Hoeveel levert AI echt op? 95% van de pilots raakt de winst niet — en waar het rendement zich wél concentreert

Er is één cijfer dat geen enkele AI-leverancier je in een slide zal tonen, en het is het belangrijkste van allemaal: volgens het onderzoek van het MIT „The GenAI Divide” (2025) levert ongeveer 95% van de pilotprojecten met generatieve AI in bedrijven geen enkele meetbare impact op het bedrijfsresultaat op. Slechts één project op de twintig komt tot een concrete versnelling van de omzet. Het is geen statistiek om je te ontmoedigen — het is het eerlijke vertrekpunt van waaruit je een echt rendement bouwt, in plaats van een ingebeeld rendement na te jagen.

Want de lezing van het MIT is bijna contra-intuïtief: die 95% is geen probleem van modelkwaliteit. De tools werken. Het MIT noemt het de „learning gap” — de leerkloof: de bedrijven slagen er niet in de AI te enten in de werkstromen, de organisatie en de gewoonten. Het model is goed; het is de implementatie eromheen die ontbreekt. En dat is precies het stuk dat beslist of je in de 5% zit of in de 95%.

Het eerlijke plafond: de meerderheid verdient de uitgave niet terug

Het MIT-cijfer staat niet op zichzelf. De PwC 2026 CEO Survey bevestigt het vanuit de kant van wie tekent: 56% van de topbestuurders meldt tot nu toe geen enkele omzetstijging of kostenverlaging uit AI, en slechts 12% rapporteert beide. Maar het detail dat telt is een ander: de CEO's die wél een rendement zien, hebben twee tot drie keer meer kans dat ze de AI breed hebben uitgerold over de operatie, in plaats van hem in één enkele afdeling te hebben uitgeprobeerd. Het rendement komt niet van de geïsoleerde pilot: het komt van de adoptie die de processen binnendringt.

Deze twee cijfers samen houden — 95% van de pilots met nul impact, 56% van de top zonder rendement — dient maar één doel: de verwachtingen ijken voordat je tekent. Wie je een snel en gegarandeerd rendement belooft, verkoopt je de uitzondering alsof het de regel is. De regel is dat AI alleen rendeert waar iemand de implementatiekloof dicht. De rest van dit artikel gaat over waar het rendement zich echt concentreert, en in hoeveel tijd het eerlijk gezien binnenkomt.

Waar de ROI zich echt concentreert — en dat is niet waar het budget heen gaat

Het MIT heeft ook gemeten waar het rendement verschijnt, en het antwoord keert de gangbare intuïtie om: meer dan de helft van de budgetten voor generatieve AI gaat naar tools voor sales en marketing, maar de hoogst gemeten ROI zit in de automatisering van de back-office — uitgaven aan outsourcing wegnemen, kosten van externe bureaus schrappen, de stromen van administratie en operations stroomlijnen. Het geld jaagt op de meest spectaculaire use-case; het rendement zit in de saaiste.

Het is een rechtstreeks argument tegen de reflex „laten we beginnen met een chatbot voor de verkoop”. Voor een mkb-bedrijf is de praktische lezing: kijk eerst waar het werk repetitief, meetbaar en laagrisico is — de crediteurencyclus, de reconciliatie, de documenttriage — niet waar het het zichtbaarst is. Het zijn de gevallen van administratie en finance en van operations die het scherpste vóór/na opleveren, niet de etalage.

Op dezelfde as ligt de keuze kopen tegen bouwen: aankopen bij een gespecialiseerde leverancier slaagt ongeveer 67% van de keren, terwijl intern gebouwde projecten ongeveer een derde van de keren slagen (~33%) — de helft van het slaagpercentage. Voor een mkb-bedrijf zonder data-scienceteam is kopen (of zich een kant-en-klare stack laten enten) niet de luie keuze: het is de empirisch veiligste. Het is het thema van het artikel kopen of bouwen, hier bevestigd door de cijfers.

De terugverdientijden zijn langer dan men ze je verkoopt

De tweede verwachting die je moet bijstellen is het wanneer. De markt verkoopt rendementen binnen het jaar; het bewijs zegt iets anders, en eensluidend over meerdere bronnen:

• Gartner (782 verantwoordelijken voor infrastructuur en operations, eind 2025): slechts 28% van de AI-initiatieven voldoet volledig aan de ROI-verwachtingen, en 20% mislukt helemaal. Onder wie tegenslagen meldt, noemt 38% lacunes in de competentie van het team en 38% de gebrekkige kwaliteit of toegankelijkheid van de data — beide op te lossen door een implementatiepartner, niet door betere software.
• Deloitte (1.854 bestuurders, Europa en het Midden-Oosten): slechts 6% van de organisaties ziet een terugverdientijd van minder dan een jaar, en zelfs onder de beste projecten verdient amper 13% zich binnen de 12 maanden terug. De meerderheid verwacht twee tot vier jaar voor een bevredigend rendement — tegenover de zeven tot twaalf maanden die typisch zijn voor een gewone technologie-investering.
• BCG („Closing the AI Impact Gap”, 2025): het gerealiseerde rendement blijft steken rond de 10%, tegenover een doel van ~20% dat de meeste bedrijven zich hadden gesteld — en het dagelijkse gebruik in de frontlinie blijft op 51% hangen, zelfs waar bestuurders en managers de AI meermaals per week gebruiken (meer dan 75%). Opnieuw: de kloof is de diepte van de adoptie, niet de kwaliteit van de tool.

Het praktische gevolg voor een mkb-bedrijf is scherp: een terugverdientijd onder de twaalf maanden beloven is niet geloofwaardig tegenover dit bewijs. Het eerlijke kader is twee tot vier jaar, met de gevallen van back-office en ops/finance als de snelste realistische overwinningen. Een leverancier die je meer garandeert, negeert dezelfde data die hij zou moeten kennen — en het verschil tussen de 28% die het terugverdient en de 20% die mislukt, is niet de software, het zijn de competenties en de data: precies datgene waaraan een goed uitgevoerde implementatie werkt.

De ontslagenval: de ROI komt niet door koppen weg te snijden

Er is een laatste cijfer dat geldt als kompas voor positionering, niet alleen als statistiek. Opnieuw Gartner (350 bestuurders van bedrijven met meer dan een miljard omzet): 80% van de bedrijven die met AI en automatisering hebben geëxperimenteerd, meldt personeelsreducties — maar het reductiepercentage is vrijwel identiek tussen de bedrijven met hoge ROI en die met lage ROI. Met andere woorden: geen enkele correlatie tussen banen schrappen en betere rendementen behalen. Zoals Gartner-vicevoorzitter Helen Poitevin het samenvat: „waarde najagen enkel via personeelsreductie brengt de meeste organisaties naar beperkte rendementen”.

De beste bedrijven hebben de AI gebruikt om de mensen te versterken — meer productiviteit op hetzelfde personeelsbestand — niet om ze te vervangen. Voor een Italiaans mkb-bedrijf is het tegelijk het ethisch zuiverste verhaal en het verhaal dat de data echt ondersteunen: het rendement zit niet in ontslaan, het zit in uren vrijmaken en die opnieuw inzetten op werk met hogere waarde. En het is ook de manier waarop het team de verandering aanvaardt in plaats van zich ertegen te verzetten: een tool die versterkt wie hem gebruikt, wordt geadopteerd; een tool die de baan bedreigt, wordt gesaboteerd, en een tool die niet gebruikt wordt, heeft ROI nul hoe goed hij ook is.

Wat het betekent voor jouw bedrijf

Als je de cijfers aan elkaar knoopt, komt er een methode uit, geen pessimisme. Vier regels om aan de kant te staan van de 5% die het terugverdient in plaats van de 95% die dat niet doet:

• Begin bij de back-office, niet bij de etalage. De hoogst gemeten ROI zit in de automatisering van administratie, finance en operations — niet in de chatbot voor de verkoop, waar daarentegen de helft van het budget heen gaat.
• Koop, bouw niet. Voor een mkb-bedrijf zonder ML-team slaagt een kant-en-klare stack adopteren dubbel zo vaak als alles zelf in huis bouwen.
• Reken op twee tot vier jaar, niet op twaalf maanden. Het is de horizon die standhoudt tegenover wie de boekhouding bijhoudt — en de geloofwaardigheid weegt hier zwaarder dan een opgeblazen belofte.
• Zet in op versterken, niet op vervangen. Het is wat de data aan het rendement koppelen, en het is wat de adoptie in het team laat wortelen.

Alle vier de regels hebben een gemeenschappelijke draad, en dat is de kloof die het MIT heeft benoemd: het rendement wordt niet beslist door het model, het wordt beslist door de implementatie. De 38% die ontbrekende competenties noemt, de 38% die niet-klare data noemt, de pilot die nooit in de stromen binnendringt — het is allemaal learning gap, en het is al het werk dat ligt tussen „we hebben een tool gekocht” en „het bedrijf rendeert meer”. Het is de reden waarom de zin van Innesti niet is „we verkopen je de AI” maar „we enten hem in”: het stuk dat de ROI beslist, is het stuk dat bijna iedereen overslaat.

Voordat je enig rendement raamt, moet je echter weten waar je vertrekt. We hebben die eerste stap omgezet in een self-service en gratis beoordeling: een paar vragen en een aanwijzing over waar de AI kan renderen in jouw bedrijf, met welke controles eromheen en hoe je het meet — de methode om de ROI te meten is het zusterartikel van dit. Doe de AI-readiness-beoordeling — daarna, als het zinvol is, praten we erover.

Dit artikel is bedoeld ter oriëntatie. De genoemde cijfers over rendement, slaagpercentage en terugverdientijd komen uit sectorstudies en -enquêtes — MIT NANDA „The GenAI Divide: State of AI in Business 2025”; PwC 2026 CEO Survey; Gartner (enquêtes onder I&O-verantwoordelijken van eind 2025 en onder bestuurders van grote bedrijven); Deloitte (onderzoek 2025 onder 1.854 bestuurders in Europa en het Midden-Oosten); BCG „Closing the AI Impact Gap” (2025) — en moeten worden gelezen als richtingaanwijzingen, niet als resultaatgaranties: steekproeven, definities en horizonten variëren tussen de bronnen, en elke raming moet worden geverifieerd op de context van het individuele bedrijf. Elke keuze van tool en van AI-investering moet worden beoordeeld op de data, de controles en de doelstellingen van jouw bedrijf, met het toezicht van wie er op de balans verantwoording voor aflegt.