Waarom brede AI-adoptie nog weinig aantoonbaar rendement oplevert

Achtentachtig procent van de organisaties zegt AI te gebruiken in ten minste één bedrijfsfunctie, tegenover 78 procent een jaar eerder. Het beeld voor rendement is heel anders. Ongeveer 6 procent behoort volgens McKinsey tot de koplopers die 5 procent of meer van hun EBIT aan AI toeschrijven.¹

De cijfers komen uit zelfrapportage van bestuurders aan een adviesbureau. De exacte percentages verdienen daarom enige voorzichtigheid. De kloof is wel duidelijk: AI-gebruik is breed, aantoonbaar rendement veel minder.

Wat organisaties met aantoonbare waarde onderscheidt

De meest genoemde verklaring is de herinrichting van werkprocessen. Van de koplopers zegt 55 procent processen fundamenteel te hebben aangepast om AI te gebruiken, tegenover 20 procent van de overige organisaties.¹ Dat is het grootste verschil in het onderzoek. Modelkwaliteit en rekenbudget verklaren het niet.

BCG geeft een vergelijkbaar advies met het 10-20-70-principe: besteed 10 procent van de inspanning aan algoritmen, 20 procent aan technologie en data en 70 procent aan mensen en processen.² Dat is een aanbevolen verdeling van het werk. Het onderzoek toont niet aan dat resultaten in precies die verhouding ontstaan.

Gartner voorspelde in juli 2024 dat minstens 30 procent van de generatieve AI-projecten vóór eind 2025 na de proof of concept zou worden stopgezet. Als redenen noemde het bureau slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten en onduidelijke bedrijfswaarde.³ Dat zijn vooral problemen in de stap tussen een werkende demo en een verantwoord projectbesluit.

Teamsamenstelling verklaart slechts een deel

Een team heeft drie soorten kennis nodig, al hoeven die niet bij drie verschillende mensen te liggen: technische AI-kennis, productkennis en kennis van het werkveld waarin de toepassing wordt gebruikt. Vooral die laatste ontbreekt vaak.

Dell'Acqua en collega's voerden een vooraf geregistreerd veldexperiment uit met 776 professionals bij Procter & Gamble. De deelnemers werkten willekeurig alleen of in duo's, met of zonder AI.⁴ Ideeën in de beste 10 procent kwamen ongeveer drie keer zo vaak van teams met AI als van individuen zonder AI. Individuen met AI presteerden bovendien ongeveer even goed als tweepersoonsteams zonder AI. Ook verkleinde AI het verschil tussen medewerkers uit onderzoek en ontwikkeling en medewerkers met een commerciële functie.

Het experiment laat zien dat AI een deel van ontbrekende vakkennis kan aanvullen. Het toont niet aan dat elk team vooraf uit alle mogelijke specialisten moet bestaan.

Wu, Wang en Evans vonden over 65 miljoen papers, octrooien en softwareprojecten dat kleinere teams onevenredig verantwoordelijk zijn voor ontwrichtend werk, terwijl grotere teams bestaande richtingen uitbouwen, met coördinatiekosten als mechanisme.⁵ Dat is een echte beperking op hoe snel je moet opschalen. Het blijft een uitspraak over de vorm van het team, niet over de vraag of het werk wordt getoetst.

Gebrek aan ervaring als belemmering in Nederland

In 2024 gebruikte ongeveer 23 procent van de Nederlandse bedrijven met tien of meer medewerkers ten minste één AI-technologie, bijna 8 procentpunt meer dan een jaar eerder.⁶ Van de bedrijven die het gebruik overwogen en er toch van afzagen, noemde 74,6 procent gebrek aan ervaring als reden. Dat cijfer gaat over de groep die overwoog en afzag, niet over alle niet-gebruikers, en privacy werd bij bedrijven met 100 of meer medewerkers ook door meer dan de helft genoemd.

De cijfers laten vooral een gebrek aan ervaring zien. Ze bewijzen niet dat strategie en kosten onbelangrijk zijn. Wel maken ze duidelijk dat veel organisaties nog zoeken naar een werkwijze waarmee AI verantwoord kan worden ontwikkeld en ingevoerd.

Een controleerbaar proces van idee tot uitrol

Een bruikbaar proces heeft duidelijke beslismomenten. Iedere fase levert iets op dat een bevoegd persoon kan beoordelen voordat de volgende fase begint.

Forenta for Business past die structuur toe in acht fasen, met een expliciet besluit bij elke overgang. Een fase levert een beoordeelbare uitkomst, bevindingen en verplichte vervolgacties op. De overgang is een besluit om door te gaan, aan te passen of te stoppen en geen gewone statusupdate.

Niets daarvan vervangt de drie capaciteiten. Het maakt hun afwezigheid vroeg zichtbaar in plaats van aan het eind.

Wat deze analyse niet behandelt

Forenta for Business is beschikbaar als gecontroleerde pilot en begeleid traject, met prijs op aanvraag. Het is geen volledig zelfstandig te gebruiken product. Voor individuele gebruikers is er Forge, dat in publieke beta ingediende tekst analyseert.

De cijfers hebben duidelijke beperkingen. De gegevens van McKinsey zijn gebaseerd op zelfrapportage door bestuurders. De CBS-cijfers over gebruik maken geen onderscheid tussen interne hulpmiddelen en producten voor klanten. Geen van de bronnen bewijst dat het aanpassen van werkprocessen rechtstreeks tot meer rendement leidt. De samenhang is zichtbaar, maar het oorzakelijke mechanisme is niet vastgesteld.

En niets hier gaat over het ontwerp van AI-systemen zelf, over de regels voor de Nederlandse zorg, of over wat er gebeurt als een organisatie voorbij haar eerste team groeit.

Modelkeuze verklaart het rendement niet

De onderzoeken ondersteunen modelkeuze niet als afdoende verklaring voor rendement. Het terugkerende verschil zit in duidelijk eigenaarschap, herontwerp van werk, validatie en expliciete besluiten tussen idee en uitrol.

Dat is een keuze over proces, en daarmee een van de weinige variabelen hier waar je zelf over gaat.