AI: van hype naar concrete businesswaarde

AI staat inmiddels bij vrijwel iedere organisatie op de agenda:

Directies lezen over generatieve AI.
Medewerkers experimenteren met ChatGPT en andere tools.
Leveranciers beloven forse productiviteitswinst.

Maar voor mij is uiteindelijk maar één vraag echt interessant:

waar levert AI aantoonbare businesswaarde op?

Niet:

hoeveel pilots hebben we?
hoeveel tools gebruiken we?
hoeveel medewerkers hebben een AI-account?

Maar:

stijgt de omzet?
dalen de kosten?
wordt de doorlooptijd korter?
neemt de kwaliteit toe?
worden klanten beter geholpen?
kunnen medewerkers productiever werken?
verdwijnen fouten of dubbel werk?

Dat is voor mij het verschil tussen AI-hype en echte waarde.

Begin niet met AI

Mijn eerste vraag is zelden:

“Wat kunnen we met AI?”

Ik begin liever met:

“Waar verliezen we vandaag tijd, geld, kwaliteit of klantwaarde?”

Bijvoorbeeld:

veel handmatig werk;
lange wachttijden;
informatie moeilijk vinden;
veel fouten;
veel administratief werk;
lage conversie;
hoge cost-to-serve;
kennis die bij enkele medewerkers zit;
rapportages die veel tijd kosten.

Pas daarna kijk ik of AI een goede oplossing is.

Dat voorkomt dat technologie een oplossing wordt die nog op zoek is naar een probleem.

Mijn praktische regel: probleem eerst, technologie daarna

Ik gebruik graag deze volgorde:

Welk bedrijfsprobleem willen we oplossen?
Hoe groot is dat probleem?
Welke waarde zit er in verbetering?
Is AI hiervoor echt geschikt?
Wat moet veranderen in proces, data en werkwijze?
Hoe meten we of het resultaat daadwerkelijk verbetert?

Dat klinkt simpel.

Maar juist die discipline ontbreekt vaak.

Veel AI-pilots zijn technisch interessant, maar economisch onduidelijk

Een pilot kan indrukwekkend zijn.
Een chatbot werkt.
Een model maakt samenvattingen.
Een assistent schrijft teksten.

Maar dat zegt nog weinig over businesswaarde. Ik wil weten:

hoeveel tijd wordt werkelijk bespaard?
hoeveel fouten verdwijnen?
welke capaciteit komt vrij?
neemt omzet toe?
wordt de klant sneller geholpen?
verdwijnt een bestaande handeling?

Zonder zulke antwoorden blijft het vooral een experiment.

Mijn belangrijkste vraag bij iedere pilot

“Welke KPI moet over zes maanden aantoonbaar anders zijn?”

Bijvoorbeeld:

offerte-doorlooptijd;
afhandeltijd;
foutpercentage;
conversie;
productiviteit;
klanttevredenheid;
aantal handmatige handelingen;
zoektijd;
cost-to-serve.

Als niemand dat concreet kan maken, is de use case nog te vaag.

AI creëert vaak eerst tijd

Veel AI-businesscases beginnen met tijdsbesparing.

Dat is logisch.

Maar tijdsbesparing is nog geen financiële waarde.

Stel:

een medewerker bespaart twee uur per week.

Dan dalen de kosten niet automatisch.

De echte vraag is:

wat gebeurt er met die twee uur?

Bijvoorbeeld:

meer klantcontact;
meer dossiers verwerken;
sneller offertes maken;
hogere kwaliteit;
minder overwerk;
groei zonder extra FTE;
minder externe inhuur.

Daar ontstaat de businesswaarde.

Mijn tip: reken niet alleen bespaarde uren uit

Maak onderscheid tussen:

Theoretische besparing: Hoeveel tijd kan de technologie besparen?

Realiseerbare besparing: Hoeveel tijd komt in de praktijk echt vrij?

Financiële waarde: Wat doet de organisatie met die vrijgekomen capaciteit?

Dat voorkomt overdreven AI-businesscases.

Niet iedere efficiëntere taak maakt het proces beter

Dit zie ik regelmatig.

AI versnelt één stap.

Maar het totale proces blijft traag.

Bijvoorbeeld:

AI maakt een offerte sneller.

Maar daarna:

moet Finance nog handmatig goedkeuren;
ontbreekt actuele klantdata;
wacht Sales op pricing;
moet informatie opnieuw worden ingevoerd.

Dan heb je een snelle taak in een langzaam proces.

Mijn praktische regel is daarom:

kijk altijd end-to-end.

Niet alleen naar de taak waar AI wordt toegevoegd.

Welke processen zijn meestal interessant?

Ik kijk vooral naar processen met:

veel informatie;
veel herhaling;
veel handmatige administratie;
veel zoekwerk;
duidelijke patronen;
veel volume;
terugkerende fouten;
lange doorlooptijden.

Dat zijn vaak goede kandidaten.

Maar alleen als de businesswaarde groot genoeg is.

Een eenvoudige manier om use cases te prioriteren

Ik zou AI-use cases minimaal beoordelen op vier punten:

1. Waarde: Wat kan het opleveren?

2. Haalbaarheid: Kunnen we het realistisch implementeren?

3. Data: Is de benodigde informatie bruikbaar?

4. Verandering : Kan de organisatie de nieuwe werkwijze daadwerkelijk invoeren?

Een use case met enorme potentiële waarde maar slechte data is soms geen goede eerste keuze. Een kleinere use case met snelle resultaten kan juist veel nuttiger zijn.

Mijn voorkeur: begin met bewezen pijn

De beste eerste AI-use cases zijn vaak niet de spectaculairste. Ze lossen iets op waar medewerkers iedere dag last van hebben.

Bijvoorbeeld:

veel handmatige rapportages;
dezelfde informatie steeds opnieuw zoeken;
klantvragen classificeren;
offertes voorbereiden;
documenten samenvatten;
administratieve invoer.

Waarom? Omdat iedereen het probleem al kent. Daardoor zijn waarde en adoptie veel makkelijker zichtbaar te maken.

AI bij Sales: waarde zit in meer tijd voor klanten

Sales is een goed voorbeeld.

Veel commerciële medewerkers besteden veel tijd aan:

voorbereiding;
CRM bijwerken;
informatie zoeken;
opvolgmails;
samenvatten.

AI kan daar helpen.

Bijvoorbeeld met:

klantinformatie samenvatten;
gesprek voorbereiden;
actiepunten genereren;
follow-up voorstellen;
CRM automatisch aanvullen.

Maar de echte waarde is niet de samenvatting.

De echte waarde ontstaat wanneer Sales daardoor:

meer klanten spreekt;
sneller opvolgt;
hogere conversie realiseert;
meer tijd aan relaties besteedt.

AI in klantenservice: niet alleen minder kosten

Bij klantenservice wordt AI vaak gekoppeld aan kostenbesparing. Dat kan. Maar ik kijk breder.

AI kan bijvoorbeeld:

vragen classificeren;
antwoorden voorstellen;
relevante informatie tonen;
gesprekken samenvatten;
administratie automatiseren.

De waarde kan dan zitten in:

kortere wachttijd;
hogere first-time-fix;
minder herhaalcontact;
hogere medewerkerproductiviteit;
betere klanttevredenheid.

Dat geeft een betere businesscase dan alleen “minder FTE”.

AI bij offertes: meet de hele keten

AI kan snel een conceptofferte maken. Prima.

Maar ik wil vooral weten:

hoe snel gaat de offerte naar de klant?
hoeveel correcties zijn nodig?
hoeveel offertes kan Sales extra verwerken?
stijgt de conversie?

Daar zit de werkelijke waarde.

AI en kennismanagement: eerst de kwaliteit van kennis

AI kan kennis makkelijker toegankelijk maken. Maar het lost slecht kennismanagement niet automatisch op.

Als documenten:

oud zijn;
elkaar tegenspreken;
niet goed beheerd worden;

dan geeft AI vooral sneller toegang tot slechte informatie.

Mijn regel: eerst betrouwbare kennis, daarna slimme toegang.

AI voor managementinformatie: van productie naar analyse

Rapportages zijn vaak interessant. Niet omdat AI een managementsamenvatting kan schrijven.

Maar omdat teams veel tijd kwijt zijn aan:

data verzamelen;
controles;
Excel;
PowerPoint;
toelichtingen.

Als AI en automatisering dat verminderen, kunnen Finance en Control meer tijd besteden aan:

analyse;
scenario’s;
afwijkingen;
besluitvorming.

Dat is de echte waarde.

Mijn AI-businesscase blijft bewust eenvoudig

Voor iedere use case wil ik ongeveer weten:

Probleem: Wat gaat nu niet goed?
Baseline: Hoe groot is het probleem?
Verwachte verbetering: Wat verandert?
Financiële waarde: Wat levert dat op?
Investering: Wat kost implementatie en beheer?
Risico: Wat kan misgaan?
KPI: Hoe weten we of het werkt? Meer hoeft een eerste businesscase vaak niet te zijn.

Stop pilots die geen waarde aantonen

Dit vind ik belangrijk. Organisaties stoppen pilots soms moeilijk:

Er is al tijd in geïnvesteerd.
Medewerkers zijn enthousiast.
De technologie werkt.

Maar als de waarde niet overtuigend is, moet stoppen een normale beslissing zijn.

Mijn praktische tip

Spreek vooraf af: wanneer stoppen we?

Bijvoorbeeld als:

KPI’s niet verbeteren;
adoptie laag blijft;
kosten hoger zijn dan verwacht;
data onvoldoende betrouwbaar is;
schaalbaarheid tegenvalt.

Dan wordt experimenteren professioneel.

Kijk naar portfolio, niet alleen naar losse ideeën

Als er twintig AI-initiatieven bestaan, zou ik niet twintig losse discussies voeren.

Ik wil weten:

welke leveren waarde;
welke overlappen;
welke kunnen samen;
welke zijn te complex;
welke moeten stoppen;
welke verdienen extra capaciteit.

Dat brengt focus.

Mijn regel: minder pilots, meer productie

Een organisatie kan tientallen pilots hebben en weinig waarde realiseren.

Daarom zou ik liever zien:

5 sterke use cases;
3 daadwerkelijk in productie;
2 aantoonbaar waardevol;

dan:

30 experimenten;
0 structurele implementaties.

Het aantal pilots is geen succesindicator.

Van experiment naar businesswaarde vraagt meer dan technologie

Een use case moet meestal ook leiden tot verandering in:

proces;
rollen;
data;
systemen;
gedrag;
KPI’s.

Als alleen de technologie verandert, blijft de waarde vaak achter.

Daarom stel ik altijd de vraag:

“Wat moet in het dagelijkse werk anders gaan?”

Waarom een interim AI-manager hier kan helpen

In veel organisaties zit voldoende inhoudelijke kennis:

De business kent processen.
IT kent technologie.
Finance kent de cijfers.
Risk kent de risico’s.

Maar wat vaak ontbreekt is iemand die het geheel verbindt.

In een interim-rol kan ik helpen met:

use cases inventariseren;
waarde bepalen;
prioriteren;
businesscases maken;
pilots selecteren;
implementatie sturen;
resultaten meten;
initiatieven stoppen;
governance organiseren;
eigenaarschap beleggen.

Dat maakt AI veel minder vrijblijvend.

Mijn eerste 30 dagen zouden vooral over focus gaan

Als ik in een organisatie met veel AI-initiatieven binnenkom, zou ik eerst vragen:

Welke initiatieven bestaan?
Welk probleem lossen ze op?
Wie is eigenaar?
Welke waarde verwachten we?
Welke waarde is al bewezen?
Welke pilots kunnen stoppen?
Waar zitten snelle kansen?

Daarna pas zou ik nieuwe initiatieven toevoegen.

De echte test: wat verandert er in de P&L of bedrijfsvoering?

AI hoeft niet altijd direct winst op te leveren.

Maar er moet uiteindelijk wel iets materieels veranderen.

Bijvoorbeeld:

minder kosten;
meer omzet;
meer capaciteit;
hogere kwaliteit;
lagere risico’s;
betere klantbeleving.

Als we na een jaar alleen kunnen zeggen:

“we hebben veel geleerd over AI”

dan is dat misschien nuttig.

Maar het is nog geen structurele businesswaarde.

Van hype naar waarde

Voor mij is de route uiteindelijk vrij eenvoudig:

bedrijfsprobleem → use case → businesscase → pilot → implementatie → meetbaar resultaat.

Niet:

tool → pilot → nog een pilot → nog een tool.

De organisaties die waarschijnlijk het meeste aan AI hebben, zijn daarom niet per se de organisaties met de meeste experimenten.

Het zijn de organisaties die het beste kunnen bepalen:

waar waarde zit;
welke use cases prioriteit krijgen;
wat zij stoppen;
hoe zij implementeren;
hoe zij resultaat meten.

De centrale vraag is dus niet:

“Wat kan AI allemaal?”

Maar:

“Waar kan AI binnen onze organisatie aantoonbaar bijdragen aan omzet, kosten, klantwaarde, kwaliteit of productiviteit?”

Daar begint de stap van AI-hype naar concrete businesswaarde.

Meer lezen over bedrijfsprocessen automatiseren bij post-merger integratie?