustus 2026 deels verandering in.

Ondertussen zijn de cijfers over AI-adoptie verwarrend. CBS meldt dat 22,7% van de Nederlandse bedrijven AI gebruikt. Andere onderzoeken spreken van 67% tot 74%. Het verschil? De definitie van “AI gebruiken”. Als je ChatGPT opent om een e-mail te herformuleren, gebruik je AI. Maar dat is iets heel anders dan een AI-model dat getraind is op jouw bedrijfsdata en geintegreerd is in je werkprocessen.

5 vragen om AI-washing te herkennen

Dit zijn de vragen die je moet stellen aan elke leverancier, partner of tool die “AI” claimt. Niet om ze te ontmaskeren, maar om te begrijpen wat je koopt.

1. Welk probleem lost de AI op dat voorheen niet opgelost was?

De belangrijkste vraag. Als het antwoord neerkomt op “hetzelfde als voorheen, maar nu met AI”, dan is het waarschijnlijk AI-washing. Echte AI-waarde zit in dingen die voorheen niet konden: patronen herkennen in grote datasets, ongestructureerde data verwerken (zoals facturen of e-mails classificeren), of voorspellingen doen op basis van historische data.

Rode vlag: “We hebben AI toegevoegd aan onze bestaande features.” Zonder uitleg welke features en wat er concreet veranderd is.

2. Welk model of welke technologie zit erachter?

Je hoeft geen AI-expert te zijn om dit te vragen. Een eerlijke leverancier kan in begrijpelijke taal uitleggen wat de technologie doet. Gebruiken ze een bestaand taalmodel (zoals GPT of Claude)? Een eigen getraind model? Of gewoon bedrijfslogica met het label “AI”?

Rode vlag: Vage antwoorden als “onze geavanceerde AI-engine” of “proprietary AI technology” zonder verdere uitleg.

3. Leert het systeem van mijn data, of is het statisch?

Echte AI wordt beter naarmate het meer data verwerkt. Het leert patronen, past zich aan en verbetert over tijd. Een systeem dat altijd dezelfde output geeft ongeacht de input is geen AI. Dat is een beslisboom of een set regels.

Rode vlag: “Het werkt direct, geen training nodig.” Dat kan kloppen voor generieke AI-tools (zoals een chatbot op basis van een taalmodel). Maar als een leverancier belooft dat hun AI specifiek voor jouw branche of bedrijf werkt zonder enige configuratie of data, is dat verdacht.

4. Wat verandert er als ik de “AI-feature” uitzet?

Vraag dit letterlijk. Als het antwoord is “eigenlijk niet zoveel”, dan weet je genoeg. Bij een product waar AI echt waarde toevoegt, is het verschil merkbaar. Denk aan: documentverwerking die van uren naar minuten gaat, of klantvragen die automatisch gecategoriseerd worden in plaats van handmatig.

Rode vlag: De leverancier kan niet concreet benoemen wat er verandert zonder de AI-feature.

5. Zijn er klanten die meetbare resultaten kunnen delen?

Niet testimonials als “geweldig product!”, maar concrete cijfers. Hoeveel tijd bespaart het? Hoeveel fouten vermindert het? Wat is de ROI? Een leverancier die geen enkele klant kan noemen met meetbare resultaten verkoopt een belofte, geen product.

Rode vlag: Alleen demo’s en prototypes. Geen productie-implementaties bij echte klanten.

Echte AI-waarde vs. nep-AI: een vergelijking

Om het verschil concreter te maken, hier een overzicht van situaties die je als MKB-ondernemer kunt tegenkomen.

Situatie	Nep-AI (AI-washing)	Echte AI-waarde
E-mailverwerking	Een chatbot die standaardantwoorden geeft op basis van zoekwoorden	Een model dat inkomende e-mails classificeert, prioriteert en de juiste medewerker toewijst op basis van inhoud en urgentie
Facturatie	“AI-powered invoicing” dat neerkomt op een sjabloon met automatische nummering	OCR en NLP die facturen van verschillende leveranciers automatisch uitlezen, matchen met inkooporders en afwijkingen signaleren
Klantenservice	Een FAQ-bot die alleen werkt als de klant exact de juiste zoekterm gebruikt	Een conversational AI die klantvragen begrijpt in context, relevante antwoorden geeft en complexe vragen doorschakelt naar een medewerker
Voorraad-beheer	Een dashboardje dat je huidige voorraad toont en “AI analytics” noemt	Een voorspellend model dat op basis van seizoenspatronen, levertijden en verkoopdata automatisch bestelvoorstellen genereert
Marketing	Een tool die “AI-gegenereerde” social media posts maakt (onbewerkte ChatGPT-output)	Analyse van klantgedrag over meerdere kanalen die segmentatie en timing optimaliseert op basis van conversiedata

Het patroon is duidelijk. Echte AI leert, past zich aan en verwerkt complexiteit die handmatig niet haalbaar is. Nep-AI is bestaande functionaliteit met een nieuw label. Wil je beter begrijpen welke AI-automatiseringen daadwerkelijk werken voor MKB? Daar schreef ik eerder uitgebreid over.

Wil je weten of AI echt iets voor jouw bedrijf kan betekenen?

De AI Kansenscan geeft je binnen 8 minuten eerlijk inzicht. Geen verkooppraatje, maar een objectieve analyse van waar AI waarde toevoegt in jouw specifieke situatie, en waar niet.

Wanneer AI wel zinvol is voor je bedrijf

Na al die waarschuwingen is het belangrijk om eerlijk te zijn: AI kan enorme waarde leveren voor MKB-bedrijven. Maar alleen als je het op de juiste manier inzet. Volgens CBS gebruikt inmiddels een op de zes Nederlandse bedrijven AI, en dat aantal verdubbelt snel. Het verschil tussen bedrijven die er waarde uit halen en bedrijven die teleurgesteld raken, zit in de aanpak.

AI is zinvol als je aan deze voorwaarden voldoet:

• Je hebt een concreet, afgebakend probleem. Niet “we willen iets met AI”, maar “we verwerken 200 facturen per week handmatig en dat kost ons 15 uur.”
• Je hebt data. AI zonder data is een motor zonder brandstof. Je hebt historische data nodig om patronen in te herkennen, of documenten om te verwerken, of klantinteracties om van te leren.
• Het handmatige alternatief is duur of foutgevoelig. Als een proces 2 minuten per dag kost, is AI-automatisering overkill. Als het 2 uur per dag kost met regelmatig fouten, wordt het interessant.
• Je bent bereid om te testen en bij te sturen. AI-implementatie is geen eenmalige installatie. Het is een proces van testen, meten en verbeteren. De eerste versie is zelden de definitieve.

Hier is een eerlijk cijfer dat je bijna nergens leest: volgens MIT-onderzoek uit 2025 mislukt 95% van de generatieve AI-pilotprojecten in bedrijven. Niet omdat de technologie niet werkt, maar omdat bedrijven starten zonder duidelijk probleem, zonder goede data, of zonder realistische verwachtingen. S&P Global bevestigt dit: 42% van de bedrijven heeft in 2025 de meeste van hun AI-initiatieven gestopt voordat ze in productie gingen.

Die cijfers zijn geen reden om AI te vermijden. Ze zijn reden om het goed te doen. En “goed” begint met het herkennen van AI-washing, zodat je je budget besteedt aan oplossingen die werken. Wil je weten hoe je AI wel goed aanpakt? Lees het praktische stappenplan voor AI-implementatie in het MKB.

De kosten van slechte AI-keuzes

Laten we concreet zijn over wat het kost als je in AI-washing trapt.

Scenario	Kosten	Wat je kwijt bent
SaaS-tool met “AI-toeslag” die je niet gebruikt	€50-500/maand	€600-6.000 per jaar aan een feature die niets doet
AI-consultancytraject zonder concreet resultaat	€10.000-30.000	Rapport vol aanbevelingen, nul werkende software
Custom “AI-oplossing” van een bureau dat het label misbruikt	€15.000-60.000	Software die niet leert, niet schaalt en eigenlijk een dashboard is
Interne tijd besteed aan AI-evaluatie en implementatie	100-300 uur	Maanden vertraging op projecten die wel prioriteit hadden

De directe kosten zijn al vervelend. Maar de indirecte kosten zijn vaak groter. Een mislukt AI-project zorgt voor wantrouwen binnen je organisatie. De volgende keer dat iemand een (dit keer legitieme) AI-oplossing voorstelt, is de reactie: “Dat hebben we al geprobeerd, werkte niet.” Dat wantrouwen kan je jaren terugwerpen.

Dit geldt trouwens ook voor no-code tools die meer beloven dan ze waarmaken. Het patroon is hetzelfde: technologie kopen op basis van marketingbeloftes in plaats van op basis van je werkelijke behoefte.

Zo bescherm je jezelf tegen AI-washing

Naast de vijf vragen hierboven, zijn er een paar praktische richtlijnen die je kunt volgen.

Begin bij je probleem, niet bij de technologie

De volgorde maakt alles uit. “We willen AI inzetten” is een recept voor teleurstelling. “We willen onze offertes 50% sneller uitbrengen” is een startpunt waar je iets mee kunt. Misschien is AI het antwoord. Misschien is het een beter proces. Misschien is het een simpele low-code oplossing of AI-coding die in twee weken klaar is.

Vraag om een proof of concept met jouw data

Elke serieuze AI-leverancier kan een kleine test doen met jouw eigen data. Geen generieke demo met perfecte voorbeelddata, maar een test met de rommelige, onvolledige data die elk bedrijf in de praktijk heeft. Als de leverancier dat weigert of niet kan, is dat een signaal.

Controleer of er technische expertise in het team zit

Een bedrijf dat AI verkoopt moet mensen in dienst hebben die AI begrijpen. Niet alleen verkopers die het kunnen pitchen, maar engineers die het kunnen bouwen. Vraag gerust naar de achtergrond van het team dat jouw oplossing gaat implementeren. Hebben ze ervaring met machine learning? Of zijn het generieke developers die een API-koppeling met ChatGPT maken?

Let op de EU AI Act

Vanaf augustus 2026 gelden strengere regels voor AI-toepassingen in Europa. Misleidende claims over AI-capaciteiten kunnen boetes opleveren tot €7,5 miljoen of 1% van de jaaromzet. Dit betekent dat leveranciers voorzichtiger worden met hun claims, wat goed nieuws is voor afnemers. Maar het betekent ook dat je als bedrijf zelf moet weten wat je koopt, want de verantwoordelijkheid voor het inzetten van AI-systemen ligt deels bij de gebruiker.

Waarom ik dit schrijf (en waarom dat relevant is)

Je zou kunnen denken: waarschuwt iemand die zelf AI-oplossingen bouwt niet tegen zijn eigen markt? Ja en nee.

Ik bouw custom AI-oplossingen voor MKB-bedrijven. Ik weet hoe een werkend AI-model eruitziet, wat het kost om te bouwen (realistisch: €5.000 tot €60.000, afhankelijk van complexiteit), en wanneer het de investering waard is. Maar ik verkoop geen AI-product. Ik heb geen belang bij het in stand houden van de hype. Als AI niet de juiste oplossing is voor jouw situatie, zeg ik dat. Soms is een goede integratie tussen bestaande systemen meer waard dan het nieuwste AI-model.

Die onafhankelijkheid maakt het makkelijker om eerlijk te zijn. En eerlijkheid is precies wat soms ontbreekt in AI-gesprekken. Wil je begrijpen hoe zo’n onafhankelijke technische rol eruitziet? Lees meer over wat een fractional CTO doet en wat het kost.

Samenvatting: je AI-washing checklist

Bewaar dit lijstje voor de volgende keer dat iemand je iets met “AI” probeert te verkopen.

• Vraag welk probleem de AI oplost dat voorheen niet opgelost was
• Vraag naar de technologie erachter (model, data, architectuur)
• Vraag of het systeem leert van jouw data of statisch is
• Vraag wat er verandert als je de AI-feature uitzet
• Vraag naar meetbare klantresultaten (niet testimonials, maar cijfers)
• Test met jouw eigen data voordat je tekent
• Begin bij je probleem, niet bij de technologie
• Bereken de kosten van niets doen vs. de kosten van de verkeerde AI-keuze

De AI-golf is echt. De waarde die AI kan leveren is echt. Maar een groot deel van wat nu als “AI” verkocht wordt, is marketing. Als MKB-ondernemer is je beste bescherming niet meer kennis over AI zelf, maar betere vragen aan de partijen die het verkopen.

Volgende stap

Wil je sparren over een concrete AI-vraag voor jouw bedrijf? Of twijfel je of een leverancier je het echte verhaal vertelt? Plan een vrijblijvend gesprek. Geen verkooppraatje, geen verplichtingen. Gewoon een eerlijk antwoord van iemand die het zelf bouwt.