AI blijft een dure speeltuin als je workflows niet verandert

Er is een verschil tussen “we gebruiken AI” en “AI verdient geld voor ons”. Dat verschil wordt in 2026 steeds belangrijker. Bij veel grote organisaties is AI inmiddels overal aanwezig: in klantcontact, softwareontwikkeling, juridische analyse, marketing, interne kennisbanken en financiële processen. Maar de opbrengst is grilliger dan de boardroomslides doen vermoeden. De eerste les uit de praktijk is vrij simpel: AI levert pas echt iets op als het onderdeel wordt van een workflow, niet wanneer het als losse tool naast het werk hangt.

Met een AI-workflow bedoel ik: een terugkerend bedrijfsproces waarin AI informatie leest, samenvat, voorspelt, genereert, routeert of controleert, mét koppeling aan bestaande systemen en met duidelijke menselijke verantwoordelijkheid. Dus niet alleen een medewerker die ChatGPT gebruikt om een tekst te herschrijven, maar bijvoorbeeld een klantenservicemedewerker die tijdens een gesprek automatisch relevante klantinformatie, productsuggesties en conceptantwoorden krijgt. En daarna nog steeds zelf beslist wat er naar de klant gaat.

De stand van zaken: Nederland, EU en VS

De adoptie groeit snel, maar de cijfers zijn niet één-op-één vergelijkbaar. CBS, Eurostat, McKinsey, MIT en de Amerikaanse Census meten allemaal net iets anders: technologiegebruik, bedrijfsfuncties, leiderschapsperceptie of concrete pilots. Toch ontstaat er een herkenbaar patroon.

Grote organisaties lopen duidelijk voorop, kleine bedrijven experimenteren vaker los. En bijna overal blijft schaalvergroting moeilijker dan het bouwen van een eerste demo.

Nederland

Volgens het CBS gebruikte in 2025 33% van de Nederlandse bedrijven met minstens 10 werknemers één of meer AI-technologieën. Bij grootbedrijven was dat 66,2%; bij microbedrijven 13,8%. Vooral informatie en communicatie, financiële dienstverlening en specialistische zakelijke diensten lopen voorop. Nederland zit relatief hoog in Europa, de toon is praktisch maar ook voorzichtig door eerdere ervaringen met algoritmes in overheid en toezicht.

EU

Eurostat laat zien dat in 2025 19,95% van de EU-bedrijven AI gebruikte, maar onder grote ondernemingen was dat 55,03%. Europa beweegt trager dan de VS, maar grote ondernemingen zijn al serieus bezig. De EU-benadering is sterker gereguleerd: AI moet aantoonbaar veilig, controleerbaar en uitlegbaar zijn, zeker in hoog-risicotoepassingen. Belangrijke remmingen zijn gebrek aan expertise, juridische onduidelijkheid en zorgen over data en privacy.

VS

De Amerikaanse Census zag eind 2025 en begin 2026 AI-gebruik bij ongeveer 17 tot 20% van alle bedrijven. Bij bedrijven met 250+ werknemers lag dat rond 37%. De VS beweegt sneller in productontwikkeling, kapitaal en experimenten — maar het beeld is versnipperd: grote bedrijven en techgedreven sectoren zijn veel verder dan het gemiddelde Amerikaanse bedrijf.

De Nederlandse nuance is belangrijk. CBS ziet dat AI-gebruikende bedrijven gemiddeld productiever, groter en innovatiever zijn, maar waarschuwt terecht dat daarmee nog geen causaliteit is bewezen. Met andere woorden: AI kan bijdragen aan productiviteit, maar het kan ook zijn dat productievere bedrijven simpelweg eerder de mensen, data en IT-capaciteit hebben om AI goed in te zetten.

Wat leveren AI-workflows concreet op?

Wie door de hype heen prikt, ziet vijf plekken waar grote organisaties nu al tastbare opbrengst boeken: klantcontact, softwareontwikkeling, kenniswerk, juridische of administratieve analyse en operationele planning. De opbrengst is meestal geen magische verdubbeling van de winst, maar kortere doorlooptijd, minder handwerk, betere routering, snellere onboarding of hogere kwaliteit bij standaardwerk.

Klantcontact en service

Een studie onder ruim 5.000 klantenservicemedewerkers bij een Fortune 500-softwarebedrijf vond een productiviteitsstijging van 13,8%. Het effect was het grootst bij minder ervaren medewerkers. Dit werkt vooral goed bij herhaalbare vragen – zodra uitzonderingen, emoties of juridische beloftes meespelen, wordt menselijke controle cruciaal.

Softwareontwikkeling

In een gecontroleerd GitHub Copilot-experiment rondden ontwikkelaars een programmeertaak 55,8% sneller af met AI-assistentie. Sneller code schrijven is niet hetzelfde als betere software opleveren: reviews, securitychecks en onderhoud blijven nodig.

Consulting, analyse en kenniswerk

In een Harvard/BCG-onderzoek presteerden consultants binnen het “AI-geschikte” takengebied duidelijk beter met GPT-4. Buiten dat takengebied presteerden ze juist slechter, AI heeft dus een grillige grens.

Juridische en administratieve documentanalyse

TNO beschrijft bij Deloitte Legal een tijdsbesparing van 40 tot 50% bij contractanalyse. Bij het zorgonderdeel van a.s.r. kon klantcontact volgens de case met 20% minder medewerkers worden verzorgd, terwijl de klantwaardering steeg. TNO noemt deze cases verkennend en niet representatief voor alle organisaties. Het zijn aanwijzingen, geen universele belofte.

Retail, logistiek en backoffice

Ahold Delhaize verwacht tussen 2025 en 2028 €5 miljard cumulatieve besparingen door onder meer AI en automatisering in logistiek, distributie, winkels en backoffice. Dit is een doelstelling en geen afgeronde opbrengst. Bij dit soort programma’s zit de waarde vaak in procesherontwerp, niet in AI alleen.

Het beeld wordt bevestigd door McKinsey’s State of AI 2025. Daarin zegt 88% van de respondenten dat hun organisatie AI regelmatig gebruikt in minstens één bedrijfsfunctie, maar slechts ongeveer een derde is bezig met opschalen op ondernemingsniveau. De sterkste organisaties onderscheiden zich niet doordat ze “meer tools” hebben, maar doordat ze workflows fundamenteel herontwerpen.

De positieve lezing: AI als versneller van werk dat al bestaat

De optimistische kant is niet moeilijk te vinden:

• AI maakt kenniswerk sneller toegankelijk.
• Nieuwe medewerkers krijgen sneller hulp.
• Klantenserviceteams hoeven minder te zoeken.
• Juristen kunnen grotere hoeveelheden documenten analyseren.
• Ontwikkelaars hoeven minder boilerplate-code te schrijven.
• Managers krijgen sneller conceptanalyses, scenario’s en samenvattingen.

Een goed Nederlands voorbeeld is ING. De bank bouwde met McKinsey een generatieve AI-chatbot met expliciete guardrails, risicobeoordeling aan het begin van het traject en een test met 10% van de Nederlandse klanten. Volgens de case presteerde de oplossing beter dan een klassieke chatbot: antwoorden werden meer toegesneden op de klant en vragen werden sneller opgelost.

Ook ABN AMRO laat zien hoe AI waarde krijgt wanneer het in bestaande klantkanalen wordt geïntegreerd. De bank vernieuwde de chatbots Anna en Abby met Microsoft-technologie, onder meer voor beter Nederlands taalbegrip. Volgens de case verwerken deze bots jaarlijks miljoenen tekst- en voicegesprekken, steeg de herkenning van Nederlandse klantintenties met 7% en daalden doorverwijzingen en uitvalmomenten.

In de VS zie je vergelijkbare patronen bij kennisintensieve organisaties. Morgan Stanley gebruikt een interne AI-assistent voor financial advisors waarbij meer dan 98% van de advisor teams de tool gebruikt. Het interessante zit hier niet in “AI schrijft een antwoord”, maar in het ontsluiten van interne kennis op het moment dat een medewerker die nodig heeft.

De winst zit dus vaak in minuten, maar minuten worden serieus geld wanneer ze zich miljoenen keren herhalen. Een callcenter dat per gesprek twintig seconden wint, een bank die minder doorschakelingen nodig heeft, een legal team dat niet langer steekproefsgewijs maar volledig contracten kan scannen: daar begint AI op P&L-niveau relevant te worden.

De conservatieve lezing: veel pilots, weinig echte transformatie

Daar staat een ongemakkelijke realiteit tegenover. Een MIT NANDA-rapport (pdf) keek naar honderden enterprise-AI-initiatieven en concludeerde dat ongeveer 95% geen aantoonbare opbrengst liet zien, terwijl een kleine groep organisaties juist miljoenen aan waarde haalde uit diep geïntegreerde toepassingen.

Die conclusie moet niet als natuurwet worden gelezen, maar de boodschap past bij wat veel organisaties intern ervaren: een chatbot bouwen is makkelijk, een bedrijfsproces veranderen is moeilijk.

Die kloof heeft een paar oorzaken:

• Veel systemen zijn niet goed aangesloten op interne data.
• Medewerkers vertrouwen de output niet.
• Juridische en compliance-afdelingen komen te laat aan tafel.
• Kosten voor licenties, cloudgebruik en beheer lopen op.
• Organisaties meten vaak activiteit – hoeveel mensen gebruiken de tool? – in plaats van resultaat: minder fouten, kortere doorlooptijd, hogere klanttevredenheid, lagere kosten of betere conversie.

De EU AI Act is sinds 1 augustus 2024 van kracht en wordt stapsgewijs toepasbaar, met onder meer regels voor verboden toepassingen, AI-geletterdheid, general-purpose AI en hoog-risicosystemen. Voor grote Europese organisaties betekent dit dat AI-integratie niet alleen een innovatievraagstuk is, maar ook een governance-, audit- en risicovraagstuk. Dat is geen rem om de rem, het is een reactie op echte schadegevallen.

Waar het misging: de prijs van automatiseren zonder voldoende tegenspraak

Een van de bekendste recente voorbeelden is Air Canada. Een chatbot gaf een klant verkeerde informatie over een rouwtarief, waarna de luchtvaartmaatschappij stelde niet verantwoordelijk te zijn voor de fout van de chatbot – maar de rechter ging daar niet in mee. Air Canada moest de klant compenseren. De les is helder: wie AI namens het bedrijf laat communiceren, blijft als bedrijf verantwoordelijk.

Ook McDonald’s liet zien dat AI in de fysieke operatie weerbarstig is. Het bedrijf beëindigde zijn test met IBM voor AI-bestellingen in drive-thru’s. De technologie werkte soms, maar er waren ook publieke voorbeelden van verkeerde bestellingen en misverstanden. Dat betekent niet dat voice-AI in fastfood dood is, wel dat rumoerige omgevingen, accenten, snelheid en klantfrustratie samen een harde test vormen.

In HR en selectie zijn de risico’s nog scherper. Amazon bouwde jaren geleden een experimentele recruitmenttool die kandidaten benadeelde op basis van patronen in historische data. Het systeem bleek niet genderneutraal en werd uiteindelijk niet gebruikt om kandidaten te beoordelen. Bij iTutorGroup betaalde het bedrijf $365.000 in een schikking met de Amerikaanse toezichthouder EEOC, nadat software oudere sollicitanten automatisch zou hebben afgewezen.

Nederland heeft zijn eigen waarschuwingen. De toeslagenaffaire draaide niet om generatieve AI zoals ChatGPT, maar wel om geautomatiseerde risicoselectie, data, institutionele vooringenomenheid en onvoldoende menselijke correctie. Amnesty beschreef hoe risicosystemen bijdroegen aan etnisch profileren en grote schade voor ouders. Ook SyRI, een Nederlands fraudedetectiesysteem, werd door de rechter buiten werking gesteld wegens strijd met mensenrechtennormen rond privacy.

Rotterdam is een recenter voorbeeld van dezelfde spanning. De gemeente gebruikte een machinelearningmodel om bijstandsontvangers te scoren op frauderisico. Onderzoek wees op ondoorzichtigheid en biasrisico’s, waarna het model werd gepauzeerd. Opvallend is dat kenmerken als leeftijd, gezinspositie, geslacht en taalvaardigheid konden samenhangen met een hoger risicoprofiel.

Dit zijn geen argumenten tegen AI, maar argumenten tegen gemakzuchtige automatisering.

Klarna: succesverhaal, waarschuwing of allebei?

Klarna verdient een aparte plaats, omdat het vaak wordt aangehaald als bewijs dat AI klantenservice radicaal kan veranderen. Het bedrijf meldde in 2024 dat zijn AI-assistent in de eerste maand twee derde van de customer service chats afhandelde, vergelijkbaar met het werk van 700 fulltime medewerkers. Dat is indrukwekkend.

Maar later kwam er een correctie in het verhaal. Klarna benadrukte opnieuw het belang van menselijke klantenservice en het bieden van een menselijke optie. Dat maakt de case niet waardeloos; juist niet. Het laat zien dat AI op grote schaal kan werken voor standaardvragen, maar dat klantvertrouwen kwetsbaar wordt wanneer mensen het gevoel krijgen dat ze nergens meer een mens kunnen bereiken.

De les: maximale automatisering is niet altijd optimale dienstverlening.

Bron: Vladimka production / Shutterstock.com

Nederland versus EU versus VS: 3 verschillende snelheden

Nederland lijkt in AI-integratie een tussenpositie in te nemen. Het land heeft sterke digitale infrastructuur, grote financiële instellingen, een volwassen zakelijke dienstverlening en relatief hoge adoptie onder grotere bedrijven. Tegelijk is de gevoeligheid voor algoritmische schade groot. Door toeslagen, SyRI en gemeentelijke risicomodellen is “menselijke maat” hier geen abstract begrip, maar bestuurlijke realiteit. Dat maakt Nederlandse organisaties vaak pragmatisch: wel experimenteren, maar met meer aandacht voor controle, auditability en reputatierisico.

De EU als geheel beweegt breder en trager. Grote Europese bedrijven gebruiken AI al stevig, maar de gemiddelde adoptie ligt lager dan in de kopgroep. De Europese kracht zit eerder in gereguleerde implementatie dan in wilde uitrol: sectoren als industrie, zorg, finance, energie en overheid willen AI kunnen uitleggen, controleren en documenteren. Dat kost snelheid, maar kan op lange termijn vertrouwen opleveren.

De VS heeft een andere reflex. Daar zitten veel modelbouwers, cloudplatforms, venture capital en AI-native softwarebedrijven. Experimenten gaan sneller, mislukkingen worden soms sneller geaccepteerd en arbeidsbesparing wordt directer benoemd. Maar juist daardoor zie je ook eerder rechtszaken, reputatieschade of terugtrekkende bewegingen wanneer AI te snel klant-, medewerker- of burgerbeslissingen raakt.

Wanneer werkt AI-integratie wél?

AI-workflows werken vooral goed als ze worden gekoppeld aan een duidelijk proces, goede data en menselijke controle op de juiste momenten. De grootste winst zit meestal niet in “iets met AI doen”, maar in terugkerende werkzaamheden die elke dag opnieuw tijd kosten.

Een goed startpunt is vaak niet het grootste proces, maar het meest herhaalbare proces. Denk aan sales: leads komen via je website, mail of telefoon binnen, moeten worden opgevolgd, in het CRM worden gezet en op de juiste status blijven staan. Juist daar wordt CRM-automatisering interessant: niet omdat het de verkoper vervangt, maar omdat het voorkomt dat opvolging blijft liggen en de pipeline achterloopt.

• Een afgebakend proces — “We willen iets met AI” mislukt vaak. “We willen de gemiddelde afhandeltijd van claimvragen met 15% verlagen zonder lagere klanttevredenheid” is bestuurbaar.
• Goede interne data — AI wordt pas nuttig wanneer het toegang heeft tot actuele, betrouwbare en toegestane informatie. Anders krijg je mooie zinnen op basis van rommel.
• Menselijke controle op de juiste plek — Niet elk antwoord hoeft vooraf langs een jurist, maar bij geld, gezondheid, rechten, selectie of contracten moet duidelijk zijn wie beslist.
• Meten op resultaat, niet op gebruik — Veel gebruikers betekent weinig. De vraag is: daalt de foutmarge, stijgt klanttevredenheid, neemt doorlooptijd af, of wordt omzet daadwerkelijk geraakt?
• Workflowherontwerp — De grootste winst komt niet van AI bovenop oud werk, maar van opnieuw nadenken over wie wat doet: mens, model, systeem of klant.

De conservatieve benadering is dus niet: niets doen. Het is: kleiner beginnen, harder meten en sneller stoppen met wat niet werkt. De positieve benadering is ook niet: alles automatiseren. Het is: zoeken naar processen waar AI saai, herhaalbaar en meetbaar werk beter maakt.

AI betaalt zich uit, maar niet vanzelf

De belofte van AI-workflows is reëel. In klantcontact, softwareontwikkeling, documentanalyse en interne kennisontsluiting zijn de eerste opbrengsten concreet genoeg om serieus te nemen. Grote organisaties kunnen met AI sneller werken, minder handwerk doen en kennis beter verspreiden. Nederland heeft daarbij sterke uitgangsposities, vooral in finance, zakelijke dienstverlening en digitale infrastructuur. De EU bouwt aan vertrouwen en controle. De VS jaagt harder op snelheid, schaal en marktdominantie.

Maar AI is geen laagje magie over bestaande rommel. Slechte data blijft slechte data. Een onduidelijk proces blijft onduidelijk. Een bevooroordeeld selectieproces wordt met AI niet eerlijker, maar sneller bevooroordeeld. En een chatbot die namens het bedrijf praat, kan ook namens het bedrijf schade veroorzaken.

De beste organisaties behandelen AI daarom niet als tool, maar als organisatieverandering. Ze kiezen een proces, meten de nulstand, bouwen controle in, testen met echte gebruikers, houden mensen verantwoordelijk en schalen pas op wanneer de waarde zichtbaar is. Daar zit voorlopig het verschil tussen AI als dure speeltuin en AI als serieuze workflowmotor.

De header-afbeelding is gegenereerd met GPT Images 2.0 van OpenAI.