Met AI wordt het rendabel om software te bouwen voor kleinere markten en specifieke processen: software die echt aansluit bij het werk. Dat vraagt nog altijd om vakmanschap, misschien zelfs meer dan voorheen. In deze eerste blog leggen we uit waarom die overtuiging leidde tot de oprichting van TLRS.

De meeste organisaties draaien op software die voor iedereen is gemaakt. Een ERP-pakket, een CRM, een planningssuite. Er wordt een licentie per gebruiker afgesloten, er volgt een implementatietraject en daarna begint het eigenlijke werk: leren leven met het systeem. Naast de software ontstaan Excel-bestanden en mailwisselingen die de werkelijkheid weergeven. Een collega die al twintig jaar meedraait, weet hoe je de uitzonderingen afhandelt. Nieuwe medewerkers leren vooral wáár ze niet op moeten klikken.

Softwarebedrijf Pendo analyseerde in 2019 het gebruik van 615 softwareproducten en kwam tot de conclusie dat ongeveer 80 procent van de functies in een gemiddeld product zelden of nooit wordt gebruikt. Twaalf procent van de functies is goed voor 80 procent van het dagelijkse gebruik. De rest implementeer je, train je, betaal je (of krijg je erbij), maar zit feitelijk in de weg. Tegelijk blijft werk dat prima te automatiseren is vaak handwerk, omdat software die voor iedereen is gemaakt niet weet hoe jouw proces loopt.

Toch was kiezen voor een groot standaardpakket lange tijd een redelijke afweging. Software ontwikkelen was duur, en een standaardpakket verdeelde die kosten over duizenden klanten. Dat het niet precies paste, nam je voor lief. Generiek, maar betaalbaar.

Meer ruimte voor specifieke software: de niche wordt rendabel

Die afweging staat onder druk. Met AI als vast onderdeel van het ontwikkelproces kan een klein, ervaren team veel meer bouwen dan vroeger, mits het weet wat het doet. Gratis wordt software daar niet van. De rekensom verandert wel. Waar je vroeger duizenden klanten nodig had om de ontwikkelkosten terug te verdienen, kan nu een veel kleinere markt volstaan. Daarmee wordt het rendabel om software te maken voor een specifieke branche, een specifiek proces of een specifieke groep gebruikers.

De markt merkt het. Microsoft-topman Satya Nadella zei eind 2024 dat het idee van business applications in het tijdperk van AI-agents zou kunnen ‘instorten’. Begin 2026 verloren beursgenoteerde softwarebedrijven in korte tijd honderden miljarden aan waarde, een beweging die al snel de ‘SaaSpocalypse’ werd gedoopt.

Onderzoeksbureau Gartner concludeert dat SaaS niet verdwijnt, maar van vorm verandert. Daar sluiten we ons bij aan. Standaardsoftware is niet dood. De grote businessapplicaties zoals we die kenden, zijn alleen niet langer vanzelfsprekend het antwoord op elke vraag. Er ontstaat ruimte voor nieuwe standaardsoftware voor kleinere niches, en soms loont zelfs maatwerk.

Standaard waar het volstaat, passend waar het verschil maakt

Je hoorde recent vaker verhalen over bedrijven die hun kernapplicaties vervangen door zelfgebouwde AI-oplossingen. Bij nader inzien zijn die verhalen vaak genuanceerder. Neem Klarna, het bekendste voorbeeld. Volgens de topman verving het bedrijf Salesforce niet door AI; het bracht vooral zijn data samen in een eigen technische basis. Hij betwijfelt zelf of veel bedrijven dat voorbeeld zullen volgen. Wij denken ook dat het zelden de oplossing is. Salarisadministratie of boekhouding zit vol wet- en regelgeving die elk jaar verandert. Een gespecialiseerde leverancier houdt dat bij voor duizenden klanten tegelijk. Dat zelf nabouwen levert zelden iets op. Hetzelfde geldt voor de kernsystemen waarin je gegevens betrouwbaar worden vastgelegd. Die blijven van grote waarde.

Een specifieke oplossing loont vooral waar:

• het werk vaak gebeurt, door veel mensen;

• mensen nu om het systeem heen werken, met Excel, mail of dubbel invoeren;

• het proces eigen is aan je organisatie en je onderscheidt;

• je kwetsbaar bent, doordat veel kennis in de hoofden van een paar mensen zit, of steeds van buiten moet worden ingehuurd.

Waar dat speelt, loont het om te kijken of er winst te behalen valt. Vaak kan een intensief proces in grotere mate geautomatiseerd worden of kan een groep gebruikers beter uit de voeten met een fractie van de functionaliteit die wel precies aansluit op hun taken en daar iets aan toevoegt. Zo'n oplossing vervangt de omwegen die nu tijd kosten: het Excel-bestand, het dubbel invoeren, het zoeken naar die ene collega die het weet.

Soms verdwijnt een stap helemaal, omdat het systeem hem zelf kan uitvoeren. Dan gaat het niet alleen om prettiger werken, maar om een slankere organisatie: mensen besteden hun tijd aan het werk dat hun aandacht echt nodig heeft.

Software met verstand van zaken

Het interessantste deel van deze verschuiving zit niet in het wegsnoeien van overbodige functies. Het zit in wat software nu kan meenemen: kennis en ervaring die tot nu toe in de hoofden van specialisten zat.

Onze eerste opdracht kwam van een transportbedrijf en ging over planning. Een groot deel daarvan hangt af van harde randvoorwaarden die samen al lastig te overzien zijn. Daar komen nog zachte criteria bij, zoals de wensen of de persoonlijke situatie van een chauffeur. Een goede planner weegt dat allemaal mee, maar doet dat grotendeels uit ervaring, en het kost vaak veel tijd om alle variabelen op een rijtje te krijgen. Voor deze klant ontwikkelen we een AI-planningsassistent die beide soorten criteria zichtbaar maakt en meeweegt. De planner krijgt snel een onderbouwd advies voor een nieuwe planning en houdt zelf de regie. We vorderen al gestaag met ontwikkeling van de oplossing en ook breder in de markt zien we hier al belangstelling voor.

Een tweede voorbeeld is de grip op de toeleveringsketen. De afgelopen maanden ging het vaak over de afhankelijkheid van organisaties, en zeker ook overheden, van hun IT-leveranciers, en over hoe weinig grip ze daar soms op hebben, ook als de afspraken op papier goed zijn. IT-auditors, onder wie de Auditdienst Rijk en de Algemene Rekenkamer, stelden deze zomer nog vast dat bestuurders het zicht missen op hun netwerk van onderaannemers en cloudketens. Voor ons was dat aanleiding om met verschillende organisaties in gesprek te gaan. Iedereen leunt op partners, en de druk groeit om goede afspraken te maken en de naleving ervan te bewaken. Informatiebeveiliging, privacy, duurzaamheid en continuïteit kwamen steeds terug en dit speelde niet alleen op het gebied van IT. Voor monitoring van afspraken is specialistische kennis nodig, maar er zijn te weinig specialisten om overal bovenop te zitten. Daarom bouwen we een oplossing die deze kennis onderdeel maakt van het proces, onder regie van de specialisten. Zij bepalen wat er getoetst wordt en waar de grenzen liggen. Het systeem past dat toe en legt alleen de twijfelgevallen aan hen voor.

In beide gevallen gebeurt hetzelfde. Kennis die afhankelijk was van een paar mensen of van ingehuurde expertise, wordt onderdeel van het proces. Dat maakt een organisatie minder kwetsbaar en nieuwe medewerkers sneller op niveau. Het systeem borgt dat de juiste zaken aandacht krijgen, ook als een gebruiker hier zelf niet aan denkt. Die weet immers niet wat hij of zij niet weet.

Daarin zit ook het verschil met algemene AI-assistenten als ChatGPT of Claude, en met de agents die organisaties nu zelf samenstellen. Die zijn krachtig, maar voor de meeste medewerkers abstract: je ziet niet wat ze doen, en ze goed opzetten vraagt veel expertise. Bovendien staan ze vaak naast het werk. Een medewerker moet zelf bedenken wanneer hij welke agent inzet en wat hij vraagt, of het gebeurt juist helemaal buiten zijn zicht.

De waarde ontstaat pas wanneer kennis en logica onderdeel worden van het proces zelf, in een vorm die mensen herkennen, zoals het scherm waarop ze plannen of het formulier waarmee ze inkopen. Dan doet de technologie haar werk, ook als niemand eraan denkt. Juist dit vraagt om software die aansluit bij de organisatie.

Snel bouwen is iets anders dan goed bouwen

De versnelling die AI belooft, komt alleen niet vanzelf. En sneller betekent nog niet beter. Onderzoeksorganisatie METR liet in 2025 ervaren ontwikkelaars werken met en zonder AI-tools. Met AI waren ze gemiddeld 19 procent langzamer, terwijl ze zelf dachten dat ze sneller waren. Het DORA-onderzoek van Google onder bijna 5.000 professionals noemt AI een versterker: goede teams worden beter, zwakke teams lopen sneller vast. GitClear zag in miljoenen regels code dat er sinds de opkomst van AI-assistenten meer wordt gekopieerd en minder wordt opgeschoond. Dat merk je niet bij de oplevering, wel een paar jaar later.

De complexiteit van software zat nooit in het schrijven van de eerste versie. Dit zit in wat daarna komt: onderhouden, uitbreiden en bijsturen als de organisatie of de markt verandert. In die eerste versies wordt wel een belangrijke basis gelegd. Juist nu software zo snel te maken is, ligt weggooien en opnieuw beginnen voor de hand. Voor de code zelf is dat misschien te verdedigen. Voor de data, de kennis en de historie die erin zijn opgebouwd is dat vaak wel een groot probleem: die gaan dan telkens (deels) verloren. Daarom denken we vooraf na over structuur en architectuur, zodat software onderhoudbaar blijft, kan meegroeien en bij te sturen is, en je er na twee jaar niet mee vastloopt. We gebruiken AI in het ontwikkelproces, met verschillende modellen die elkaars werk controleren. Er is altijd een mens die de gemaakte keuzes beoordeelt en verantwoordelijk blijft voor de code die we opleveren.

Bij software die kennis draagt, speelt nog een vraag die verder gaat dan techniek: als expertise zo wordt vastgelegd, wie heeft daar dan zeggenschap over? Wij leggen die kennis bewust op een open manier vast, los van de applicatie die haar gebruikt. Zo ontstaat er geen lock-in en kan dezelfde kennis ook op andere momenten en in andere toepassingen worden ingezet.

Waarom we TLRS zijn begonnen

Voor directies en IT-verantwoordelijken komt er naast de vraag welk pakket het best past een tweede vraag bij: waar maakt het verschil dat software echt aansluit op het werk? En voor ondernemers ligt er een derde: welke branche of welk proces wacht nog op een oplossing die echt aansluit op de specifieke behoefte?

Dat zijn de vragen waarvoor we TLRS hebben opgericht, uitgesproken als tailors. Een kleermaker die voor kwaliteit gaat, begint bij goed materiaal en er iets van maakt dat past bij degene die het draagt. En AI is voor ons geen doel op zich, wel een vanzelfsprekendheid. Daarvoor hoeft het nog niet in onze naam te zitten.

Zie je in je eigen organisatie of markt een proces waar standaardsoftware net niet lekker past? Dan gaan we graag met je in gesprek, om samen te verkennen of daar een kans ligt.

Bronnen

• Pendo – Feature Adoption Report (2019)

• CX Today – Satya Nadella over AI-agents en SaaS

• Long Angle – Software vs. AI Q1 2026: SaaSpocalypse Examined

• CIO – Gartner over agentic AI en de toekomst van SaaS

• Simon Willison over het METR-onderzoek (2025)

• InfoQ – DORA State of AI-assisted Software Development 2025

• I Programmer – GitClear over AI en codekwaliteit

• TechCrunch – Klarna CEO doubts that other companies will replace Salesforce with AI (2025)

• AG Connect – Auditors: bestuurders missen grip op digitale omgeving (2026)