SR&ED voor AI-ontwikkeling: Zo budgetteer je experimenteel onderzoek

Jeroen Meijer · 2026-01-26

Veel Nederlandse bedrijven die experimenteren met kunstmatige intelligentie realiseren zich niet dat hun werk vaak in aanmerking komt voor SR&ED-faciliteiten. Het gaat om die momenten waarop teams nieuwe modellen ontwikkelen, met data-methoden experimenteren of de technische grenzen van machine learning proberen te verleggen. Dat is precies het soort systematisch onderzoek dat het programma wil stimuleren. Wanneer je begrijpt hoe deze inspanningen aansluiten bij de voorwaarden, kun je een aanzienlijk deel van je ontwikkelkosten terugkrijgen. Zo blijf je innovatief op een competitief niveau. Het voelt soms als geld dat op straat ligt - je moet alleen weten waar je moet kijken. ### Wat is SR&ED eigenlijk? Het SR&ED-programma moedigt bedrijven aan om technologische onzekerheid te omarmen en deze op te lossen via gestructureerde experimenten. Bij AI zie je die onzekerheid bijvoorbeeld wanneer ontwikkelaars niet weten of een model een bepaald kwaliteitsniveau kan bereiken met bestaande technieken. Door hypotheses te formuleren, trainingscycli uit te voeren en te leren van wat niet werkte, volg je precies het wetenschappelijke proces dat het programma erkent. Het draait niet om de vraag of je project 'AI' heet, maar of het verder gaat dan de standaard praktijk in jouw veld. Bestaande algoritmes aanpassen voor een specifieke toepassing kwalificeert meestal niet. Maar pogingen om nieuwe architecturen te ontwikkelen, datapijplijnen te optimaliseren of modelgedrag te verbeteren wel. Mits goed gedocumenteerd natuurlijk. ### Technische criteria voor AI-onderzoek Voor experimentele AI-ontwikkeling moet er een duidelijk technologisch probleem zijn dat niet opgelost kan worden met algemeen beschikbare kennis. Denk aan: - Modellen trainen op niet-standaard data - Systemen ontwerpen die anders leren - Prestatieniveaus bereiken die huidige tools niet halen Het moet gaan om het creëren van nieuwe technische kennis, niet alleen om een product aan een klant te leveren of de gebruikerservaring te verbeteren. De aanpak moet ook gedisciplineerd zijn - je moet kunnen aantonen hoe je experimenten ontwierp, verschillende benaderingen testte en resultaten analyseerde. Traininglogs, versiebeheerdocumentatie en interne technische documentatie helpen allemaal om te bewijzen dat het werk onderzoek was. Deze documentatie zet dagelijkse ontwikkelactiviteiten om in bewijs van experimentele innovatie binnen het SR&ED-raamwerk. ### Welke kosten komen in aanmerking? Zodra je weet dat je werk in aanmerking komt, is de volgende vraag: welke kosten kun je claimen? Bij AI-ontwikkeling nemen salarissen van engineers, data scientists en technische leiders vaak het grootste deel van de acceptabele uitgaven voor hun rekening. Tijd besteed aan modelontwerp, experimenten, data-voorbereiding en analyse telt meestal mee wanneer dit direct bijdraagt aan het kwalificerende werk. Naast salarissen kun je ook overhead en materialen claimen. Cloudcomputing-resources die gebruikt worden voor het trainen en testen van modellen, gespecialiseerde softwaretools en kosten voor data-acquisitie kunnen allemaal onderdeel zijn van je claim. Mits je ze natuurlijk goed documenteert en kunt koppelen aan de kwalificerende activiteiten. ### Budgetteren voor experimentele AI Budgetteren voor experimentele AI met SR&ED in gedachten vraagt om een andere benadering van projectplanning en -monitoring. Bedrijven hebben het voordeel dat ze belastingvoordelen kunnen meenemen in hun financiële prognoses. Het betekent dat je vanaf dag één moet bijhouden welke uren aan welk experiment worden besteed. Welke cloudkosten horen bij welk onderzoek? Welke data-aankopen waren essentieel voor je doorbraak? Zoals een collega-ondernemer me ooit vertelde: "De grootste fout is denken dat je achteraf nog kunt reconstrueren wat kwalificeert. Je moet het vanaf het begin meenemen in je proces." Door SR&ED vroeg in je planning te integreren, maak je innovatie niet alleen technisch mogelijk, maar ook financieel haalbaar. Het verandert experimenteren van een kostenpost in een geïnvesteerde toekomst.