Welkom bij de AI-realitycheck. Wat zeggen de data eigenlijk?

21-09-2026 Pieter de Kok Blog

Deloitte-topman Hans Honig constateert dit weekend in het FD dat rond kunstmatige intelligentie een realitycheck plaatsvindt. Dat is een interessante constatering, zeker omdat Deloitte zelf de afgelopen jaren volop heeft meegedaan aan de ontwikkeling en toepassing van AI. Maar in plaats van opnieuw te discussiëren over wat AI allemaal zou kunnen betekenen, kunnen we inmiddels ook naar een veel concretere vraag kijken: wat levert het daadwerkelijk op?

De eerste jaren van generatieve AI stonden vooral in het teken van verwondering en experimenteren. Vrijwel iedereen kon ineens teksten laten schrijven, documenten samenvatten, softwarecode genereren of hulp krijgen bij het analyseren van gegevens. Organisaties begonnen pilots, schaften licenties aan, organiseerden trainingen en ontwikkelden AI-strategieën. Dat was logisch, want de toegankelijkheid van de technologie maakte het mogelijk om tegen relatief lage kosten te experimenteren.

Een paar jaar later wordt het interessanter om te kijken wat er van al die experimenten terecht is gekomen. Deloitte onderzocht voor zijn State of AI in the Enterprise 2026 meer dan 3.000 leidinggevenden die rechtstreeks betrokken zijn bij AI-initiatieven. Slechts 25% van de respondenten heeft inmiddels 40% of meer van de AI-pilots daadwerkelijk naar productie gebracht. Daarnaast gebruikt 37% AI volgens Deloitte nog relatief oppervlakkig, zonder dat de onderliggende bedrijfsprocessen wezenlijk zijn veranderd.

Die cijfers betekenen niet dat AI tegenvalt. Integendeel. In hetzelfde onderzoek rapporteert 66% van de organisaties verbetering van productiviteit of efficiency, 53% betere inzichten en besluitvorming en 40% kostenbesparingen. Er wordt dus wel degelijk waarde gerealiseerd. Interessant is echter dat slechts 20% inmiddels hogere omzet door AI rapporteert, terwijl 74% verwacht dat in de toekomst wel te gaan realiseren.

Daar zit voor mij de essentie van de huidige realitycheck. De eerste resultaten zijn zichtbaar, vooral op het gebied van efficiency en ondersteuning van bestaande werkzaamheden, maar de economische transformatie die regelmatig aan AI wordt toegeschreven is bij veel organisaties nog vooral een verwachting.

AI gebruiken is geen concurrentievoordeel

Tegelijkertijd wordt toegang tot AI steeds minder onderscheidend. Volgens Deloitte heeft inmiddels ongeveer 60% van de werknemers bij de onderzochte organisaties toegang tot goedgekeurde AI-tools. Een beeld niet anders dan bij Coney Minds.

Een accountant die een taalmodel gebruikt om een memo samen te vatten, een controller die met Copilot ondersteuning krijgt bij een analyse of een consultant die AI gebruikt bij het voorbereiden van een presentatie loopt daarmee niet automatisch voorop. De technologie is daarvoor inmiddels te breed beschikbaar.

Het mogelijke onderscheid zit veel meer in de manier waarop een organisatie ermee werkt. De kwaliteit en toegankelijkheid van data spelen daarbij een rol, maar ook domeinkennis, methodologie, integratie in bestaande processen en het vermogen van professionals om de uitkomsten te beoordelen. Een analyse die in twintig seconden wordt geproduceerd, heeft weinig professionele waarde wanneer vervolgens onduidelijk is welke gegevens zijn gebruikt, hoe verschillende databronnen zijn gecombineerd en hoe de conclusie tot stand is gekomen.

Voor finance, accountancy en audit vind ik dat een bijzonder interessant vraagstuk. Stel dat een CFO een AI-toepassing gebruikt om de ontwikkeling van de brutomarge voor het komende kwartaal te analyseren. Dan is niet alleen de uitkomst relevant. Een financial zal ook willen begrijpen welke gegevens en perioden in de analyse zijn betrokken, welke variabelen de uitkomst beïnvloeden, welke aannames zijn gemaakt en in hoeverre de analyse kan worden gereconstrueerd.

Dat zijn geen bijzondere eisen die we speciaal voor AI verzinnen. Bij traditionele data-analyse vinden we het heel normaal dat duidelijk is welke brondata zijn gebruikt, welke bewerkingen daarop zijn uitgevoerd en hoe uiteindelijk een uitkomst is ontstaan. Juist daarom moeten we oppassen dat we bij AI niet ineens genoegen nemen met minder transparantie omdat de technologie indrukwekkender oogt.

Hier ligt ook een interessante rol voor wat ik maar even good old data-analyse noem. Een goed opgebouwde deterministische analyse heeft als belangrijk voordeel dat de route van brondata naar uitkomst kan worden vastgelegd en gereproduceerd. Dezelfde gegevens en dezelfde bewerkingen leiden in beginsel opnieuw tot dezelfde uitkomst. Dat maakt dergelijke analyses niet automatisch beter dan AI, maar voor toepassingen waarin reproduceerbaarheid en herleidbaarheid belangrijk zijn, zijn het waardevolle eigenschappen.

Generatieve AI en traditionele analytics hoeven daarom ook helemaal geen concurrenten te zijn. Een taalmodel kan uitstekend helpen bij het interpreteren van informatie, schrijven van code, structureren van analyses of toegankelijk maken van resultaten. Voor andere vraagstukken kunnen SQL, KNIME, process mining, visualisaties of een traditionele statistische analyse geschikter zijn.

De volwassen vraag is niet of we AI kunnen gebruiken, maar welke technologie het beste bij de vraag past.

Van experiment naar bedrijfsmiddel

Misschien moeten organisaties daarom ook anders gaan meten hoe ver ze met AI zijn. Het aantal medewerkers dat een AI-training heeft gevolgd, het aantal aangeschafte licenties of het aantal uitgevoerde pilots zegt uiteindelijk weinig over de economische waarde die ermee wordt gecreëerd.

Interessanter is hoeveel tijd daadwerkelijk wordt bespaard, welke processen structureel zijn veranderd, welke kosten daardoor verdwijnen en of beslissingen aantoonbaar beter worden. Daarbij hoort ook de andere kant van de vergelijking: hoeveel menselijke controle blijft noodzakelijk, welke nieuwe fouten of risico’s introduceert AI en hoeveel inspanning kost het om een toepassing betrouwbaar in een bestaand proces te integreren?

Dat is misschien minder spectaculair dan de verhalen over complete beroepen die door AI zouden veranderen, maar economisch kan het minstens zo relevant zijn. Een AI-toepassing die een professional structureel enkele uren per week bespaart, kan buitengewoon waardevol zijn zonder dat daarvoor het hele bedrijfsmodel op zijn kop hoeft.

De cijfers van Deloitte passen eigenlijk goed bij dat beeld. AI begint aantoonbaar waarde op te leveren, vooral door bestaande werkzaamheden efficiënter te maken en mensen te ondersteunen bij analyse en besluitvorming. De veel grotere transformatie die organisaties verwachten, moet zich voor een belangrijk deel nog bewijzen.

Dat maakt de door Hans Honig genoemde realitycheck wat mij betreft juist interessant. Niet omdat we moeten concluderen dat de verwachtingen rond AI onterecht waren, maar omdat de technologie inmiddels volwassen genoeg wordt om haar langs dezelfde meetlat te leggen als andere investeringen. Wat kost de toepassing, wat verandert er daadwerkelijk in het proces, welke risico’s ontstaan en welke financiële of operationele waarde staat daar tegenover?

Na een paar jaar waarin vooral is gekeken naar wat AI allemaal kan, wordt het tijd om systematischer te onderzoeken wat organisaties ermee bereiken.

Niet meten wat AI kan, maar wat AI oplevert.

Pieter de Kok
Geschreven door:

Pieter de Kok