De belangrijkste vraag als je werkt met AI: waar zit onze bottleneck?

We investeren enorm in AI. Maar wat als de tijdwinst nauwelijks iets oplevert? Een managementklassieker uit 1984 biedt een verrassend actuele verklaring.

Een e-mailcampagne schrijven kost mijn team inmiddels ongeveer een uur. Alleen ligt de copy vervolgens drie weken te wachten op review bij de business. Dat lijkt een klein procesprobleem. Maar het laat precies zien wat er gebeurt als AI een onderdeel van je marketingproces veel sneller maakt.

In mijn team is de output van copy en design tussen 2022 en 2025 verdubbeld bij gelijkblijvende capaciteit. Campagnes die voorheen vijf werkdagen kostten, zijn nu binnen een of twee dagen klaar. Toch werd onze totale marketingmachine niet automatisch twee keer zo snel. Want de bottleneck verschoof.

En precies daarvoor biedt de Theory of Constraints van Eliyahu Goldratt een verrassend actuele verklaring.

Dezelfde paradox, 40 jaar geleden

Het boek verscheen in 1984, in een periode waarin fabrieken volop automatiseerden. Machines konden meer produceren en processen werden sneller. Maar een efficiëntere machine betekende niet automatisch dat de fabriek als geheel meer produceerde.

Goldratt laat in The Goal (Nederlandse vertaling: Het doel, affiliate) zien dat de prestaties van een systeem worden bepaald door de beperkende factor in de keten: de bottleneck. Dit idee werd bekend als de Theory of Constraints. Als één machine maar dertig onderdelen per uur kan verwerken, heeft het weinig zin om een andere machine van honderd naar honderdvijftig te brengen. De fabriek blijft maximaal dertig eindproducten produceren. Voor de bottleneck ontstaat alleen maar meer tussenvoorraad.

Wil je de totale output verbeteren, dan moet je dus de bottleneck vinden en aanpakken. Zodra je die oplost, verschuift de bottleneck naar een andere plek. We beleven met AI misschien wel een vergelijkbare automatiseringsgolf. Alleen staat de fabriek nu op kantoor.

AI lost de productiebottleneck op en legt de volgende bloot

Het zijn nu niet de machines die sneller worden, maar wij als kenniswerkers. Een marketeer kan sneller schrijven, analyseren, ontwerpen en campagnes bouwen.  Voorheen ontwikkelde onze campagnemanager een concept samen met een creatief team. Daarna gingen briefings naar aparte copy- en designteams, werden voorstellen gemaakt en volgde feedback. Zelfs met een efficiënt in-house team waren we al snel vijf werkdagen verder. Met bureaus duurde dat zelfs weken.

Nu kan onze campagnemanager met AI sparren over het concept en zelf een eerste versie van copy en design maken. Eventueel kijkt nog een collega mee. Een campagne kan daardoor binnen een of twee dagen staan.

Die versnelling zien we breder terug. Met dezelfde copy- en designcapaciteit produceerden we in 2025 ongeveer twee keer zoveel als in 2022. Dat is forse productiviteitswinst. Maar zodra productie niet meer de bottleneck is, worden andere beperkingen zichtbaar.

De oplossing was geen AI

Bij ons werd bijvoorbeeld de reviewfase een bottleneck. De copy voor een e-mailcampagne was binnen een uur geschreven en wachtte vervolgens drie weken op feedback. Sneller schrijven had precies niets opgelost. Bij een whitepaper gebeurde iets vergelijkbaars. De productie liep vier weken door, vooral omdat de inhoud tijdens de reviewrondes bleef veranderen. Iedere wijziging betekende opnieuw aanpassen, reviewen en wachten.

Daarom hebben we het proces aangepast. De business levert voor een whitepaper nu eerst de inhoud aan via een vast template en stemt de definitieve copy af voordat design aan de productie begint.

De bottleneck werd zichtbaar door AI, maar de oplossing was geen AI. De oplossing was procesoptimalisatie.

Meer capaciteit maakt prioritering belangrijker

De bottleneck kan ook vóór de productie ontstaan. Als je sneller en meer kan produceren, wordt de vraag ‘wat gaan we maken?’ belangrijker. Meer productiecapaciteit betekent niet automatisch meer goede ideeën of commerciële kansen. Sterker nog: als je alles gaat produceren wat dankzij AI opeens kan, creëer je vooral meer output.

De bottleneck verschuift dan van productiecapaciteit naar prioritering. Juist daar kan je de tijd die AI vrijmaakt goed gebruiken. Goede marketingideeën ontstaan doordat je met de business praat, hoort waar klanten tegenaan lopen, begrijpt wat sales ziet veranderen en weet waar nieuwe commerciële kansen ontstaan.

Maar de bottleneck kan net zo goed verderop in de keten verschijnen. Kan je copywriter twee keer zoveel content produceren? Je capaciteit om die content bij relevante media te pitchen verdubbelt niet automatisch mee.

Kan je twee keer zoveel campagnes maken? Je mediabudget verdubbelt niet vanzelf. Schroef je dat budget wel op en genereer je twee keer zoveel leads? Dan kan sales de volgende bottleneck worden als het team die extra leads niet kan opvolgen.

Je kan een B2B-marketingorganisatie grofweg als een keten zien: Klantinzicht → prioritering → creatie → review → distributie → mediabudget → leadopvolging → leren

AI kan één schakel razendsnel veranderen. Uiteindelijk wordt je resultaat bepaald door de keten als geheel.

AI maakt procesoptimalisatie weer hot

Volgens McKinsey gebruikt bijna 60% van de marketeers AI meerdere keren per week, maar minder dan 10% realiseert al waarde over end-to-end workflows. Slechts 28% is bezig om teams en workflows fundamenteel opnieuw in te richten voor AI.

Die kloof tussen gebruik en resultaat zegt veel. We zijn al behoorlijk goed geworden in het toevoegen van AI aan afzonderlijke activiteiten, maar een snellere activiteit maakt nog geen sneller systeem. Sterker nog: AI legt de pijnlijke zwakke plekken in je processen bloot.

Een proces dat jarenlang prima functioneerde, kan ineens gaan knellen als AI een onderdeel terugbrengt van dagen naar uren. Reviewprocessen blijken te traag. Prioriteiten zijn niet scherp genoeg. Distributie kan de productie niet bijhouden. Sales krijgt meer leads dan het kan verwerken.

Daarom maakt AI procesoptimalisatie weer hot. Niet omdat processen opeens belangrijker zijn geworden, maar omdat AI veel sneller zichtbaar maakt waar ze niet werken. En daar zit volgens mij een groot deel van de volgende AI-winst. Niet nog meer AI toevoegen aan de snelste stap, maar de bottleneck aanpakken die daarna ontstaat.

Stop met vragen waar je AI kan inzetten

De standaardvraag in veel organisaties is nog steeds: ‘waar kunnen we AI inzetten?’ De Theory of Constraints draait die vraag om: ‘waar zit onze bottleneck?’

Vervolgens kan je vier vragen stellen:

1. Waar zit onze huidige bottleneck? Waar blijft werk liggen? Welke beperking voorkomt dat marketing meer resultaat creëert?
2. Wat is er nodig om die bottleneck weg te nemen? Dat hoeft niet automatisch AI te zijn. Het kan ook een proces, keuze, capaciteit of samenwerking zijn.
3. Hoe richten we de rest daarop in? Voorkom dat je vooral meer werk richting dezelfde bottleneck stuurt.
4. Waar is de bottleneck daarna naartoe verschoven? Los je een beperking op, dan verschijnt de volgende. En begint het proces opnieuw.

Productiviteit is niet hetzelfde als resultaat

We meten graag hoeveel sneller mensen taken uitvoeren, hoeveel uren ze besparen en hoeveel meer ze produceren. Nuttige cijfers. Maar daardoor verbeteren de resultaten niet automatisch. Daarom is de interessantere vraag niet alleen: ‘wat kan AI sneller maken en hoeveel capaciteit kunnen we daarmee besparen?’ Maar vooral: ‘waar zit de bottleneck die ons marketingresultaat beperkt, en kunnen we de vrijgekomen capaciteit juist daar inzetten?’ Want de bottleneck verdwijnt niet. Hij verschuift.

Misschien zijn we nog te veel afzonderlijke machines aan het optimaliseren, terwijl we naar de hele fabriek zouden moeten kijken.