AI consultant in healthcare: vier opties vergeleken

Wat je koopt als je een AI consultant in healthcare inhuurt

Een AI consultant in healthcare verkoopt zelden een model. Wat je koopt is iemand die snapt hoe een verwijzing door drie systemen loopt, wie er tekent voor de uitkomst, en waar de data staat waarvan de IT-afdeling zei dat die niet bestond. Het model is meestal het makkelijkste onderdeel. Wij zijn met z'n tweeën en bouwen alles zelf, dus we zien van dichtbij waar zorgprojecten stranden: bijna nooit op de techniek, bijna altijd op de aansluiting met wat er al draait.

Dat maakt de keuze voor een aanbieder belangrijker dan de keuze voor een technologie. Je kunt vier kanten op, en ze verschillen sterk in prijs, tempo en in wat er overblijft als de opdracht klaar is. Hieronder leggen we ze naast elkaar, met de criteria die in een zorgorganisatie daadwerkelijk het verschil maken.

Vier manieren om het te regelen

Het grote bureau. Je krijgt een team, een methodiek, een stuurgroep en een rapport. Voor een ziekenhuis met een meerjarige digitaliseringsagenda en een raad van bestuur die comfort nodig heeft, is dat verdedigbaar. Je betaalt voor de organisatie eromheen: accountmanagers, kwaliteitsreviews, juristen. De mensen die het werk doen zijn vaak junior, en na afloop vertrekt de kennis met het team.

De freelancer. Een goede zelfstandige is snel, direct en relatief goedkoop per uur. Je praat met de persoon die bouwt. Het risico is bekend: één agenda, één ziekmelding, en geen tweede paar ogen op een systeem dat medische data raakt. Voor een afgebakende opdracht van zes weken werkt het prima. Voor iets dat drie jaar in productie moet blijven, wil je weten wie het onderhoudt als die persoon aan een volgende klus begint.

Het kleine gespecialiseerde team. Twee tot vijf mensen die zelf bouwen, met genoeg overlap dat er altijd iemand is die het systeem kent. Dit is wat wij zijn, dus lees onze beschrijving met die wetenschap. Het voordeel is snelheid zonder single point of failure. De beperking is capaciteit: wij kunnen geen zeven werkstromen tegelijk draaien, en we zeggen dat liever vooraf dan halverwege.

Zelf iemand aannemen. Als AI de komende vijf jaar structureel deel uitmaakt van je zorgproces, is een vaste medewerker uiteindelijk goedkoper dan elk uurtarief. Het probleem is de eerste achttien maanden. Eén persoon in dienst zonder ervaren omgeving bouwt vaak iets dat werkt op de laptop en nergens anders. De combinatie die we het vaakst zien slagen: iemand in dienst voor de lange lijn, met een extern team dat de eerste twee systemen mee neerzet en daarna afbouwt.

De vijf punten waarop het in de zorg misgaat

Vergelijk aanbieders niet op hun deck, maar op deze vijf.

Toegang tot data. In een zorgorganisatie ligt de bruikbare data in het EPD, in labsystemen, in Excel-bestanden op een netwerkschijf en in de hoofden van vier mensen. Vraag elke partij hoe ze de eerste twee weken besteden. Als het antwoord geen datamapping bevat, weten ze niet waar ze aan beginnen.

Integratie met bestaande systemen. Een chatbot die los staat van het EPD verplaatst werk in plaats van dat het verdwijnt. De vraag is of de partij ooit een koppeling heeft gebouwd met een systeem waar ze de broncode niet van hebben. Dat is de echte vaardigheid.

Aansprakelijkheid en verantwoording. In de zorg neemt een mens de beslissing. Elk systeem dat je bouwt moet daarom laten zien waaróm het iets voorstelt, en het moet loggen wat het gezien heeft. Een leverancier die dit als extra feature aanbiedt in plaats van als uitgangspunt, heeft niet in deze sector gewerkt.

Onderhoud. Modellen veranderen, leveranciers veranderen hun API's, protocollen worden aangepast. Vraag wat er gebeurt in maand veertien. Wij spreken liever een klein doorlopend onderhoudsbudget af dan dat we doen alsof software af is.

Overdracht. Aan het eind moet iemand bij jou het kunnen aanpassen. Documentatie in gewoon Nederlands, geen exotische frameworks, en een half uur waarin iemand van jouw team het zelf een keer deployt. Als dat niet lukt, heb je geen systeem gekocht maar een abonnement.

Wat je zoekresultaten je wel en niet vertellen

De meeste mensen die dit uitzoeken beginnen bij Google, en de zoektermen zeggen iets over waar ze staan. Zoek je op AI consultant freelance, dan kom je uit bij individuen en platforms, en zie je tarieven die zonder context weinig betekenen. Zoek je op AI consultant Glassdoor, dan kijk je naar salarissen van mensen in loondienst bij grote bureaus, wat vooral nuttig is als je overweegt iemand aan te nemen in plaats van in te huren. Die twee getallen zijn niet vergelijkbaar: een uurtarief dekt ook leegloop, verzekering, gereedschap en de tijd die niemand factureert.

Regionaal zoeken doet ook veel mensen. Wie op AI consultant Groningen zoekt, wil meestal iemand die kan langskomen, en dat is een redelijker wens dan het klinkt. Voor het eerste datagesprek en de eerste demo aan de werkvloer helpt fysieke aanwezigheid enorm. Voor de bouw daarna maakt het bijna niets uit. Wij werken vanuit Nederland en plannen bewust een paar dagen op locatie in het begin, omdat je in een kantine in twintig minuten meer hoort over het echte proces dan in vier videocalls.

En dan de sectorvergelijking. In vacatures en profielen zie je AI consultant marketing, AI consultant insurance en AI consultant in healthcare vaak onder dezelfde functietitel staan, alsof het uitwisselbaar werk is. Dat is het niet. Iemand die bij een concern als Lufthansa aan operationele planning werkt, opereert met vaste roosters, meetbare vertragingen en een duidelijke kostenfunctie. Marketing heeft een korte feedbackloop en een lage prijs per fout: een slechte gepersonaliseerde e-mail kost je een uitschrijving. Bij verzekeraars zit het gewicht in claimafhandeling en fraudedetectie, met een auditspoor dat de toezichthouder kan lezen. Die laatste komt qua discipline het dichtst bij de zorg, en dat is precies waarom mensen met een achtergrond in insurance vaak sneller landen in een ziekenhuis dan mensen uit marketing.

Waarom de foutmarge in de zorg anders uitpakt

Het verschil zit in wat er gebeurt als het systeem het mis heeft. Een verkeerde productaanbeveling wordt genegeerd. Een verkeerde samenvatting van een consult komt in een dossier terecht en wordt door de volgende behandelaar gelezen als feit.

Daarom bouwen we in de zorg standaard drie dingen in die elders optioneel zijn. Het systeem toont altijd de bron waar het zijn antwoord vandaan haalt, zodat een arts in twee seconden kan controleren. Het weigert expliciet wanneer het onvoldoende zekerheid heeft, in plaats van een gemiddeld antwoord te produceren. En elke actie is terug te lezen, inclusief welke versie van welk model hem nam. Dat kost ongeveer een derde extra bouwtijd. Het is de reden dat zorgprojecten duurder lijken dan hetzelfde project in marketing, terwijl het exact hetzelfde model onder de motorkap is.

Het multi-agent verhaal, en waarom we er nu niet op bouwen

Je krijgt van veel aanbieders een variant van dit plaatje te horen: een netwerk van AI-agents dat je zorgproces overneemt. Eén agent doet de intake, één de planning, één de verzekeringskant, één de apotheek. Ze praten met elkaar en regelen het samen.

MIT Technology Review beschreef dat scenario eind juli 2026 in een artikel over de weg naar gedistribueerde superintelligentie. In hetzelfde stuk staat het cijfer dat je aan elke leverancier moet voorleggen: in een aangehaalde studie faalden zeven open source multi-agent systemen in 41 tot ongeveer 87 procent van de gevallen. Vijoy Pandey van Outshift by Cisco, geciteerd in dat artikel, zegt dat het probleem architectureel is en niet met betere prompts op te lossen. Zonder een coördinatielaag kan een naïeve opstelling met meerdere agents slechter presteren dan één agent.

Wij lezen dat als volgt. De losse onderdelen werken vandaag goed genoeg om productie te draaien. De samenwerking tussen die onderdelen is nog onderzoek, geen product. Dus bouwen we systemen waarin één agent één afgebakende taak doet, met een mens op het punt waar de taken elkaar raken. Dat is saaier dan het plaatje van vier samenwerkende agents, en het is wel het enige dat we met droge ogen in een zorgorganisatie neerzetten. Als een aanbieder je een agentnetwerk verkoopt voor patiëntcoördinatie, vraag dan om een systeem dat vandaag ergens draait en om de foutpercentages.

Wat het kost en waar dat geld heen gaat

We noemen geen tarieven van anderen, want die kennen we niet uit eerste hand. Wel kunnen we zeggen hoe de kostenstructuur eruitziet, en dat is bij elke aanbieder ongeveer gelijk.

Het grootste deel van een zorgproject gaat niet naar modelontwikkeling. Het gaat naar het begrijpen en ontsluiten van data, naar integratie, en naar de rondes waarin de eerste versie langs behandelaars gaat en blijkt dat het proces anders loopt dan het procesdocument zegt. Bij een groot bureau betaal je daarbovenop de overhead van het bureau. Bij een freelancer betaal je die niet, maar draag je het continuïteitsrisico zelf. Bij een klein team zit je ertussenin.

De kostenpost die mensen structureel vergeten is beheer. Een systeem dat in productie staat, kost elk jaar geld: modelupdates, veranderende koppelingen, nieuwe gebruikers die andere dingen intypen dan de eerste groep. Reken daar vanaf dag één mee, ook als de leverancier er niet over begint. Vraag bij elke offerte om een regel voor jaar twee. Wie die niet kan geven, heeft het systeem nog nooit lang genoeg zien draaien.

Wanneer je beter nog geen consultant inhuurt

Dit is het advies dat ons het vaakst een opdracht kost, en het klopt nog steeds.

Huur niemand in als je nog geen proces hebt aangewezen waar het pijn doet, met een naam en een aantal uur erbij. Denk aan de planner die elke ochtend anderhalf uur bezig is met het herschikken van afspraken na afzeggingen, of de administratie die brieven van huisartsen overtypt in het dossier. Zonder zo'n concreet startpunt wordt het een verkennend traject, en verkennende trajecten in de zorg eindigen vrijwel altijd in een rapport dat niemand uitvoert.

Huur ook niemand in als je data nergens digitaal beschikbaar is. Als de informatie in gescande pdf's en losse mappen zit, is je eerste project een dataproject, niet een AI-project. Dat kan prima, maar noem het dan zo en koop het bij iemand die daar goed in is.

En stel het uit als er intern geen eigenaar is. Elk systeem dat we hebben zien werken had één persoon in de organisatie die er beter van werd en er tijd voor kreeg. Zonder die persoon staat het na drie maanden stil, ongeacht hoe goed het gebouwd is.

Hoe een eerste gesprek eruitziet dat iets oplevert

Wij vragen in het eerste uur bijna niets over AI. We vragen welk werk er deze week is blijven liggen, wie daar last van had, en wat er nu handmatig gebeurt tussen twee schermen. Daarna vragen we of we mogen meekijken bij iemand die het werk doet. Dat halve uur meekijken bepaalt vaker de scope dan de hele intake ervoor.

Aan het eind zeggen we één van drie dingen: dit is te bouwen en dit is wat het ongeveer kost, dit kun je zelf oplossen zonder ons, of dit is nu nog geen goed idee en dit is waarom. Die middelste optie komt vaker voor dan je zou verwachten, en meestal gaat het om een instelling in software die je al hebt. Wil je zien welk soort werk we wel oppakken, dan staat dat bij onze AI diensten.

Stel dezelfde vragen aan elke partij die je spreekt, en let op wie er doorvraagt op het proces en wie er doorvraagt op je budget. Vraag ook naar een project dat niet werkte. Iedereen die lang genoeg in deze sector bouwt, heeft er één, en het antwoord vertelt je meer dan een referentie.

De vraag die de keuze meestal beslist

Zet naast elke aanbieder de naam van de persoon die het werk daadwerkelijk gaat doen, en het aantal uur per week dat die persoon aan jou besteedt. Bij een groot bureau is die naam vaak pas na de handtekening bekend. Bij een freelancer is het er één, zonder achtervang. Bij een klein team zijn het er twee of drie, en kun je ze allemaal spreken voordat je tekent.

Die tabel maakt de keuze meestal binnen tien minuten duidelijk, en hij kost je niets om in te vullen.