Het meest zinvolle antwoord op de vraag hoeveel AI je in je bedrijf moet gebruiken, is niet „zoveel mogelijk“. Het is „zoveel dat het waarde toevoegt zonder afbreuk te doen aan het beoordelingsvermogen, de kwaliteit en het onderscheidend vermogen“.
Dit is vandaag de dag belangrijker dan het op het eerste gezicht lijkt. In Italië is het gebruik van kunstmatige intelligentie binnen bedrijven gestegenvan 8,2% in 2024 naar 16,4% in 2025, volgens gegevens van Istat die door Il Foglio zijn gepubliceerd. Deze verdubbeling in slechts één jaar tijd zegt één ding heel duidelijk: de vraag is niet langer óf we actie moeten ondernemen, maar hoe we de balans moeten vinden.
Als CEO van een AI-platform voor Europese KMO’s en als onderzoeker die zich bezighoudt met de commoditisering van de output van taalmodellen, zie ik dezelfde fout steeds weer terugkomen. Bedrijven behandelen AI als een schakelaar. Ofwel negeren ze het, ofwel proberen ze alles te automatiseren. Beide keuzes gaan ten koste van de waarde. De eerste omdat je daardoor traag blijft. De tweede omdat je dan overspoeld wordt met output die op het eerste gezicht correct lijkt, maar inhoudelijk zwak is.
Het framework dat werkt, is eenvoudiger en strakker gestructureerd: gebruik AI waar het routinematig werk kan verlichten, en laat het achterwege waar verantwoordelijkheid, context en menselijke inbreng nodig zijn.
De meeste bedrijven maken fouten door te ver te gaan of te traag te handelen. Het gaat er niet om AI in te voeren. Het gaat erom het punt te vinden waarboven de operationele opbrengst minder stijgt dan het risico dat je daarmee neemt.
Balaji Srinivasan heeft het beter verwoord dan wie dan ook: “0% AI is traag. Maar 100% AI is rommel.” Als CEO interpreteer ik het als volgt: te weinig AI leidt tot onnodige kosten binnen het bedrijf. Te veel AI vervangt het eigen oordeel door aannemelijke maar inwisselbare resultaten.
De logica is die van de Laffer-curve, toegepast op kenniswerk. In het begin levert elk extra punt aan AI een hoog rendement op: minder tijdverspilling aan repetitieve taken, snellere uitvoering, meer standaardisatie in de processen. Dan wordt een drempel bereikt. Boven die drempel daalt het marginale rendement en beginnen de kosten te stijgen, wat veel managers pas laat opmerken: goed verpakte fouten, minder controle, onduidelijke verantwoordelijkheden, inhoud die overal hetzelfde is.
Op nul blijven is geen voorzichtigheid. Het is ervoor kiezen om gekwalificeerde mensen te betalen voor werk dat geen concurrentievoordeel oplevert.
Het gebeurt elke dag. Het financiële team dat bestanden handmatig opnieuw samenstelt. Verkoopmedewerkers die bijna identieke e-mails herschrijven. De afdeling Operations die gegevens van het ene systeem naar het andere verplaatst. Marketing die eerste concepten en formaatwijzigingen met de hand opstelt. Deze activiteiten dragen niet bij aan de strategie, versterken de positionering niet en verhogen de door de klant waargenomen waarde niet. Ze kosten alleen maar managementaandacht en kostbare uren.
Daarom is er beweging op de markt. Zoals in de inleiding al werd opgemerkt, neemt de acceptatie toe omdat het uitblijven van maatregelen steeds zichtbaardere kosten met zich meebrengt, eerst in termen van tijd en vervolgens in termen van marges.
Zonder AI verloopt de uitvoering trager. Met te veel AI standaardiseer je zelfs wat juist onderscheidend zou moeten blijven.
De andere fout is subtieler, omdat het in eerste instantie een winst aan efficiëntie lijkt.
Een financieel rapport dat volledig door AI is opgesteld, kan correct, overzichtelijk en zelfs overtuigend overkomen. Maar een serieuze CFO ondertekent een document niet alleen omdat het ‘goed klinkt’. Hij vergelijkt het met bestellingen, ontvangsten, voorraden, operationele vertragingen en commerciële uitzonderingen. Zonder deze stap automatiseert het bedrijf niet op de juiste manier. Het schuift het risico alleen maar verderop in de keten.
Hetzelfde geldt voor verkoop en marketing. Een e-mail die voor 100% door AI is gegenereerd, kan qua toon, structuur en grammatica correct zijn. Maar vaak ontbreekt het aan dat unieke detail: de verwijzing naar de concrete situatie van de klant, de dynamiek van zijn sector, de specifieke knelpunten die tijdens het gesprek naar voren zijn gekomen. Dat is waar conversie tot stand komt. En dat is waar volledige automatisering het onderscheidend vermogen begint te ondermijnen.
Dit is de slop. Begrijpelijk materiaal, snel te produceren, vormelijk aanvaardbaar, maar met weinig verantwoordelijkheid en concurrentievoordeel. Ik heb dit risico hier uitgebreider geanalyseerd: hoe bedrijven omgaan met AI.
De vuistregel luidt als volgt:
AI automatiseert niet zo goed een heel proces. Het automatiseert wel goed de kern van het proces. Het werkt ‘van midden naar midden’.
In het begin is er een mens nodig die het probleem, de context, de beperkingen en de relevante gegevens vaststelt. Aan het einde is er een mens nodig die de output controleert, deze in de juiste context plaatst en de verantwoordelijkheid ervoor op zich neemt. Tussendoor kan AI daarentegen uren aan werk besparen.
Neem bijvoorbeeld een bedrijfsanalyse. Het management stelt de uitgangsvraag vast: welke klanten vertonen een terugval, welke productlijnen groeien, en waar neemt de marge af. De AI verzamelt gegevens, zuivert tabellen, signaleert patronen en stelt het rapport op. Vervolgens bekijkt een deskundige de uitkomst en beslist of dat patroon een echte afwijking is of slechts tijdelijke ruis.
Hetzelfde geldt voor klantenservice, financiën, bedrijfsvoering en marketing. AI is goed in het omzetten, classificeren, samenvatten, aanpassen van het formaat en het opstellen van eerste versies. Het is echter, op zichzelf, niet geschikt voor het stellen van zakelijke prioriteiten en het nemen van het risico bij de uiteindelijke beslissing.
Veel ondernemers kijken naar API’s of licenties. Dat is een deel van het verhaal, maar zelden de doorslaggevende factor. De werkelijke kosten zitten in de uren aan expertise die nodig zijn om goede instructies te geven en de output te controleren.
Hier komt een feit naar voren dat ik vaak met de teams deel. Slechts 10% van de waarde van AI is afkomstig van de algoritmen, 20% van de gegevens en 70% van mensen, processen en de bedrijfscultuur, zoals Archimedia in zijn praktische gids samenvat. Als je het bij de organisatie, het bestuur en de verantwoordelijkheden verkeerd aanpakt, kun je het beste model hebben en toch weinig bereiken.
Managementregel: AI maakt expertise niet overbodig. Het verschuift de nadruk van mechanisch handelen naar goed beoordelen.
Daarom raken bedrijven die proberen ‘mensen te vervangen’ vaak teleurgesteld. Bedrijven die hun functies daarentegen herontwerpen, boeken meer succes. Minder tijd voor handmatig werk. Meer tijd voor controle, analyse en besluitvorming.
Drie praktische implicaties:
De snelste manier om de invoering van AI te verprutsen, is door de beperkingen ervan te beschouwen als tijdelijke problemen. Veel daarvan zijn dat namelijk niet. Het zijn structurele grenzen die juist bedoeld zijn om te bepalen waar de grens ligt.
Eerste beperking: economisch. AI op grote schaal is niet gratis. Elke aanroep, workflow, orkestratie, integratie en controle brengt extra kosten met zich mee. Als de taak weinig waarde heeft of te veel revisiestappen vereist, kan automatisering de winst- en verliesrekening verslechteren in plaats van verbeteren.
Tweede beperking, van wiskundige aard. AI lost problemen niet op magische wijze op wanneer het systeem instabiel, chaotisch of moeilijk waarneembaar is. Een model kan helpen bij het interpreteren van signalen. Het kan radicale onzekerheid niet omzetten in zekerheid.
Derde beperking, van praktische aard. Zelfs als het model goed is, kan de volledige taak niet volledig worden geautomatiseerd. Iemand moet het probleem formuleren en iemand moet het antwoord controleren.
Vierde beperking: fysiek. De AI bevindt zich niet in je fabriek, bezoekt de klant niet, voelt de spanning tijdens een onderhandeling niet en ziet geen machine die abnormaal trilt, tenzij iemand die informatie in de gegevens invoert.
Als het proces impliciete context, directe waarneming of een sterke wettelijke verantwoordelijkheid vereist, moet de AI een assistent zijn, geen bestuurder.
De meest onderschatte bottleneck is interne expertise. In Italië beschouwt 68% van de bedrijven met minder dan 50 werknemers het gebrek aan interne expertise als de grootste belemmering voor de invoering van AI, en is er volgens deze analyse over het gebruik van AI, data, vaardigheden en opleiding gemiddeld 4 tot 6 weken opleiding nodig om zelfstandig met AI te kunnen werken.
Dit feit is belangrijker dan vele spectaculaire demo’s. Als niemand in het bedrijf een output kan controleren, is automatisering geen voordeel. Het is een operationeel risico.
Voor een manager is de juiste vraag niet: „Kan de AI dit doen?”. Maar wel deze:
Als een van deze antwoorden ‘nee’ is, verhoog dan het menselijke aandeel.
Het meest subtiele strategische probleem is niet de grove fout. Het is de afglijding naar middelmatigheid van goede kwaliteit. Ik noem dit effect de B+ Trap.
De belangrijkste generatieve modellen produceren steeds vaker output die ‘goed genoeg’ is. Zuivere teksten. Leesbare samenvattingen. Overzichtelijke analyses. Correcte structuren. Maar wanneer iedereen dezelfde modellen, dezelfde promptpatronen en dezelfde workflows gebruikt, neigt het resultaat ertoe om naar elkaar toe te groeien.
Voor veel bedrijven is dit in het begin onzichtbaar. Ze zien snelheid en schijnbare kwaliteit. Ze zien niet dat ze hun stem, hun onderscheidend vermogen en hun concurrentievoordeel verliezen. In marketing vertaalt zich dat in inwisselbare content. In analyse vertaalt zich dat in inzichten die iedereen kan verkrijgen. In strategie vertaalt zich dat in beslissingen die zijn gebaseerd op gemiddelde marktinformatie, en niet op jouw eigen concurrentievoordeel.
Een bedrijf dat het standaardwerk aan de AI overlaat en vervolgens interne expertise, branchekennis, eigen gegevens en managementinzicht inbrengt, creëert een ander resultaat. Niet per se langer of complexer. Maar wel nuttiger.
Dat is de reden waarom 100% AI een concurrentieel doodlopend pad is. Niet omdat AI slecht is, maar omdat je, als je alles door AI laat produceren zonder menselijke inbreng, resultaten krijgt die steeds meer lijken op die van alle anderen. Het deel dat marge oplevert, is het niet-standaardaspect.
Voor wie dit standpunt vanuit een wetenschappelijk perspectief verder wil verdiepen, verwijs ik naar de publicaties over AI-gedreven analytics.
Het voordeel in 2026 is niet dat je toegang hebt tot AI. Het is dat je weet waar je de automatisering moet onderbreken en je eigen laag moet toevoegen.
Als een ondernemer mij vraagt hoeveel AI hij in zijn bedrijf moet inzetten, ga ik uit van twee variabelen. Niet van de tool zelf.
Ten eerste is er de aard van de taak. Is deze mechanisch, analytisch of besluitvormend?
Het tweede punt is de prijs van een fout. Als de output niet klopt, verlies je dan een paar minuten, een klant, winstmarge of geloofwaardigheid?
Deze aanpak is ook om een heel concrete reden zinvol. De meest directe impact van Gen AI is te zien in de automatisering van repetitieve taken, zoals e-mailbeheer en het genereren van standaardrapporten, waardoor personeel vrijkomt voor taken met een hogere toegevoegde waarde, zoals Huware benadrukt in zijn diepgaande analyse over bedrijfsproductiviteit.
| Type taak | Lage foutkosten | Gemiddelde foutkosten | Hoge kosten van fouten |
|---|---|---|---|
| Mechanisch en repetitief | Bijna 90% AI. Gegevensopmaak, planning, tagging, distributie van inhoud. | Ongeveer 70% AI. Sterke automatisering met eindcontrole. | Ongeveer 50% AI. De AI stelt het op, de mens controleert het regel voor regel. |
| Analytisch en interpretatief | Ongeveer 70% AI. De AI herkent patronen, de mens bevestigt deze. | Ongeveer 50% AI. Een goede balans voor managementrapportages. | Ongeveer 40% AI. Er is een systematische beoordeling door deskundigen nodig. |
| Besluitvorming en strategie | Ongeveer 40% AI. Ondersteuning voor scenario’s en opties. | Ongeveer 30% AI. AI ondersteunt, maar trekt geen conclusies. | Bijna 30% AI. Prijsbeleid, strategie, personeelswerving, gevoelige communicatie. |
Deze percentages zijn geen natuurwet. Ze vormen een praktisch uitgangspunt. Ze dienen om twee veelvoorkomende fouten te voorkomen: het te vroeg automatiseren van risicovolle processen, of het handmatig laten verlopen van processen die inmiddels door software zouden moeten worden afgehandeld.
In de praktijk is het raadzaam om het automatiseringsniveau regelmatig te herzien. De nuttigste statistieken zijn eenvoudig.
Als je deze stap officieel wilt vastleggen, is het nuttig om na te denken over hoe je het rendement op de AI-investering kunt beoordelen voordat je de toepassing uitbreidt naar het hele bedrijf.
Belangrijkste punten
De beste manier om dit raamwerk te begrijpen, is door te zien hoe het in de praktijk wordt toegepast, zonder overbodige theorie. Intern is het traject niet begonnen met een abstract project op het ‘AI-niveau’. Het is uitgegaan van een eenvoudige regel: automatiseren alleen daar waar de kosten van een onopgemerkte fout laag zijn, en menselijke controle behouden waar de kosten van een fout hoog zijn.
Het duidelijkste voorbeeld is de publicatiepijplijn. De eerste poging was eenvoudig: alles automatiseren, van het eerste concept tot de verspreiding via de kanalen, inclusief aanpassingen van het formaat, afbeeldingen en planning. Het werkte. Maar de output was slechts globaal correct.
De toon was er. Het formaat ook. Wat ontbrak, was datgene wat een ervaren lezer meteen opmerkt: de specifieke invalshoek, het oordeel, het standpunt.
De afstemming werd bereikt door op slechts twee punten weer menselijke tussenkomst in te voeren: het herzien van de kernboodschap en het selecteren van de hoek per platform. De AI bleef verantwoordelijk voor de aanpassing van het formaat, de productie van het creatieve materiaal en de publicatie. Hierdoor daalde de hoeveelheid menselijke arbeid per cyclus van drie uur naar ongeveer 30 minuten, met een uiteindelijke verhouding van ongeveer 80% AI en 20% mens.
Het optimale punt ligt niet daar waar de AI alles kan doen. Het ligt daar waar het team ophoudt met te veel te corrigeren en de output geloofwaardig blijft.
De methode die hiervoor is gebruikt, kan in elke KMO worden toegepast.
Er worden drie interne indicatoren bijgehouden: het percentage corrigerende maatregelen, de totale doorlooptijd en de door de eindgebruiker ervaren kwaliteit. Wanneer een van deze indicatoren verslechtert, moet de schuifregelaar weer terug worden gezet.
Deze aanpak sluit ook goed aan bij een productfilosofie die ik als gezond beschouw: AI zou het werk van een analist moeten vervangen wanneer dat repetitief en gestructureerd is, niet het zakelijk inzicht. Met andere woorden: het is bedoeld om je analist te vervangen, niet je eigen inzicht.
Concurrentievoordeel ontstaat niet door meer AI te gebruiken. Het ontstaat door een grens te stellen voordat automatisering de marges, het vertrouwen en het unieke karakter van het werk begint aan te tasten.
Daarom is de juiste vraag niet of je AI moet invoeren, maar hoeveel AI je binnen het bedrijf in elk relevant proces moet inzetten. De AI-Laffer-curve dient precies hiervoor: het punt vinden waarop automatisering de productiviteit en snelheid verhoogt zonder het team in de B+-valkuil te drijven, dat wil zeggen: resultaten die goed genoeg zijn om door de beugel te kunnen, maar te algemeen om het bedrijf te onderscheiden.
In de praktijk moet AI worden ingezet wanneer het tijd bespaart, repetitief werk vermindert en de controlekosten laag houdt. Het gebruik ervan moet worden gestaakt wanneer een fout zwaarder weegt dan de bespaarde tijd, wanneer de context belangrijker is dan het formaat en wanneer de beslissing gevolgen heeft voor de bedrijfsvoering of de reputatie.
Hier komt de managementervaring naar voren.
In de komende concurrentiecyclus zullen de bedrijven die erin slagen de AI een duidelijk kader te geven, als winnaars uit de bus komen. Niet de bedrijven die AI overal inpassen, maar de bedrijven die het menselijk oordeel behouden en de rest op een gedisciplineerde manier automatiseren.
Als je deze aanpak wilt toepassen met een platform dat de analyse automatiseert zonder dat je de beslissingsbevoegdheid uit handen geeft, ontdek dan ELECTE, een door AI aangedreven data-analyseplatform voor het MKB. Je kunt zien hoe het ruwe gegevens omzet in bruikbare inzichten, automatische rapporten en nuttige signalen om sneller beslissingen te nemen, zonder volledig op AI te vertrouwen. Klaar om actie te ondernemen op basis van je gegevens? Start je gratis proefperiode →
.svg)
.svg)
.svg)
