Bedrijven in Nederland en de EU steken op dit moment meer geld in AI-tools zoals Microsoft Copilot, ChatGPT Enterprise en Google Gemini. Toch is de toegevoegde waarde vaak onduidelijk, vooral buiten kleine pilots. IT- en finance-afdelingen melden groeiende kosten en weinig harde bewijzen van productiviteitswinst. De druk om niet achter te lopen en de komst van de Europese AI-verordening met gevolgen voor overheid en bedrijfsleven sturen de investeringen omhoog.
AI-budget stijgt, bewijs ontbreekt
Organisaties rollen generatieve systemen uit in kantoorsoftware, klantenservice en softwareontwikkeling. Denk aan Copilot in Microsoft 365, ChatGPT Enterprise voor tekstwerk en Gemini voor e-mail en documenten. Deze inzet groeit snel van proefprojecten naar dagelijks gebruik. Maar duidelijke cijfers over tijdwinst of kwaliteitsverbetering blijven schaars.
Bestuurders zien beloftes van efficiënter schrijven, coderen en zoeken. In de praktijk blijkt de besparing per taak lastig te meten en per team verschillend. Veel bedrijven missen nulmetingen en vergelijken dus appels met peren. Daardoor ontstaat twijfel of de extra licenties wel renderen.
Ook in sectoren als accountancy en zakelijke dienstverlening is de trend zichtbaar. Medewerkers gebruiken samenvattingsfuncties, conceptbrieven en analysehulpen in bestaande pakketten. De werkdruk daalt soms, maar rework en controle blijven nodig. Dat maakt de winst minder groot dan gehoopt.
Licenties en kosten stapelen op
AI-functies zitten vaak verstopt in bundels met per-gebruiker-licenties. Naast de prijs voor de assistent komen er integratie, beheer, veiligheid en training bij. Ook zijn extra rekenkracht en monitoring nodig om fouten of datalekken te voorkomen. Zo groeit de totale eigendomskosten, de zogeheten TCO.
Organisaties kopen geregeld meerdere assistenten die hetzelfde doen. Gebruikers testen losse apps, terwijl de IT-afdeling al een bedrijfsoplossing heeft aangeschaft. Dit leidt tot schaduw-IT en dubbele uitgaven. Het afdekken van datarisico’s in al die losse tools kost bovendien tijd en geld.
Leveranciers binden klanten met eigen ecosystemen. Wie eenmaal AI-workflows in één suite bouwt, stapt niet snel over. Dat vergroot het risico op leveranciersafhankelijkheid. Een open architectuur met API’s en duidelijke exportmogelijkheden helpt dit beperken.
Meten van waarde blijft lastig
Effect meten vraagt om een eenvoudige basislijn. Leg vooraf vast hoeveel tijd een taak kost en welke kwaliteit nodig is. Vergelijk daarna groepen met en zonder AI over enkele weken. Gebruik procesmetingen zoals doorlooptijd, foutenpercentage en klanttevredenheid.
Niet elke winst is direct in euro’s te vangen. Minder repetitief werk, snellere kwaliteitscontrole en betere zoekresultaten tellen ook mee. Zorg wel voor heldere KPI’s per functie, zoals “tijd tot eerste concept”, “aantal correctierondes” en “afwijkingen in eindresultaat”. Maak afspraken over menselijke controle bij gevoelige taken.
ROI op AI is de verhouding tussen opbrengsten en alle kosten, inclusief licenties, implementatie, training, beveiliging en beheer. Zonder meetbare doelen is AI een kostenpost, geen productiviteitshefboom.
AI-verordening vraagt governance
De Europese AI-verordening (AI Act) treedt gefaseerd in werking op het moment van schrijven. Generatieve modellen zoals GPT-4o en Gemini vallen onder transparantie-eisen. Voor hoog-risico-toepassingen gelden strengere regels, zoals risicobeheer, logging en datakwaliteit. Veel kantoorassistenten zullen in de lage of beperkte risicoklasse vallen, maar blijven onderhevig aan zorgplichten.
De AVG blijft leidend bij persoonsgegevens. Dataminimalisatie, doelbinding en passende beveiliging zijn verplicht. Een gegevensbeschermingseffectbeoordeling (DPIA) is nodig bij hoog risico, bijvoorbeeld bij monitoring van medewerkers. Verwerkersovereenkomsten en heldere bewaartermijnen zijn onmisbaar bij cloudgebaseerde AI-diensten.
Voor Nederlandse organisaties speelt ook medezeggenschap. Bij invoering van systemen die het werk of toezicht raken, krijgt de ondernemingsraad inspraak. Transparantie naar medewerkers over gebruik, data en evaluatiecriteria voorkomt wantrouwen. Documenteer keuzes in een AI-beleidskader en leg verantwoordelijkheden vast.
Praktische stappen voor bedrijven
Begin met enkele kerncases met duidelijke uitkomst, zoals e-mail-samenvattingen, klantenservice-antwoorden of code-review. Kies één of twee bedrijfsbrede assistenten, in plaats van veel losse apps. Richt een beoordelingsraamwerk in voor nieuwe tools, met toetsen op veiligheid, privacy en toegankelijkheid. Train teams kort en herhaal gericht op de werkpraktijk.
Beperk datarisico’s met een “privacy by design”-aanpak. Schakel standaard het hergebruik van bedrijfsdata voor modeltraining uit waar mogelijk. Gebruik afscherming, pseudonimisering en logging. Overweeg retrieval-augmented generation (RAG), waarbij het model alleen zoekt in interne, gecontroleerde documenten.
Maak waarde zichtbaar met maandelijkse rapportages. Combineer gebruiksstatistieken met kwaliteitsmetingen en feedback van eindgebruikers. Stop of schaal bij op basis van die data, niet op gevoel. Zo verschuift AI van kostenpost naar aantoonbare productiviteitswinst.
Kijk bij inkoop naar certificeringen en openheid. ISO 27001 en SOC 2 zeggen iets over informatiebeveiliging, terwijl ISO/IEC 42001 richting geeft aan AI-management op organisatieniveau. Vraag om modelkaarten, evaluaties en red-teamingrapporten. Leg tot slot vast wat te doen bij outputfouten, zodat medewerkers veilig kunnen corrigeren zonder tijdverlies.