Veel projecten op het gebied van kunstmatige intelligentie worden goedgekeurd op basis van een strategische intuïtie, een modegril of een winst die als «voor de hand liggend» wordt beschouwd, maar zelden grondig wordt gemeten. Voor een algemeen directeur, een financieel directeur of een verantwoordelijke voor digitale transformatie is de echte vraag niet alleen of AI waarde creëert, maar ook hoe dat aangetoond kan worden. Ontdek de methoden, besluitvormingsprotocollen en valkuilen die u moet vermijden om van een gevoel naar bewijs te gaan, samen met Gauthier Lamothe, ondernemer en trainer op het gebied van generatieve AI.
Volgens McKinsey, minder dan 20 % van de organisaties hanteert momenteel indicatoren die specifiek betrekking hebben op generatieve AI. Dit is een feit dat tot nadenken zou moeten stemmen, want de budgetten voor deze projecten schieten omhoog. Deze kloof tussen de omvang van de investeringen en het gebrek aan sturing verklaart waarom zoveel bedrijven moeite hebben om een eenvoudig vraag te beantwoorden: hoeveel levert AI eigenlijk op?
Hier volgen enkele concrete richtlijnen voor:
- een onderscheid maken tussen waargenomen voordelen en meetbare voordelen
- de juiste AI-strategie kiezen op basis van uw gebruikssituatie
- een betrouwbaar meetkader opstellen vóór elke implementatie
Opmerking: in dit artikel zullen we het uitsluitend hebben over generatieve AI, aangezien deze sector het afgelopen decennium een enorme vlucht heeft genomen. Het rendement op investering van klassieke machine learning-algoritmen is in bepaalde toepassingen (scoring, fraudedetectie, aanbevelingen, voorspellingen, optimalisatie…) vaak beter gedocumenteerd, maar het is nooit vanzelfsprekend. Het hangt af van de kwaliteit van de gegevens, de integratiekosten, het onderhoud, de modelafwijking en de acceptatie door de bedrijfsafdelingen.
Waarom de ROI van generatieve AI niet met traditionele meetmethoden kan worden vastgesteld
Er zijn vier factoren die verklaren waarom het zo moeilijk is om een AI-project correct te beoordelen:
- Het ontbreken van voor- en nametingen maakt een nauwkeurige vergelijking onmogelijk.
- Het te hoog of te laag opgeven van inkomsten leidt tot een vertekend beeld van de situatie in het veld.
- Sommige prestatie-indicatoren (KPI’s) worden simpelweg niet meegenomen in de berekening van de ROI.
- Ten slotte leiden de verwarring tussen een op zichzelf staand experiment en een daadwerkelijke implementatie op grote schaal tot vertekende prognoses.
Deze vertekeningen zijn niet onbelangrijk. Het rapport MIT " De GenAI-kloof » stelt vast dat 95% van de bedrijfsinitiatieven hebben geen meetbare impact gehad op de winst-en-verliesrekening. Niet omdat de modellen nutteloos zouden zijn, maar omdat ze slecht in de daadwerkelijke werkprocessen zijn geïntegreerd.
Het onderzoek McKinsey De stand van zaken op het gebied van AI 2025 Het eerder genoemde onderzoek wijst in dezelfde richting: meer dan 80 % van de organisaties constateert geen tastbaar effect op de EBIT op bedrijfsniveau, terwijl generatieve AI inmiddels in gemiddeld drie bedrijfsfuncties wordt ingezet.
Het verschil tussen de waargenomen ROI en de werkelijke ROI
De duurste valkuil is het verschil tussen wat teams denken te verdienen en wat ze daadwerkelijk verdienen.
Het onderzoek METR Dit blijkt duidelijk uit een onderzoek dat in 2025 is uitgevoerd op basis van 246 echte taken die werden toevertrouwd aan ervaren open-sourceontwikkelaars die beschikten over AI-tools. De door AI ondersteunde groep deed er 19 % langer over dan de controlegroep. Toch schatten diezelfde ontwikkelaars achteraf dat ze 20 % tijd hadden bespaard. Het verschil tussen perceptie en werkelijkheid bedraagt 39 punten.
De les die we hieruit kunnen trekken is dat de gerapporteerde ROI zonder kwaliteitsindicatoren een illusie kan zijn.
| Studie | Methodologie | Gemeten resultaat | Verschil met de perceptie | Onderwijs |
|---|---|---|---|---|
| METR (2025) | RCT, ervaren ontwikkelaars | −19 % snelheid | +39 punten ten opzichte van de opgegeven schatting | Het gevoel van productiviteit kan misleidend zijn. |
| BCG × Harvard / MIT / Wharton (2023) | RCT, 758 consultants | +12,2 % voltooide taken | −19 % aan precisie buiten het door de AI beheerde bereik, zonder dat de gebruikers dit merken | AI biedt veel hulp bij bepaalde taken, maar kan bij andere, vergelijkbare taken juist nadelig uitpakken. |
| Brynjolfsson–Li–Raymond, NBER (2025) | Geleidelijke inzet, 5.179 medewerkers | +14 % opgeloste problemen per uur | +34 % voor beginners, vrijwel geen winst voor experts | De inkomsten variëren naargelang het ervaringsniveau. |
Dit laatste punt verdient de aandacht van elke financieel directeur die een AI-project begroot: de winsten zijn niet gelijkmatig verdeeld.
Ze komen vaak vooral ten goede aan de minder ervaren medewerkers en kunnen, afhankelijk van de taak, bij experts gering, nihil of negatief zijn.
«Met ons AI-proefproject voor het opstellen van offertes hebben de junior accountmanagers bijna een halve dag per dossier bespaard: de AI hielp hen bij het structureren van de offerte, het opzoeken van interne referenties en het opstellen van een bruikbare eerste versie.”.
Bij de senioren was het effect veel minder groot. Zij kenden de bronnen al, konden de argumenten goed verwoorden en besteedden vooral tijd aan het corrigeren van onnauwkeurigheden.»
Marc, financieel directeur van een B2B-dienstengroep
Drie pijlers voor het opzetten van een ROI-meting
De grote adviesbureaus komen, ondanks hun verschillende methodologieën, tot dezelfde analyse. Ze meten allemaal de ROI van generatieve AI aan de hand van drie pijlers.
| Pijler | Gemeten verschijnsel | Voorbeeld van een indicator |
|---|---|---|
| Productiviteit | Uitvoeringssnelheid, verwerkt volume, tijdwinst | Taken/uur, PR's/week, opgeloste tickets/uur, tijd/dossier |
| Kwaliteit | Betrouwbaarheid, nauwkeurigheid en consistentie van de geleverde resultaten | Foutpercentage, escalatiepercentage, hallucinatiepercentage, percentage menselijke herhaling |
| Creëren van bedrijfswaarde | Directe of indirecte zakelijke gevolgen | Stijging van de omzet of de marge, kosten per interactie, NPV, terugverdientijd |
Een project dat op slechts één aspect wordt beoordeeld, geeft een onvolledig beeld. Een chatbot kan een uitstekende productiviteit laten zien, terwijl de door de klant ervaren kwaliteit eronder lijdt.
De zaak Klarna is in dit verband leerzaam: het bedrijf had een toename aangekondigd die overeenkomt met 700 voltijdbanen, voordat de CEO toegaf dat er een verslechterde dienstverlening en hervat de werving van personeel pas vijftien maanden later.
Dit is een duidelijk voorbeeld van de wet van Goodheart in projectmanagement: het naïef optimaliseren van een KPI door deze los te koppelen van het fenomeen dat hij zou moeten meten, leidt onvermijdelijk tot een antitelie (een onbedoeld effect waarbij een beslissing het tegenovergestelde oplevert van wat men had verwacht).
Als consultant kwam ik vijf jaar geleden slechts af en toe met dergelijke problemen in aanraking, terwijl ik er in 2026 nu ongeveer één per week tegenkom. Dit toont aan dat er aan dit probleem niet evenveel aandacht is besteed als aan de implementatie van generatieve AI in bedrijfsprocessen.
Build, Buy of Boost: de juiste AI-strategie kiezen op basis van het gebruiksscenario
Niet alle taken zijn even belangrijk als het gaat om generatieve AI. Het concept van «gekartelde technologische grens» (de grillige technologische grens), ontwikkeld door het BCG, beschrijft een eenvoudige realiteit: de modellen presteren uitstekend bij bepaalde taken, maar falen bij vergelijkbare taken, zonder dat daar voor de gebruiker een duidelijke logica achter zit.
Deze onregelmatigheid vereist een weloverwogen beslissing voordat er wordt geïnvesteerd. U hebt drie opties.
| Strategie | Wanneer moet je het gebruiken? | Wat dit inhoudt |
|---|---|---|
| Build (eigen AI) | Deze taak valt buiten het betrouwbare bereik van generieke AI-modellen, of vormt een strategisch voordeel | Eigen gegevens, speciale architectuur, fijnafstemming, interne R&D |
| Kopen (IA via abonnement) | Deze taak wordt goed gedekt door standaardmodellen, zodat er geen concurrentievoordeel is om deze te internaliseren | Gebruik van een bestaande API of SaaS, beperkte integratie, voorspelbare kosten |
| Boost (contextgebonden AI) | De taak is goed afgehandeld, maar kan nog veel beter worden met uw eigen gegevens | RAG, vakspecifieke koppelingen, documentatiedatabases, gegevensbeheer |
Dit protocol voorkomt de meest voorkomende valkuil: intern een oplossing ontwikkelen die de markt al als SaaS aanbiedt, of juist een taak die specifieke expertise vereist, uitbesteden aan een generieke AI.
We kunnen ook nog een andere veiligheidsmaatregel noemen, die in Frankrijk door de AP-HP is ingevoerd: het afwijzen van businesscases die slechts tot doel hebben «5 tot 10 minuten te besparen». Door te streven naar dergelijke significante winst (taken die momenteel onmogelijk of zeer complex zijn) kan worden gewaarborgd dat de implementatie van processen waarbij generatieve AI wordt ingezet, niet met verlies plaatsvindt.
De werkelijke kosten van een AI-implementatie: TCO, hallucinaties en onderhoud
Een ROI wordt nooit uitsluitend op basis van de winst berekend. Gartner verdeelt de totale eigendomskosten (TCO) van een generatief AI-project in vier lagen:
- Licenties, API's en abonnementen
- infrastructuur,
- menselijk kapitaal,
- verborgen kosten van naleving en governance.
Volgens het onderzoek KPMG AI Quarterly Pulse, zijn de gemiddelde uitgaven aan GenAI per grote onderneming in één jaar tijd bijna verdubbeld, een investeringstempo dat zelden wordt afgewogen tegen de daadwerkelijk gemeten voordelen.
De verborgen kosten: controleren, corrigeren, toezicht houden
Hallucinaties behoren tot de best gedocumenteerde verborgen kosten. Het onderzoek Stanford RegLab/HAI meting van de hallucinatiepercentage van 17 tot 33 % bij gespecialiseerde juridische hulpmiddelen, en van 69 tot 88 % bij modellen voor algemeen gebruik gebruikt voor specifieke juridische kwesties.
Dit cijfer verdient extra aandacht, want nog maar 18 maanden geleden werden “juridische” toepassingen in de sector van de generatieve AI gezien als het domein bij uitstek waar productiviteitswinst zou worden geboekt.
Wanneer een fout een financieel risico wordt
Deze fouten brengen directe kosten met zich mee: het advocatenkantoor Morgan & Morgan kreeg een boete van 5.000 dollar opgelegd voor acht van de negen fictieve bronvermeldingen in een door AI gegenereerd juridisch memorandum.
Een ander schoolvoorbeeld dat ik hier graag nog eens wil noemen, is dat van Deloitte. In oktober 2025 moest het bureau een door de federale regering in opdracht gegeven rapport ter waarde van 440.000 Australische dollar gedeeltelijk terugbetalen, nadat was ontdekt dat er niet-bestaande academische bronvermeldingen in stonden en dat er een verzonnen citaat was opgenomen dat aan een rechterlijke uitspraak werd toegeschreven. Een maand later werd een rapport in opdracht van een Canadese provinciale overheid geconfronteerd met soortgelijke beschuldigingen, voor een bedrag van 1,2 miljoen Canadese dollar.
Uit deze twee incidenten blijkt dat de kosten van een vergissing zich niet beperken tot het corrigeren van een tekst, maar dat dit ook juridische, reputatie- en financiële risico’s met zich mee kan brengen.
Het precedent van Google: de AI is gebonden aan degene die deze publiceert
Aan het einde van het eerste halfjaar van 2026 moest Google zelf de gevolgen dragen van de waanvoorstellingen van zijn AI: de regionale rechtbank van München oordeelde dat de De AI-overzichten van Google zijn de eigen beweringen van Google, en niet louter een reproductie van inhoud van derden.
Het gevolg is dat Google kan rechtstreeks aansprakelijk zijn onjuiste of lasterlijke informatie die via deze functie wordt gegenereerd.
De rechtbank heeft uitdrukkelijk een onderscheid gemaakt tussen de klassieke zoekmachine (die doorverwijst naar pagina’s van derden) en de AI-overzichten (die informatie samenvatten en een nieuwe tekst genereren).
De zaak kwam aan het rollen omdat twee Duitse uitgevers door de AI werden voorgesteld als betrokken bij oplichting en frauduleuze praktijken, terwijl deze beweringen niet in de geraadpleegde bronnen voorkwamen. De redenering van de rechtbank luidt als volgt:
- een traditionele zoekmachine fungeert voornamelijk als tussenpersoon; ;
- Een overzicht van AI (AI-samenvatting) stelt een nieuwe tekst op, kiest welke informatie hij onthoudt en formuleert originele uitspraken; ;
- deze beweringen worden dus beschouwd als de eigen inhoud van Google.
Google had zich verdedigd door te stellen dat gebruikers weten dat AI fouten kan maken (er wordt expliciet een waarschuwing gegeven), maar de rechtbank verwierp dit argument met het argument dat een waarschuwing niet volstaat om Google vrij te pleiten wanneer het systeem zelf een onjuiste bewering produceert die de reputatie van een persoon of een bedrijf schaadt.
Het verschil zit hem in het bestuur
Aan de andere kant, een geval als JPMorgan COIN toont aan dat een rigoureuze implementatie de trend kan omkeren: jaarlijks worden 360.000 juristenuren bespaard op 12.000 commerciële contracten, met een vermindering van ongeveer 80 % van het aantal fouten bij het beheer van leningen. Het verschil tussen deze twee trajecten ligt niet zozeer in de technologie zelf, maar in het bestuurskader eromheen.
Vóór elke implementatie een meetkader opstellen
Een betrouwbare ROI wordt vóór de start van het project voorbereid, niet erna. Dit is de te volgen aanpak:
- Bepalen welke taken daadwerkelijk door AI worden verbeterd, waarbij een onderscheid wordt gemaakt tussen die met een groot potentieel en die welke buiten de betrouwbare technologische grens vallen.
- Stel vóór de implementatie 3 tot 5 meetbare indicatoren vast, afgestemd op de betreffende bedrijfswaarde-eenheid.
- Een voor-en-na-vergelijking maken, bij voorkeur met een controlegroep, aan de hand van een echte taak en geen gesimuleerde.
- De volledige kosten meerekenen : vergunningen, infrastructuur, opleiding, bestuur, controle en afhandeling van incidenten.
- Een drempelwaarde voor schaalvergroting vaststellen, bijvoorbeeld een resultaat dat gedurende 90 dagen is gevalideerd voordat er een grootschalige uitrol plaatsvindt.
- Een onafhankelijke audit inplannen na 6 en 12 maanden, om een verslechtering van de kwaliteit op te sporen voordat deze een probleem wordt.
Overzichtstabel van de te volgen indicatoren
| Categorie | Voorbeelden van indicatoren |
|---|---|
| Gebruik | Toepassingsgraad, gebruiksfrequentie, acceptatiegraad van suggesties |
| Productiviteit | Tijd per taak, doorvoer (zaken/uur, tickets/uur) |
| Kwaliteit | Foutpercentage, escalatiepercentage, hallucinatiepercentage, percentage menselijke herhaling |
| Ervaring | Klanttevredenheid (CSAT), NPS, klantverloop |
| Financieel | Kosten per interactie, netto rendement op investering, tijd tot terugverdienpunt |
| Systemisch | Het behouden van talent, het aanpassingsvermogen van teams |
[Lees ook] Beste praktijken voor samenwerking met AI in teamverband
De ROI van GenAI is meetbaar, maar loopt sterk uiteen. Uit gecontroleerde onderzoeken blijkt dat er bij afgebakende taken daadwerkelijke winst wordt geboekt van 14 tot 56 %. De meeste proefprojecten binnen bedrijven hebben op dit moment echter geen meetbare impact op de winst- en verliesrekening.
Om de ROI van een AI-implementatie te meten, is het dus noodzakelijk om af te stappen van zelfrapportage en al vóór de eerste pilot een strikt kader vast te stellen. Het onderscheid maken tussen vermeende voordelen en bewezen voordelen, de juiste strategie kiezen op basis van het gebruiksscenario en de volledige kosten meerekenen – inclusief ‘hallucinaties’ – dat is wat een winstgevend AI-project onderscheidt van een AI-project dat alleen maar de indruk wekt winstgevend te zijn.
