AI zelf bouwen of extern inkopen? Waarom inkopen voor advieskantoren meestal slimmer is

AI zelf bouwen of extern inkopen is voor veel advieskantoren geen technische detailvraag, maar een strategische keuze. Voor de meeste organisaties in advies en financiële dienstverlening is extern inkopen in de praktijk de verstandigste route: sneller resultaat, minder uitvoeringsrisico en betere aansluiting op beperkte IT-capaciteit.

Op de schitterende golfbaan The Dutch werd vorige week uitgebreid gesproken over de implementatie van AI bij verzekeraars, advieskantoren en adviesketens. Het centrale thema was de vraag: zelf bouwen of extern inkopen. De meningen liepen sterk uiteen. Sommige deelnemers waren overtuigd dat je AI alleen strategisch kunt inzetten wanneer je het zelf ontwikkelt. Anderen vonden juist dat inkopen de enige praktische route is om vooruitgang te boeken.

Voor advieskantoren is het nuttiger om de vraag zakelijk te formuleren: welke route levert de meeste controle, snelheid en compliance op tegen acceptabele complexiteit?

In het kort

Voor de meeste advieskantoren is extern inkopen in de praktijk de verstandigere route. Dat komt meestal neer op vijf punten:

• zelfbouw vraagt specialistische AI-kennis, governance en doorlopende capaciteit
• inkopen levert sneller resultaat op zonder lang ontwikkeltraject
• compliance, documentatie en monitoring zijn bij gespecialiseerde leveranciers vaak beter ingericht
• maatwerk is tegenwoordig ook via moderne AI-platformen en integraties goed mogelijk
• de echte succesfactor is meestal niet alleen technologie, maar adoptie in de dagelijkse praktijk

Zelf bouwen is vooral logisch voor zeer grote organisaties met volwassen IT-teams, veel interne systemen en een duidelijke noodzaak om AI diep in het eigen operating model te verankeren.

Waarom zelfbouw aantrekkelijk lijkt

Bij grote financiële instellingen wordt AI steeds vaker gezien als een kernonderdeel van het toekomstige verdienmodel. Uit onderzoek van De Nederlandsche Bank (DNB) blijkt dat alle verzekeraars in de hoogste impactklasse AI als strategisch belangrijk beschouwen voor de korte termijn (bron). Dat maakt het begrijpelijk dat sommige organisaties AI graag zelf willen bouwen.

Daarnaast speelt de behoefte aan maximale controle over data en algoritmen een grote rol. De AFM en DNB benadrukken in hun gezamenlijke rapport het belang van onder meer datakwaliteit, uitlegbaarheid en biasbeheersing in het toezicht op AI in de financiële sector (bron). Zelf bouwen lijkt dan een manier om deze risico’s volledig in eigen hand te houden.

Een ander argument is maatwerk. Grote verzekeraars ontwikkelen veel AI-toepassingen intern, wat laat zien dat zij maatwerk als concurrentievoordeel zien. Ook voor advieskantoren klinkt het aantrekkelijk om systemen precies aan te passen op de eigen processen.

Tot slot is er de aanname dat interne IT-teams AI in theorie zelf zouden kunnen bouwen. Bij middelgrote en grote organisaties is er vaker capaciteit gereserveerd om AI-projecten intern op te zetten, maar de vraag blijft natuurlijk wel of zij in staat zijn om de echte AI-specialisten aan zich te binden.

Deze argumenten zijn valide, maar passen eigenlijk alleen bij de hele grote instellingen. Zelfbouw rendeert alleen als AI kan worden gekoppeld aan tientallen interne systemen, zoals actuariële modellen, risicoberekeningen en Product Oversight & Governance. Daarnaast beschikken grote organisaties over complete AI-teams, uitgebreide model governance en verplichtingen richting DNB en AFM die intern bouwen noodzakelijk maken. Voor advieskantoren ziet de realiteit er anders uit.

Waarom zelfbouw voor advieskantoren meestal niet wenselijk is

Uit onderzoek naar AI-adoptie blijkt dat veel Nederlandse bedrijven moeite hebben met het opbouwen van interne expertise. 22 procent noemt gebrek aan AI-kennis een van de grootste obstakels (bron). Voor advieskantoren geldt dit vaak nog sterker door beperkte IT-teams en hoge operationele druk.

Daarnaast toont onderzoek aan dat 57 procent van de Nederlandse bedrijven nog geen enkele AI-toepassing gebruikt (bron). Vooral kleinere en middelgrote organisaties blijven achter omdat middelen, tijd en specialistische kennis ontbreken. Dit is relevant, want veel advieskantoren en adviseursketens opereren qua IT-capaciteit feitelijk op MKB-niveau.

Daar komt bij dat privacy, ethiek en compliance voor bijna 30 procent van de bedrijven de grootste uitdaging vormen (bron). Met de komst van de EU AI Act zullen de eisen nog verder toenemen. Dit maakt zelfstandig ontwikkelen complex en risicovol.

Kort gezegd: de argumenten voor zelfbouw zijn begrijpelijk, maar passen vooral bij organisaties met grote IT-teams, volwassen governance en ruime innovatiebudgetten. De meeste advieskantoren vallen daar niet onder.

Voor deze doelgroep ligt de echte bottleneck zelden in ambitie, maar in uitvoerbaarheid. AI succesvol inzetten vraagt niet alleen een model, maar ook beleid, monitoring, dataprocessen, leveranciersafspraken, security en een werkbare implementatie voor de business. Juist daar ontsporen interne AI-projecten vaak.

De voordelen van extern inkopen

Voor advieskantoren sluiten de voordelen van inkopen veel beter aan op de praktijk.

Sneller resultaat

MKB-bedrijven wordt aangeraden om laagdrempelig te starten met AI. Inkoop maakt directe implementatie mogelijk, zonder lange ontwikkeltrajecten.

Geen zware investering vooraf

Uit onderzoek blijkt dat veel bedrijven nog in de verkennende of experimentele fase zitten. Met inkoop kan een kantoor testen, opschalen of stoppen zonder grote financiële risico’s.

Specialistische expertise beschikbaar

Interne IT-teams missen vaak de diepte die voor AI nodig is. Externe aanbieders hebben juist gespecialiseerde kennis en bouwen continu door.

Compliance beter geborgd

Omdat leveranciers hun AI-oplossingen breed inzetten, zijn processen voor datakwaliteit, monitoring en documentatie vaak beter ingericht dan bij kleine interne teams. Juist voor organisaties die een leverancier kritisch willen beoordelen, is het verstandig om vooraf te toetsen welke governance, documentatie en beveiligingsmaatregelen aantoonbaar aanwezig zijn. Een praktische eerste stap is om altijd te vragen naar zaken als dataresidentie, audit logging, modelgebruik en documentatie voor compliance en IT. Op dat vlak helpt een goede Trust Center-aanpak om leveranciers structureel te beoordelen.

Maatwerk blijft mogelijk

Moderne AI-platformen bieden ruime configuratiemogelijkheden. Denk aan integraties met bestaande adviessoftware, instelbare outputs en modelconfiguratie. De gedachte dat maatwerk alleen via zelfbouw kan, klopt dus niet meer.

De nadelen van inkopen zijn kleiner dan gedacht

Natuurlijk zijn er bezwaren tegen inkopen, maar de belangrijkste zijn goed op te lossen.

Het argument dat een organisatie afhankelijk wordt van een leverancier is herkenbaar, maar in de praktijk minder problematisch. De afhankelijkheid van één of twee interne AI-experts is vaak groter en riskanter.

Het bezwaar dat data niet gedeeld zou mogen worden, is evenmin doorslaggevend. Veel leveranciers bieden veilige, afgeschermde omgevingen, lokale hosting of verwerking zonder dat data wordt gebruikt voor modeltraining.

Met andere woorden: deze nadelen zijn beheersbaar en wegen nauwelijks op tegen de voordelen.

Wanneer is zelf bouwen wél logisch?

Zelf bouwen kan wel degelijk logisch zijn, maar meestal alleen als meerdere voorwaarden tegelijk gelden:

• u heeft een groot intern IT- en datateam met AI-specialisten
• AI moet diep integreren met veel interne systemen en processen
• governance, modelbeheer en validatie zijn al volwassen ingericht
• de businesscase rechtvaardigt een langdurig ontwikkeltraject
• u wilt onderscheid maken op technologie die echt bedrijfskritisch is

Voor veel advieskantoren is dat simpelweg niet de uitgangspositie. Dan is het zakelijker om eerst resultaat te boeken met een leverancier en pas later te beoordelen welke onderdelen eventueel intern ontwikkeld moeten worden.

De echte succesfactor is niet alleen technologie, maar adoptie

De keuze tussen zelf bouwen en extern inkopen wordt vaak benaderd als een klassieke IT-beslissing. Maar voor advieskantoren ligt de echte succesfactor meestal ergens anders: adoptie, verandering in werkwijze en uiteindelijk meetbaar bedrijfsresultaat.

Met andere woorden: een make-or-buy-besluit zegt nog weinig over de vraag of AI echt gebruikt gaat worden in de dagelijkse praktijk. Een organisatie kan technisch gezien een goede oplossing kiezen, maar alsnog weinig waarde realiseren als medewerkers niet begrijpen wanneer, hoe en waarvoor zij AI moeten inzetten.

Daarom is change management in veel gevallen belangrijker dan de vraag of een oplossing intern is ontwikkeld of extern is ingekocht. De organisaties die het meeste rendement uit AI halen, zijn meestal niet de organisaties met de meeste modellen, maar de organisaties die medewerkers helpen om AI op een praktische, veilige en herhaalbare manier onderdeel te maken van hun werk.

Voor advieskantoren betekent dit dat de ambitie breder moet zijn dan alleen een tool selecteren. Het echte doel is om stap voor stap een meer AI-native organisatie te worden: een kantoor waarin medewerkers begrijpen hoe zij AI kunnen benutten, waar de grenzen liggen, hoe outputs beoordeeld moeten worden en hoe AI bijdraagt aan betere klantbediening, efficiëntere operatie en sterkere compliance.

Dat vraagt om meer dan technologie alleen:

• duidelijke spelregels voor gebruik en beoordeling
• training in wanneer AI wel en niet ingezet moet worden
• werkprocessen waarin review en verantwoordelijkheid helder blijven
• management dat stuurt op adoptie en resultaat, niet alleen op implementatie
• een eerste use case die concreet genoeg is om gedrag in de organisatie echt te veranderen

Juist daarom is extern inkopen voor veel advieskantoren aantrekkelijk. Niet omdat technologie uitbesteden altijd beter is, maar omdat een goede leverancier ook kan helpen om sneller tot werkende adoptie te komen. Dan wordt AI geen los experiment van IT, maar een gecontroleerde verandering in hoe het kantoor werkt.

Checklist: wat moet een advieskantoor aan een AI-leverancier vragen?

Voordat u extern inkoopt, is het verstandig om deze vragen expliciet te maken:

• Waar wordt data opgeslagen en verwerkt?
• Wordt klantdata gebruikt voor modeltraining of productverbetering?
• Welke logging, documentatie en auditmogelijkheden zijn beschikbaar?
• Hoe worden outputs beoordeeld voordat ze definitief worden?
• Welke integraties of configuratiemogelijkheden zijn er voor uw bestaande processen?
• Hoe voorkomt u te grote afhankelijkheid van één leverancier?
• Welke security- en compliance-documentatie kan de leverancier direct delen?

Als u AI vooral inzet om administratieve druk, dossiervorming en opvolging te verbeteren, is het logisch om ook te kijken naar concrete productroutes in plaats van alleen naar theorie. Voor dat soort use cases kan een oplossing als MeetingWise helpen om sneller te beoordelen wat praktisch haalbaar is.

De logische conclusie voor advieskantoren

De kernvraag is niet of een organisatie AI zelf zou kunnen bouwen. De echte vraag is of dit bijdraagt aan de bedrijfsdoelen van een advieskantoor.

AI vereist specialistische kennis, complexe processen en voortdurende aandacht voor risico’s en regelgeving. Advieskantoren richten zich op klantadvies, operationele efficiëntie en compliance. AI is een middel om daarin te excelleren, geen doel op zich.

De belangrijkste voordelen van zelfbouw, zoals maatwerk en strategische inzet, zijn tegenwoordig ook via inkoop bereikbaar. De grootste nadelen van zelfbouw, zoals risico, kosten en expertisegebrek, zijn dat niet.

Uiteindelijk is het voor advieskantoren vooral verstandig om hun eigen bezwaren helder op een rij te zetten en deze één voor één te bespreken met hun potentiële AI-leverancier. Veel van de genoemde zorgen, zoals dataveiligheid, afhankelijkheid of de behoefte aan maatwerk, blijken namelijk uitstekend oplosbaar zodra de juiste garanties worden gegeven. Als een leverancier kan aantonen dat deze risico’s goed afgedekt zijn, ontstaat een vrijwel ideale situatie: de organisatie profiteert direct van snelle implementatie, minder complexiteit en eerder resultaat, terwijl zij tegelijkertijd alle ruimte houdt om later alsnog specifieke onderdelen zelf te ontwikkelen.

Inkoop wordt zo geen eindstation, maar een flexibel startpunt dat zowel snelheid als strategische vrijheid mogelijk maakt.

Wie de businesscase concreet wil maken, doet er daarnaast goed aan om niet alleen naar technische mogelijkheden te kijken, maar ook naar operationele impact en adoptie. Wat levert tijdswinst, consistentere dossiervorming en betere opvolging financieel op? En nog belangrijker: wat is nodig om medewerkers AI echt goed te laten gebruiken? Dat soort vragen kunt u concreet doorrekenen via de ROI-calculator. En als u wilt toetsen hoe een gecontroleerde AI-uitrol er in de praktijk uit kan zien, is een demo- of pilotgesprek vaak een betere volgende stap dan een theoretische discussie over zelfbouw.

Veelgestelde vragen

Bronnen

• Financial Investigator: DNB: Nieuwste inzichten over verzekeraars en AI
• Info Support: Onderzoek AI-adoptie: 2 op de 3 bedrijven in Nederland mist kader voor ethisch AI-gebruik
• De Nederlandsche Bank: AFM en DNB publiceren rapport over de impact van AI in de financiële sector en het toezicht daarop