Er vindt momenteel een opvallende verschuiving plaats in de directiekamers. Kunstmatige intelligentie is in korte tijd veranderd van experimenteel innovatieproject naar strategische topprioriteit. Bestuurders voelen dat ze moeten bewegen: concurrenten investeren, adviseurs waarschuwen en de belofte van productiviteitswinst lijkt te groot om te negeren.
Toch ontstaat juist daar een ongemakkelijke realiteit. Terwijl de investeringen in AI naar recordhoogte stijgen, blijft het daadwerkelijke resultaat onder de streep vaak achter.
De AI-Paradox
De investeringsdrang is ongekend. Even wat cijfers op een rijtje: 85% van de organisaties verhoogde vorig jaar hun AI-budget en 91% is van plan dit jaar nog verder op te schalen. Het vertrouwen in de impact van AI is breed gedragen: 84% van de zakelijke leiders gelooft dat de technologie fundamenteel bepalend wordt voor hun organisatie. Maar achter dit optimisme schuilt een gevaarlijke paradox. Slechts 14% van de organisaties geeft aan daadwerkelijk klaar te zijn om AI structureel te integreren in hun bedrijfsvoering.
Die kloof tussen financiële ambitie en organisatorische executiekracht heeft gevolgen. Naar schatting mislukt inmiddels zo’n 80% van de AI-projecten, bijna twee keer zo vaak als bij traditionele IT-trajecten. Het laat zien dat kapitaal alleen onvoldoende is om een gebrek aan fundament, duidelijke processen en intern begrip te compenseren.
Bron: Rand
De onderliggende oorzaak is vaak dezelfde: een zogeheten technology-push benadering. De technologie is beschikbaar, en vervolgens wordt gezocht naar een probleem dat erbij past. Bestuurders staan onder druk om “iets met AI” te doen, wat leidt tot projecten die technisch indrukwekkend zijn, maar in de praktijk de verkeerde variabelen optimaliseren of simpelweg niet aansluiten op hoe mensen daadwerkelijk werken. AI wordt dan geen versterking van de organisatie, maar een losstaand experiment zonder blijvende impact.
Wie AI behandelt als IT-project, krijgt IT-resultaten. Wie het behandelt als bedrijfsstrategie, krijgt rendement.
Tegelijkertijd is deze fase niet uitzonderlijk. Vrijwel elke grote technologische transitie begint met overschatte verwachtingen en onderschatte implementatiecomplexiteit. Het huidige hoge faalpercentage zegt daarom minder over de waarde van AI zelf, en meer over hoe organisaties nog zoeken naar de juiste manier om de technologie in te bedden.
De visie
Als organisaties de hoge faalkans willen doorbreken, vraagt dat niet om betere tools, maar om een fundamenteel andere manier van denken. AI is geen klassieke IT-upgrade die je implementeert en vervolgens uitrolt. Het raakt processen, besluitvorming en dagelijkse werkwijzen, en vraagt daarmee om een herinrichting van hoe een organisatie opereert.
Succesvolle organisaties benaderen AI daarom niet als technologie project, maar als strategische transformatie. Daarbij zien we drie onderliggende principes terugkeren.
Pijler 1: Los langdurige problemen op
De meest succesvolle AI-toepassingen richten zich niet op trends of korte termijn experimenten, maar op hardnekkige, structurele problemen binnen de organisatie. Juist omdat AI-implementaties tijd kosten om goed te ontwikkelen, integreren en adopteren, loont het alleen wanneer het probleem zelf blijvend relevant is.
Dit vraagt om een andere investeringsmentaliteit. Waar traditionele IT-projecten vaak binnen 7 tot 12 maanden rendement laten zien, ligt de terugverdientijd van AI aanzienlijk hoger. In de praktijk duurt dit meestal 2 tot 5 jaar, en slechts een kleine minderheid van organisaties realiseert al binnen het eerste jaar meetbaar rendement. AI is daarmee minder een efficiency-upgrade en meer een langetermijn capaciteit die geleidelijk waarde opbouwt.
Organisaties die deze tijdshorizon niet accepteren, starten vaak projecten die vroegtijdig worden stopgezet, zonder te wachten tot de echte toegevoegde waarde ontstaat.
Bron: Deloitte
Pijler 2: De schaal van het probleem
AI is duur. Niet alleen vanwege rekenkracht of tooling, maar vooral door het menselijke werk dat eraan voorafgaat. Het grootste deel van een AI-project bestaat zelden uit het trainen van modellen, maar uit data-engineering: het verzamelen, opschonen en structureren van informatie. Dat is arbeidsintensief, tijdrovend en daarmee kostbaar.
Juist daarom bepaalt de schaal van het probleem of een AI-initiatief ooit rendabel kan worden. Een kleine efficiëntiewinst op een grote kostenpost, zoals logistiek, klantenservice of inkoop, levert vrijwel altijd meer waarde op dan een technisch perfecte oplossing voor een niche vraagstuk. Veel organisaties maken hier dezelfde fout: ze beginnen met een interessant probleem, in plaats van een economisch relevant probleem.
Een eenvoudige manier om voorstellen te toetsen, is door ze te benaderen als een investeringsvraagstuk in plaats van een innovatie-experiment. Uiteindelijk draait het om de netto waarde die over meerdere jaren wordt opgebouwd:
De Rendementsformule
W = (S − C) × T − I
Waarbij:
W: Netto winstbijdrage (Profit)
S: Jaarlijkse besparing (Savings)
C: Jaarlijkse operationele kosten (Run-costs)
T: De tijdshorizon in jaren (Time)
I: Eenmalige investering of ontwikkelkosten (Investment)
Deze rekensom dwingt tot scherpte. Als de potentiële impact te klein is om de vaste ontwikkelkosten terug te verdienen, is het waarschijnlijk geen AI-probleem maar een proces probleem. AI werkt het best waar schaal aanwezig is en waar kleine verbeteringen zich duizenden keren per dag herhalen.
Walmart
Een organisatie die deze langetermijnbenadering zichtbaar toepast, is Walmart. Met meer dan 10.000 winkels, ruim twee miljoen medewerkers en een jaaromzet van ongeveer 650 miljard dollar beheert het bedrijf een van de meest complexe toeleveringsketens ter wereld. Juist in zo’n omgeving, waar marges onder druk staan en operationele efficiëntie direct doorwerkt in de winstgevendheid, heeft Walmart AI niet als experiment gepositioneerd, maar als onderdeel van de kernoperatie.
Het bedrijf ontwikkelde een centraal AI-platform dat inmiddels diep in de dagelijkse bedrijfsvoering is geïntegreerd. Zo ondersteunt het systeem real-time vertalingen in 44 talen, waardoor communicatie tussen internationale teams en winkelmedewerkers aanzienlijk soepeler verloopt. Ook praktische processen veranderen zichtbaar: de tijd die managers nodig hebben om ploegplanningen te maken daalde van ongeveer 90 minuten naar slechts 30 minuten. Op zichzelf lijken dit incrementele verbeteringen, maar juist hier zit de logica van pijler 1: structurele optimalisaties die zich duizenden keren per dag herhalen en daardoor op termijn substantiële waarde creëren.
“De echte AI-winst zit niet in één grote innovatie, maar in duizenden kleine beslissingen per dag.”
In de winkels zelf gaat de integratie nog verder. Computervisiemodellen analyseren camerabeelden om schap beschikbaarheid continu te monitoren en sturen medewerkers automatisch naar producten die moeten worden bijgevuld. Tegelijkertijd verbeteren voorspellende algoritmen de lokale vraagprognoses, waardoor voorraden nauwkeuriger worden afgestemd en voedselverspilling aantoonbaar afneemt. AI fungeert hier niet als losse innovatie, maar als operationele infrastructuur.
Juist de combinatie van schaal en integratie maakt het verschil. Individuele toepassingen besparen niet direct miljoenen, maar op het niveau van duizenden winkels ontstaat een cumulatief effect dat wél materieel wordt. Volgens het bedrijf leveren investeringen in technologie en automatisering in sommige onderdelen inmiddels rendementen op die kunnen oplopen tot circa 20%.
De les is daarmee minder dat AI spectaculaire doorbraken vereist, en meer dat consistente, schaalbare verbeteringen over tijd een strategisch voordeel opbouwen.
Bron: Walmart
Amazon
Een vergelijkbaar principe zien we bij Amazon, waar schaal niet alleen een voordeel is, maar ook een logistieke uitdaging van ongekende omvang. Met honderden miljoenen producten in omloop is het handmatig bepalen van de juiste verpakking simpelweg onmogelijk, terwijl generieke verpakkingsregels leiden tot inefficiëntie, hogere kosten en onnodig materiaalgebruik.
Om dit probleem aan te pakken zette Amazon deep learning in als kernonderdeel van zijn logistieke operatie. Het resultaat is opvallend: het gemiddelde verpakkingsgewicht per zending werd met 36% verlaagd, wat neerkomt op de eliminatie van meer dan één miljoen ton verpakkingsmateriaal, vergelijkbaar met ongeveer twee miljard verzenddozen.
“Een kleine optimalisatie per pakket wordt op miljarden verzendingen een strategisch voordeel.”
De kracht van deze aanpak zit niet in één enkel model, maar in de combinatie van databronnen. Amazon ontwikkelde een multimodaal systeem dat tekstuele productinformatie koppelt aan visuele data. Tekstmodellen herkennen bijvoorbeeld aanwijzingen voor kwetsbare materialen zoals glas of keramiek, terwijl computervisie analyseert hoe producten daadwerkelijk verpakt zijn door leveranciers en of die verpakking transport aankan. Door continu te leren van miljoenen verzendingen en klantfeedback kan het systeem steeds nauwkeuriger voorspellen of een product veilig in een lichte envelop kan worden verzonden of een stevigere doos vereist.
Deze gecombineerde aanpak verhoogde de voorspellingsnauwkeurigheid met ongeveer 30%. Het effect daarvan is typisch voor pijler 2: een relatief kleine optimalisatie op individueel niveau die, toegepast op miljarden verzendingen, uitgroeit tot een structurele kostenbesparing én een verbeterde klantervaring. AI creëert hier waarde niet door iets compleet nieuws te doen, maar door een bestaand proces op enorme schaal slimmer te maken.
Bron: Amazon
Van Hype naar Rendement
De toekomst van AI binnen organisaties wordt waarschijnlijk niet bepaald door wie de meest geavanceerde modellen implementeert, maar door wie het scherpst durft te kijken naar waar technologie daadwerkelijk economische waarde toevoegt. Niet de technologie zelf is schaars, maar het vermogen om haar gericht toe te passen.
Dat vraagt om een andere reflex aan de vergadertafel. Minder zoeken naar de volgende doorbraak, en meer aandacht voor de processen die vandaag al structureel tijd, geld en kwaliteit kosten. De relevante vraag is niet wat AI allemaal kan, maar waar binnen de organisatie verbetering financieel noodzakelijk is.
Wanneer u maandag weer aan tafel zit, leg elk AI-voorstel daarom langs vier eenvoudige, maar confronterende vragen:
Waar zit het volume?
Welke post op de resultatenrekening vreet momenteel de meeste marge op door menselijke traagheid of herhaalbare fouten?
Is dit een langdurig probleem?
Durven we ons voor dit specifieke dossier minimaal een jaar te committeren, of jagen we een tijdelijke hype na?
Is de basis op orde?
Hebben we de infrastructuur en het talent om het noodzakelijke engineeringwerk te ondersteunen, of bouwen we op een zwak fundament?
Hebben we de tijd?
Accepteert de organisatie een ROI-horizon van twee tot vier jaar, of zoeken we eigenlijk een snellere oplossing?
Kijk morgen niet eerst naar nieuwe technologie, maar naar uw spreadsheet. De meest winstgevende AI-toepassing is zelden een alles oplossend algoritme. Vaak zit de echte impact in kleine verbeteringen die, toegepast op de grootste en meest terugkerende kostenposten, langzaam maar zeker het verschil maken.
