Hoe herken je een geloofwaardig AI-bewijs: een case study (of een ROI) van een leverancier lezen voordat je tekent

Vroeg of laat verschijnt de slide. Een leverancier laat je een glanzende case study zien — het logo van de klant, een enthousiast citaat, één groot getal in het midden: „+40% productiviteit”, „300% ROI in zes maanden”. Of het is nog kaler: een enkel rond cijfer, beloofd alsof het een feit is. De vraag die telt is niet of het getal hoog is. Het is een andere, en die moet je stellen voordat je tekent: hoe weet ik of dit bewijs geloofwaardig is?

Je hebt geen inkoopafdeling van een multinational nodig om die te beantwoorden. Je hebt een lens nodig — dezelfde die de analisten en financieel directeuren gebruiken die deze getallen voor de kost beoordelen. In dit artikel lenen we hem aan je uit: zeven dingen om naar te kijken in een case study of een beloofd rendement, om bewijs dat standhoudt te onderscheiden van bewijs dat enkel goed opgemaakte marketing is. Want het slechte nieuws is dat de tweede categorie enorm is — en het goede nieuws is dat je haar herkennen makkelijker is dan het lijkt.

Verifieerbaarheid verslaat glans

Het eerste instinct is het logo zoeken: als ze een echte, verifieerbare klant noemen, vertrouw ik het. Terecht — een genoemde, controleerbare klant blijft het sterkste geloofwaardigheidssignaal dat er is. Maar de kloof met een goed gebouwde anonieme case study is kleiner dan men denkt. Blinde maar geverifieerde getuigenissen oogsten bij kopers ongeveer 60% vertrouwen tegenover de 64% van de genoemde: amper vier punten verschil (UserEvidence, „The Evidence Gap Report” 2025; ProofMap, over anonieme case studies). Op één voorwaarde echter: dat de anonieme versie de ontbrekende naam compenseert met rijke specifica — exacte percentages, tijdlijnen, sector en omvang van het bedrijf, citaten toegeschreven aan een naam en een rol. Een generieke beschrijving — „een toonaangevend bedrijf in de sector” — is bijna niets waard, met of zonder logo.

De les voor wie leest: veeg een anonieme case niet weg omdat hij anoniem is, en vertrouw een genoemde niet enkel omdat hij genoemd is. Kijk naar de dichtheid van de details. Een anonieme case die je sector, omvang, periode, getallen en een citaat met naam en rol geeft, is geloofwaardiger dan een prestigieus logo geplakt op een lege zin.

Het helpt ook te weten welk soort bewijs je voor je hebt. De Edelman Trust Barometer 2025 rangschikt de formats naar de „geloofwaardigheid” die B2B- kopers ervaren, van hoog naar laag: origineel of primair onderzoek (70%) > expertmeningen (64%) > peer-inzichten (62%) > klantgetuigenissen (55%) > prijzen en endorsements van derden (42%) (Edelman, „2025 Edelman Trust Barometer Special Report: Brand Trust, From We to Me”, juni 2025). Vertaald: de badge of prijs op de homepage — de laatste van de lijst — weegt minder dan het getal en het citaat van de klant; en een methode opgeschreven als onderzoek weegt zwaarder dan beide. Wanneer een leverancier je vooral logo's en onderscheidingen toont, biedt hij je de zwakste vorm van bewijs die er bestaat.

Waarom de getallen op zichzelf niet volstaan

Er is een precieze reden waarom het grote getal alleen de zaak niet sluit: wie deze aankopen voor de kost beoordeelt, disconteert de zelf-gerapporteerde ROI. Slechts 14% van de bevraagde financieel directeuren zegt tot dusver duidelijke, meetbare impact van AI-uitgaven te hebben gezien (CFO.com, „So far, few CFOs see substantial ROI from AI spending”, RGP-enquête bij 200 Amerikaanse financieel directeuren, 2025). Niet omdat de modellen niet werken, maar omdat ze geleerd hebben te wantrouwen wat de verkoper zelf modelleert en projecteert. Een ander gegeven bevestigt het: 71% van de CFO's vindt dat standaard-ROI-metrieken de waarde van AI slecht vatten (EY-enquête, aangehaald in de reportage van CFO.com). Als zelfs het meest technische publiek het naakte getal niet vertrouwt, zou jij dat ook niet moeten doen.

Het punt is niet om een groter getal te vragen. Het is om de leverancier te vragen te verklaren hoe hij het gemeten heeft. Een „300% ROI” zonder methode is een reclamezin; diezelfde 300% met de vermelding van wat er in de kost is gegaan, over welke periode, met welke baseline, wordt iets dat je kunt beoordelen. Het is het verschil tussen de kop en de methode — en de geloofwaardigheid zit altijd in de tweede.

Het model om na te volgen: de Total Economic Impact van Forrester

Er bestaat een feitelijke standaard voor ROI-studies van leveranciers, en het is nuttig hem te kennen omdat hij je de maatstaf geeft om alle andere te meten: de Total Economic Impact (TEI) van Forrester. Niet omdat elke leverancier er zich een kan veroorloven, maar omdat de vier pijlers ervan precies de vragen zijn die je aan elk bewijs moet stellen, ook aan het meest artisanale:

• Een onafhankelijke interviewer. De interviews worden afgenomen door de analisten van Forrester, niet door de leverancier. Wie het bewijs verzamelt is niet wie het verkoopt.
• Echte, actieve klanten. Bedrijven die de technologie echt, live, draaien sinds een verklaarde minimumperiode — vaak zes maanden of meer. Geen pilot van drie weken die als een gevestigd resultaat wordt verkocht.
• Een financieel model in vier delen. Kost, Baat, Flexibiliteit en Risico — niet enkel de baat. Een case study die je de winst toont en de kosten verbergt, vertelt je de helft van het verhaal.
• De risicoaanpassing. De baten worden verlaagd op basis van de onzekerheid en de voorbehouden die de geïnterviewden zelf verklaren. Het eindgetal is bewust voorzichtig, niet optimistisch.

Verwacht niet dat elke leverancier je een TEI overhandigt. Maar gebruik de vier punten als lens: wie heeft deze data verzameld? sinds wanneer is de klant operationeel? tonen ze me ook de kosten? is het getal voorzichtig, of de meest optimistische projectie die mogelijk is? Die vier vragen volstaan om serieus bewijs van een brochure te scheiden.

De twee gebreken die een bewijs kelderen

Er zijn twee methodologische fouten die je, zodra je ze hebt leren zien, niet meer kunt negeren. Het zijn de twee stille killers van de geloofwaardigheid van een case study.

De eerste: geen contrafeitelijke, geen baseline. Een voor/na-vergelijking zonder baseline schrijft elke verandering toe aan de ingreep van de leverancier — ook die welke sowieso zouden zijn gebeurd (Better Evaluation, over de vergelijking met de contrafeitelijke). Als het bedrijf uit de case study in dezelfde periode ook mensen heeft aangeworven, de prijzen heeft gewijzigd of een gunstig seizoen kende, hoeveel van die „+40%” is dan de verdienste van de tool? Een geloofwaardige case noemt de baselineperiode en zegt expliciet wat er verder in dat venster veranderde — personeelsbestand, prijzen, seizoensgebondenheid. Een die een zuiver voor/na presenteert, alsof de rest van de wereld stilstond, vraagt je om een daad van vertrouwen.

De tweede: de survivorship bias. Enkel de klanten publiceren die het goed deden, laat het succes de norm lijken in plaats van de uitzondering (HubSpot, over survivorship bias in de verkoop). De pagina „succesverhalen” is per definitie de selectie van de overlevenden: je zult nooit de projecten zien die mislukten, verlaten werden of zich met moeite herstelden. De meer doorgewinterde kopers disconteren „greatest hits”-pagina's net daarom. De juiste vraag om hardop te stellen is kort: op hoeveel klanten in totaal zijn dit de resultaten? En degene die niet werkten, wat hadden die anders? Een eerlijke leverancier heeft een antwoord; een die enkel de etalage verkoopt, verandert van onderwerp.

Voorbij de geschreven case study

Er is een bewijs sterker dan om het even welke PDF, en vaak volstaat het erom te vragen. Een live reference call — een telefoongesprek met een echte klant — of een kleine customer advisory board is structureel steviger dan om het even welk geschreven materiaal, omdat jij niet-gescripte vragen stelt: over de echte implementatieproblemen, over de reële kost bij afrekening, over de kwaliteit van de support wanneer er iets breekt (Sword and the Script; Customer Experience Dive). Een case study is een door de leverancier gemonteerde monoloog; een reference call is een gesprek dat hij niet kan controleren. Als een verkoper aarzelt om je in contact te brengen met een actieve klant, is dat op zich een gegeven.

Het loont ook te weten hoe de grote beoordelaars het vertrouwen verdedigen. Gartner Peer Insights verifieert de identiteit van de recensent — zakelijk e-maildomein, rol, anciënniteit — voordat een recensie iets telt, omdat het niet-verifieerbare identiteit behandelt als het primaire breekpunt van het vertrouwen (Gartner Peer Insights). Het is hetzelfde principe dat je op kleinere schaal kunt toepassen: een citaat met naam, rol en verifieerbaar bedrijf is oneindig veel meer waard dan een anoniem „een leidinggevende uit de maakindustrie”.

De onderliggende vraag van de koper

Als je denkt dat al dit wantrouwen overdreven is, zeggen de cijfers dat het de norm is. 67% van de B2B-kopers heeft een leverancier uitgesloten juist omdat het geboden bewijs onbetrouwbaar leek (UserEvidence, „The Evidence Gap Report” 2025). Niet „niet overtuigend”: onbetrouwbaar. Zwak bewijs is niet neutraal — het kost je de verkoop. En er is een kloof die verklaart waarom: kopers noemen concrete getallen als het meest betrouwbare bewijs (51%), maar 40% zegt dat leveranciers ze niet leveren. Dat is de „evidence gap”, de afstand tussen wat de koper wil zien en wat de verkoper op tafel legt. Wanneer je een bewijs beoordeelt, meet je in werkelijkheid hoezeer die leverancier deze kloof heeft gedicht — of genegeerd.

De checklist: hoe lees je een AI-bewijs voordat je tekent

Laten we het in operationele volgorde zetten. Dit is wat je moet eisen en verifiëren in een case study of een ROI-belofte, voordat je een handtekening zet:

• Een genoemde klant — of anoniem maar rijk aan specifica. Met citaten toegeschreven aan naam en rol, geen generiek „een toonaangevend bedrijf”. Het gebrek aan details is op zich een signaal.
• Verklaarde interviewmethode en minimale operationele periode. Wie de data heeft verzameld en sinds wanneer de klant operationeel is — minstens zes maanden, TEI-stijl. Een resultaat uit een pilot van enkele weken is geen gevestigd resultaat.
• Kost getoond netto van de fee van de leverancier. De baat zonder de kost is de halve vergelijking. Een echte ROI vertrekt van het netto, niet van het bruto.
• Baselineperiode genoemd en gelijktijdige veranderingen gemeld. Wat er verder in dat venster bewoog — personeelsbestand, prijzen, seizoensgebondenheid — zodat je aan de tool niet toeschrijft wat sowieso zou zijn gebeurd.
• Een getal dat risico-aangepast of van voorbehoud voorzien is. Wantrouw het zuivere, ronde cijfer. Een eerlijk getal draagt zijn eigen voorbehouden mee; een opgepoetst getal verbergt ze.
• Methode opgeschreven als primair onderzoek, niet als getuigenis. Het meest geloofwaardige format van al (denk aan de Edelman-hiërarchie) is dat wat uitlegt hoe er gemeten is, niet dat wat zich beperkt tot juichen.
• Vraag om een live reference call. Het bewijs dat de leverancier niet kan monteren. Als hij het zonder aarzelen toestaat, is dat al het halve antwoord.

Hoe wij een bewijs lezen — en zullen bouwen — bij Innesti

Wij vertrekken van een eenvoudig principe: je verklaart de methode voor de kop. Zo vinden wij dat je andermans bewijs hoort te lezen — en met dezelfde maatstaf waarmee we de getallen van een leverancier beoordelen, beoordelen wij, en zullen wij bouwen, de onze. We zullen je geen groot getal tonen zonder je te zeggen hoe we het hebben gemeten, over welke periode, met welke baseline en tegen welke nettokost: want een cijfer dat de lens die we je net hebben aangereikt niet doorstaat, zou je vertrouwen niet verdienen. Geloofwaardigheid is voor ons niet de glans van de slide — het is de verifieerbaarheid van wat eronder ligt.

Voordat je zelfs maar het bewijs van één leverancier beoordeelt, loont het echter te weten welk proces je wilt automatiseren en met welke realistische verwachte resultaten: daaruit volgt wat je van een case study moet eisen. Onze AI-readiness-beoordeling helpt de juiste processen en verstandige verwachtingen op een rij te zetten. En als je al voorstellen aan het lezen bent, vervolledigen twee zusterartikelen de lens: dat over hoe je de betrouwbaarheid van de SaaS-leverancier beoordeelt (SOC 2, ISO 42001, wat te vragen over de beveiliging en je data) en dat over hoeveel AI echt oplevert (de realistische ROI-benchmarks waaraan je elke belofte toetst). Het eerste zegt je of je de leverancier kunt vertrouwen; het tweede of het getal plausibel is; dit, hoe je het bewijs zelf leest.

We hebben de eerste stap omgezet in een gratis, selfservice-beoordeling: een paar vragen en een aanwijzing over waar te beginnen, met welke resultaten te verwachten en welk bewijs van leveranciers te eisen. Doe de AI-readiness-beoordeling — en dan, als het zin heeft, praten we.

Dit artikel heeft een louter oriënterend doel en vormt geen aankoopadvies noch een beoordeling van een individuele leverancier. De aangehaalde percentages (vertrouwen in getuigenissen, de hiërarchie van de bewijsformats, het CFO-scepticisme over ROI, de evidence gap) komen uit de sectorbronnen die in de tekst worden genoemd — Edelman, UserEvidence, CFO.com/RGP, EY, Forrester — en weerspiegelen gegevens bijgewerkt tot juli 2026: ze moeten opnieuw op de oorspronkelijke bronnen worden geverifieerd voordat je er een beslissing op baseert. De methodologische criteria (contrafeitelijke, survivorship bias, reference call) zijn algemene beoordelingsprincipes, geen garanties.