Steeds meer AI, maar wat schieten bedrijven er eigenlijk mee op?

16-11-2026 Pieter de Kok Blog

Het AI-Trendonderzoek 2026 van Berenschot laat zien dat Nederlandse organisaties steeds enthousiaster worden over kunstmatige intelligentie, terwijl het structurele gebruik juist afneemt. Daarmee komt ook de bedrijfswaarde van AI nadrukkelijker ter discussie te staan. Misschien wordt het tijd om niet langer te beginnen bij de mogelijkheden van AI, maar bij de problemen die organisaties daadwerkelijk willen oplossen.

Het is een opmerkelijke tegenstelling. Nederlandse organisaties omarmen kunstmatige intelligentie steeds nadrukkelijker, ontwikkelen visies, formuleren ambities en experimenteren volop met nieuwe toepassingen. Tegelijkertijd blijkt uit het recente AI-Trendonderzoek 2026 van Berenschot, uitgevoerd in samenwerking met Nyenrode Business Universiteit, PublicNL en LINK magazine, dat het structurele gebruik van AI juist terugloopt.

Inmiddels vindt 75 procent van de respondenten het gebruik van AI wenselijk, tegenover 65 procent een jaar geleden. Ook het aandeel dat aangeeft over een leidende AI-visie te beschikken, stijgt van 74 naar 83 procent. Maar ondertussen neemt het ad-hocgebruik toe van 32 naar 38 procent, terwijl structureel gebruik op basis van beleid en doelstellingen daalt van 27 naar 19 procent.

Die cijfers verdienen enige nuance. Het gaat om onderzoeksuitkomsten die niet zonder meer bewijzen dat individuele organisaties hun AI-toepassingen terugschroeven. Toch laten ze een interessante spanning zien tussen de toenemende aandacht voor AI en het vermogen om deze technologie daadwerkelijk in bedrijfsprocessen te verankeren.

Berenschot trekt daaruit de conclusie dat organisaties meer aandacht moeten besteden aan strategie, betrouwbare data, verantwoordelijkheden en implementatie.

Een begrijpelijke conclusie, waar weinig tegen in te brengen valt. Maar ik zou de discussie graag nog een stap verder voeren. Waarom beginnen we eigenlijk zo vaak met het ontwikkelen van een AI-strategie? Waarom lijkt de technologie inmiddels het uitgangspunt te zijn geworden, terwijl we nog nauwelijks hebben vastgesteld welk bedrijfsprobleem we ermee willen oplossen?

We hebben een oplossing, nu nog een probleem

De afgelopen jaren heb ik talloze presentaties, artikelen en praktijkvoorbeelden voorbij zien komen over de mogelijkheden van generatieve AI. Het enthousiasme is begrijpelijk. Technologie die teksten kan schrijven, documenten kan analyseren, softwarecode kan produceren en complexe informatie toegankelijk kan maken, biedt zonder twijfel interessante mogelijkheden.

Maar wat mij steeds vaker opvalt, is dat de discussie begint bij de technologie. We hebben ChatGPT, Claude, Copilot en inmiddels een groeiend aantal gespecialiseerde toepassingen. Vervolgens gaan we binnen organisaties op zoek naar processen waarin deze oplossingen kunnen worden ingezet. Dat is een merkwaardige volgorde, zeker wanneer we het hebben over het verbeteren van de bedrijfsvoering.

Een financieel directeur die onvoldoende inzicht heeft in zijn marges per klant, heeft in eerste instantie geen AI-probleem. Een ondernemer die zijn liquiditeitsontwikkeling niet betrouwbaar kan voorspellen, evenmin. En een organisatie die iedere maand opnieuw verschillende Excel-bestanden moet combineren om tot een managementrapportage te komen, heeft waarschijnlijk meer aan een goede data-architectuur dan aan een nieuwe AI-assistent.

Dat betekent niet dat AI in deze situaties geen toegevoegde waarde kan hebben. Het betekent wel dat we eerst moeten begrijpen waar het werkelijke probleem zit. Ontbreken betrouwbare gegevens? Zijn definities niet consistent? Is de informatievoorziening onvoldoende geautomatiseerd? Of beschikken we wel over goede informatie, maar lukt het onvoldoende om deze te vertalen naar betere beslissingen?

Pas wanneer die vragen zijn beantwoord, wordt duidelijk welke technologie daadwerkelijk nodig is.

Niet iedere vorm van intelligentie hoeft kunstmatig te zijn

Een belangrijk onderdeel van deze discussie is het onderscheid tussen generatieve AI en deterministische data-analyse. In het huidige debat worden deze technologieën nogal gemakkelijk op één hoop gegooid, terwijl hun eigenschappen en toepassingsmogelijkheden wezenlijk verschillen.

Wanneer een organisatie bijvoorbeeld wil vaststellen welke klanten structureel verlieslatend zijn, welke facturen afwijkende betalingspatronen vertonen of hoe de brutomarge zich per productgroep ontwikkelt, zijn daarvoor doorgaans geen taalmodellen nodig. Met SQL, Python, KNIME of andere analytische toepassingen kunnen gegevens worden gecombineerd, berekeningen worden uitgevoerd en afwijkingen systematisch worden vastgesteld. De uitkomsten zijn herleidbaar, reproduceerbaar en gebaseerd op vooraf gedefinieerde rekenregels.

Generatieve AI kan vervolgens helpen om analyses toegankelijker te maken, programmatuur te ontwikkelen, resultaten samen te vatten of mogelijke verklaringen te formuleren. Maar daarmee wordt het taalmodel nog niet automatisch de meest geschikte technologie om de onderliggende berekeningen uit te voeren.

Dat onderscheid is niet alleen technisch relevant. Het raakt direct aan de betrouwbaarheid van managementinformatie. Een CFO heeft er weinig aan wanneer een systeem een overtuigende verklaring presenteert voor een margeafwijking, terwijl niet vaststaat of de gebruikte omzet- en kostengegevens volledig en juist zijn. Een aantrekkelijk geformuleerde analyse is nog geen betrouwbare analyse.

Overigens kunnen taalmodellen uitstekend helpen bij het schrijven en aansturen van deterministische scripts. Ook dat is een nuttige toepassing van generatieve AI. Maar de betrouwbaarheid van de berekening komt dan voort uit de gebruikte gegevens, rekenregels en uitgevoerde controles, niet uit het taalmodel zelf.

Waarom meten we AI-gebruik en niet vooral bedrijfswaarde?

Wat mij bij veel onderzoeken naar AI-adoptie opvalt, is de nadruk op het gebruik van technologie. Hoeveel medewerkers gebruiken AI? Hoeveel organisaties hebben een strategie? Welke toepassingen worden het meest gebruikt? En welke investeringen staan op de planning?

Dat zijn interessante vragen wanneer je wilt begrijpen hoe snel een technologie wordt geaccepteerd. Maar voor het beoordelen van de bedrijfseconomische waarde zijn andere vragen minstens zo belangrijk.

Hoeveel tijd wordt er daadwerkelijk bespaard wanneer ook het controleren en corrigeren van uitkomsten wordt meegenomen? Welke processen zijn aantoonbaar verbeterd? Is de kwaliteit van de informatievoorziening toegenomen? Worden beslissingen sneller en beter genomen? En wat kosten de gebruikte toepassingen wanneer we niet alleen naar licenties kijken, maar ook naar implementatie, onderhoud, opleiding, beveiliging en kwaliteitsbewaking?

Bij generatieve AI wordt nogal eens gesproken over productiviteitswinst zonder dat duidelijk is hoe deze is vastgesteld. Een medewerker die met behulp van AI binnen tien minuten een rapport opstelt waar hij voorheen een uur aan besteedde, lijkt een enorme efficiencyverbetering te hebben gerealiseerd. Maar wanneer het vervolgens twintig minuten kost om de inhoud te controleren, nog eens tien minuten om fouten te herstellen en de uitkomst bovendien inhoudelijk nauwelijks beter is, ontstaat een ander beeld.

Zelfs dan kan de toepassing waardevol zijn. Alleen is de gerealiseerde winst niet gelijk aan de aanvankelijk geclaimde tijdsbesparing. Het zou interessant zijn wanneer organisaties AI-investeringen met dezelfde financiële discipline beoordelen als andere investeringen in hun bedrijfsvoering. Niet omdat iedere toepassing onmiddellijk een positieve businesscase moet opleveren, maar omdat experimenteren uiteindelijk moet leiden tot een onderbouwde beslissing over structurele inzet.

De grootste winst zit misschien wel in iets veel eenvoudigers

In mijn gesprekken met ondernemers, financieel directeuren en CFO’s zie ik regelmatig dat organisaties nog een aanzienlijke verbetering kunnen realiseren door hun bestaande informatievoorziening beter te organiseren. Financiële gegevens staan in het boekhoudpakket, commerciële informatie in het CRM-systeem en operationele informatie verspreid over andere applicaties. Rapportages worden handmatig samengesteld, definities verschillen tussen afdelingen en de aansluiting tussen financiële en niet-financiële informatie ontbreekt regelmatig.

Voor dergelijke organisaties kan een relatief eenvoudige data-architectuur al een enorme verbetering betekenen. Door gegevens vanuit consistente bronnen te ontsluiten, definities vast te leggen en berekeningen te automatiseren, ontstaat een betrouwbare basis voor financiële, fiscale en operationele rapportages.

Dat hoeft geen kostbaar en jarenlang IT-project te zijn. Met beschikbare API’s, bestaande analysetechnologie en goede visualisatietools kunnen organisaties vaak al belangrijke stappen zetten. Het resultaat is niet noodzakelijk spectaculair vanuit technologisch perspectief, maar kan bedrijfseconomisch buitengewoon waardevol zijn.

Interessant is bovendien dat zo’n fundament toekomstige AI-toepassingen juist mogelijk maakt. Een taalmodel dat toegang krijgt tot betrouwbare, goed gestructureerde informatie kan veel gerichter worden ingezet dan een model dat zelfstandig betekenis moet proberen te geven aan een verzameling inconsistente documenten en databestanden.

Goede data-analyse is daarmee geen ouderwets alternatief voor AI, maar in veel gevallen een noodzakelijke voorwaarde om AI zinvol te kunnen toepassen.

Van experimenteren naar verbeteren

Het onderzoek van Berenschot maakt duidelijk dat de overgang van incidenteel AI-gebruik naar structurele toepassing voor veel organisaties ingewikkelder is dan aanvankelijk gedacht. Dat zou ons niet moeten verbazen. Het invoeren van technologie is immers iets anders dan het veranderen van bedrijfsprocessen, verantwoordelijkheden en besluitvorming.

Tegelijkertijd moeten we oppassen dat de oplossing voor deze uitdaging niet automatisch wordt gezocht in nog uitgebreidere AI-roadmaps, nieuwe governance-structuren en aanvullende strategiedocumenten. Die kunnen noodzakelijk zijn, maar lossen op zichzelf geen bedrijfsprobleem op.

Ik zou daarom liever zien dat organisaties beginnen met een inventarisatie van hun belangrijkste operationele en financiële knelpunten. Waar ontstaan fouten? Welke processen kosten onnodig veel tijd? Waar ontbreekt betrouwbare informatie? Welke beslissingen worden nu genomen op basis van aannames, ervaring of onvolledige gegevens? Vervolgens kan per vraagstuk worden bepaald welke aanpak het meest geschikt is. Soms gaat het om procesverbetering, soms om klassieke automatisering, soms om deterministische data-analyse en soms om generatieve AI. Vaak zal het een combinatie van verschillende technieken zijn.

De technologiekeuze is dan geen doel op zichzelf, maar een logisch gevolg van het vraagstuk dat moet worden opgelost.

Misschien hebben we geen AI-strategie nodig, maar een betere bedrijfsstrategie

De titel van het Berenschot-onderzoek luidt Eerst strategie, dan pas AI. Daar ben ik het in belangrijke mate mee eens. Maar wat mij betreft mogen we nog iets verder gaan. Niet iedere organisatie heeft een afzonderlijke AI-strategie nodig. Iedere organisatie heeft wel een duidelijke visie nodig op haar bedrijfsvoering, informatievoorziening en de rol die technologie daarin kan spelen.

Het risico van een zelfstandige AI-strategie is dat kunstmatige intelligentie onbedoeld een eigen doelstelling krijgt. We willen AI toepassen, AI opschalen en AI onderdeel maken van onze processen. Vervolgens meten we het succes aan het aantal toepassingen, gebruikers of experimenten, terwijl uiteindelijk maar één vraag relevant is: wordt de organisatie er daadwerkelijk beter van?

Het AI-Trendonderzoek 2026 biedt wat mij betreft daarom vooral aanleiding om de aandacht te verleggen van technologische adoptie naar aantoonbare bedrijfswaarde.

Dat vraagt niet om minder belangstelling voor AI, maar om meer belangstelling voor de vraagstukken waarvoor we deze technologie inzetten. Een organisatie die met eenvoudige, betrouwbare data-analyse haar werkkapitaal beter beheerst, haar marges verbetert en haar financiële rapportages automatiseert, kan veel verder zijn dan een organisatie met een indrukwekkende AI-roadmap en tientallen experimenten waarvan de opbrengst onduidelijk blijft.

Mij betreft is dit de belangrijkste les. We hoeven niet voortdurend op zoek naar nieuwe mogelijkheden om kunstmatige intelligentie toe te passen. We zouden vooral beter moeten begrijpen waar onze organisaties slimmer, betrouwbaarder en efficiënter kunnen functioneren. En vervolgens de technologie moeten kiezen die daarbij past.

Ook wanneer dat helemaal geen AI blijkt te zijn.

Bron

Berenschot, Nyenrode Business Universiteit, PublicNL en LINK magazine, AI-Trendonderzoek 2026: Eerst strategie, dan pas AI, 9 oktober 2026. De genoemde percentages zijn ontleend aan de openbare publicatie en toelichting van Berenschot. Het volledige rapport is niet gebruikt voor aanvullende kwantitatieve conclusies.

https://www.berenschot.nl/publicaties/ai-trendonderzoek-2026

Pieter de Kok
Geschreven door:

Pieter de Kok