AI voor MSP's: waarom enthousiasme zonder proces geld verbrandt

AI voor MSP's voelt op dit moment als een handleiding die dagelijks wordt herschreven. Elke ochtend een nieuwe pop-up, elke week een nieuwe demo, en aan het eind van het kwartaal de vraag: wat heeft dit ons nou echt opgeleverd? Iedereen praat erover. Weinig MSP-eigenaren durven hardop te zeggen dat ze nog geen euro extra marge zien. En dat is precies het gesprek dat we hier voeren, zonder podium-praat.

Waarom AI voor MSP's nu zoveel ruis oplevert

De ondernemer die dit leest kent het patroon. Je engineers komen terug van een vendor-conferentie en willen morgen de nieuwe copilot-functie uitrollen. Je security officer wil eerst uitzoeken hoe dat zich verhoudt tot de AVG en tot data die door OpenAI heen wandelt. En jij zit ertussenin, met een agenda vol calls en een management team dat alles tegelijk enthousiast maakt en afremt.

Tegelijk lees je dat NVIDIA miljarden in OpenAI stopt, dat OpenAI weer chips terugkoopt, dat AMD en Amazon meedoen in dezelfde carrousel. Het geld pompt rond in een hele kleine club van bedrijven. Dat maakt scherpe MSP-eigenaren voorzichtig zonder dat ze afhaken. De dotcom-bubbel zit nog vers genoeg in het geheugen om niet blind een creditcard te trekken voor de nieuwste tool.

Het onderzoek dat MIT twee maanden geleden publiceerde over AI-projecten in het bedrijfsleven bevestigt wat je zelf al voelt. Negen op de tien projecten halen de eindstreep niet. Niet omdat de techniek niet werkt, maar omdat het bedrijf eronder niet klaar was. En dat is precies waar de meeste MSP's op dit moment tegenaan lopen.

Wat wel werkt bij AI voor MSP's

Wat in de praktijk werkt is minder sexy dan de demo's op het podium. Het begint bij een simpele vraag: is je data lake schoon? Als je eigen processen en je eigen datakwaliteit niet op orde zijn, dan zet een AI-tool alleen maar een schijnwerper op de rotzooi. Je pakt je creditcard, koopt een tool, laat 'm los op je bronnen, en je krijgt zichtbare chaos terug in plaats van bruikbare output.

De MSP's die op dit moment wel resultaat halen, doen twee dingen anders. Ze bouwen niet zelf, en ze laten AI niet zelfstandig beslissen. Ze wachten tot hun PSA of RMM-vendor de functie oplevert, en ze zetten er een mens tussen op elk proces dat richting klant gaat.

Dat klinkt conservatief. Het is realistisch. Een MSP met zestig medewerkers kan niet opboksen tegen de ontwikkelcapaciteit van een platformleverancier die honderd engineers op dezelfde feature zet. Elke keer dat je iets slims zelf bouwt, staat het een jaar later in de standaard-applicatie, krachtiger, beter onderhouden, en zonder dat jij de bug-fixes moet doen.

Waar je wel zelf in investeert is de implementatie. Niet de tool, maar hoe je 'm inricht. De instructies, de klantcontext, de tone-of-voice richting eindgebruikers. Dat is geen secret sauce, dat is gewoon luisteren naar wat de klant wil. En de klant wil geen paarse, groene, blauwe rapporten die niemand snapt. Die belt je op omdat er iets stuk is.

Waar AI voor MSP's nu concreet geld oplevert

Het meest tastbare voorbeeld op dit moment zit in de service desk. Binnenkomende tickets door OpenAI laten lezen, categoriseren op prioriteit, teneur bepalen van de mailtekst, en op basis van de inhoud een concept-antwoord voorstellen aan de engineer. Dat is triage die vroeger een halve FTE kostte. Nu draait het in een workflow-tool op de achtergrond en pikt de engineer alleen nog de uitschieters eruit. Belangrijk detail: de engineer drukt op verzenden, niet het model. Zolang die mens ertussen zit, houd je de kwaliteit vast waar je klant een SLA op heeft afgesloten.

Van ruwe automatisering naar herkenning

Een tweede voorbeeld dat werkt: rapport-automatisering met Power Automate. Er komt output binnen uit een applicatie die je niet direct herkent, de klant wordt gematcht vanuit je PSA, er wordt een flow gestart, een ticket aangemaakt, alle vervolgcommunicatie wordt automatisch aan dezelfde thread gehangen. De klant krijgt binnen minuten reactie op iets waar vroeger een halve dag overheen ging. Niet omdat AI het antwoord genereerde, maar omdat AI de context herkende.

Aan de engineering-kant zie je waar de echte winst zit. Engineers die geen regels code meer schrijven, maar output van een model corrigeren. Dat scheelt geen 10 procent tijd, dat scheelt uren per week per engineer. En dat is het soort winst dat in je marge zichtbaar wordt, niet in een management-rapportage. Reken het maar eens door voor een team van twintig engineers: twee uur per week per persoon is veertig uur, oftewel een hele FTE die je terugkrijgt zonder een vacature open te zetten.

Waarom de meeste uitrollen alsnog stuklopen

Waar het bijna altijd misgaat: het plan-van-aanpak-verhaal. Directie toont trots een template dat AI in tien minuten vult. Twee weken later loop je een engineer tegen het lijf die nog steeds met drie vingers zijn eigen versie tikt. Het probleem is niet de tool, het probleem is dat niemand heeft afgesproken wie welk deel van het proces overneemt. Enthousiasme in de demo-fase is gratis. Adoptie in de dagelijkse routine kost leiderschap.

Daarom werkt geen enkele AI-uitrol zonder wat je intern een dromenkamer, een mogelijkhedenkamer en een beperkingenkamer zou kunnen noemen. Waar mag je fantaseren, waar toets je haalbaarheid, en waar zeg je hard nee. Zonder dat kader wordt elk MT-lid enthousiast over iets anders, en heeft niemand aan het eind van het kwartaal iets af. Zeker in een MSP met 40 tot 80 medewerkers is dat de belangrijkste rem die je zelf moet inbouwen.

Wat helpt is één eigenaar per workflow benoemen, met een kwartaaldoel dat je in euro's of uren kunt uitdrukken. Niet "we gaan AI inzetten voor rapportages", maar "we halen twee uur per week uit de rapportagestraat van klant X, gemeten in tickets die niet meer handmatig aangemaakt worden". Dat maakt het verschil tussen een innovatie-project dat sluipenderwijs verdampt en een verbetering die je in je P&L terugziet.

De MSP's die over twee jaar marge overhouden aan AI, zijn niet de MSP's die het snelst iedere tool aanzetten. Het zijn de MSP's die hun data op orde hebben, die meeliften op de vendor in plaats van er tegenop bouwen, en die een mens tussen model en klant durven te zetten. In de MSP Late Night performance club delen eigenaren elke maand welke workflows echt geld opleveren en welke experimenten stilletjes zijn afgeschoten. Aanschuiven scheelt je een jaar zelf uitzoeken.