AI gebruiken is nog geen aantoonbare waarde

Generatieve AI is op veel werkvloeren geen experiment meer. Maar veel gebruik is nog geen bewijs van veel waarde.

De Data & AI Monitor 2026/2027 Benelux Edition van Xebia en Data Expo meldt dat 74% van de deelnemende organisaties generatieve AI actief gebruikt. Tegelijk zegt 24% dat de organisatie de waarde van AI volledig realiseert én systematisch volgt.[1], [2]

Een analyse van de Europese Centrale Bank (ECB) laat hetzelfde onderscheid op taakniveau zien. In de onderzochte eurolanden steeg het aandeel werkenden dat AI voor het werk gebruikt van 26% in 2024 naar 41% in 2025 en 52% in 2026. De mediane AI-gebruiker rapporteert ongeveer drie uur tijdsbesparing per week, circa 7,7% van de mediane werktijd.[3]

Dat klinkt aantrekkelijk. Toch meten deze bronnen niet rechtstreeks hoeveel bedrijfswaarde een organisatie realiseert. De Xebia/Data Expo-monitor is een commerciële Benelux-survey onder 415 professionals. De ECB-analyse gebruikt zelfgerapporteerde surveygegevens van werknemers. De cijfers zijn daarom bruikbaar als signaal, maar niet als bewijs dat iedere organisatie door AI automatisch productiever, zorgvuldiger of winstgevender wordt.

Binnen die grens maken de bronnen wel een belangrijk managementvraagstuk zichtbaar: AI gebruiken, tijd besparen, waarde realiseren en grip organiseren zijn vier verschillende dingen.

Gebruik is geen succesmaat

Een organisatie kan veel AI gebruiken zonder te weten of het werk er beter van wordt.

Dat gebeurt gemakkelijk. Medewerkers maken vaker conceptteksten met AI. Het aantal accounts groeit. Teams delen prompts. Een leverancier laat zien hoeveel verzoeken zijn verwerkt. Het voelt alsof de organisatie vooruitgaat.

Maar geen van die signalen vertelt op zichzelf of een bedrijfsdoel beter wordt bereikt.

Stel dat een klantenserviceteam AI gebruikt om conceptantwoorden te schrijven. Dan is het aantal gegenereerde teksten nauwelijks een interessante succesmaat. Je wilt waarschijnlijk iets anders weten:

• worden vragen sneller afgehandeld;
• zijn antwoorden inhoudelijk juist;
• ontbreekt er geen informatie die voor de klant belangrijk is;
• kost controle minder of juist meer tijd;
• ontstaan er minder herstelacties of escalaties;
• ervaren medewerkers minder werkdruk;
• blijft de kwaliteit ook overeind wanneer het volume stijgt?

Dat zijn vragen over het werk. Niet over de populariteit van de tool.

Tijdwinst is nog geen bedrijfswaarde

Een medewerker bespaart drie uur per week met AI. Heeft je organisatie dan ook drie uur productiviteit gewonnen?

Dat hoeft niet.

Tijdwinst kan waardevol zijn, maar alleen als duidelijk is wat er met die tijd gebeurt en of de taak als geheel beter wordt uitgevoerd. Een hulpmiddel kan één stap versnellen zonder dat het totale proces verbetert.

Een medewerker maakt bijvoorbeeld in vijf minuten een eerste tekst waar eerder twintig minuten voor nodig waren. Maar als een collega daarna extra bronnen moet controleren, ontbrekende informatie moet aanvullen en onduidelijke formuleringen moet herstellen, is de netto tijdwinst kleiner.

Soms is die controle terecht en blijft er alsnog een positief resultaat over. Soms verschuift het werk alleen.

Daarom hoort bij een tijdmeting ook de vraag:

• hoeveel controle is nodig;
• wie voert die controle uit;
• welke deskundigheid is daarvoor nodig;
• hoeveel herstelwerk ontstaat;
• waar worden fouten pas later zichtbaar;
• wat gebeurt er met eventuele vrijgekomen tijd?

Vrijgekomen tijd kan verschillende soorten waarde hebben: meer klantcontact, zorgvuldiger kwaliteitscontrole, opleiding, innovatie, minder overwerk, lagere werkdruk, achterstallig werk of extra capaciteit op een knelpunt. Dat zijn niet allemaal dezelfde resultaten. Benoem daarom vooraf welke waarde je zoekt.

Begin bij doel en taak, niet bij het hulpmiddel

“Wij willen meer met AI doen” is geen meetbaar doel.

Een bruikbaarder vertrekpunt is:

Doel: wat wil je als organisatie bereiken?

Taak: welk afgebakend werk moet daarvoor beter worden uitgevoerd?

Hulpmiddel: is AI daarvoor werkelijk de beste keuze, of werkt een betere afspraak, gewone software of menselijke uitvoering net zo goed of beter?

Pas wanneer doel en taak duidelijk zijn, kun je bepalen wat “waarde” voor die toepassing betekent.

Bij het samenvatten van lange interne documenten kan tijdwinst bijvoorbeeld relevant zijn. Maar als die samenvatting wordt gebruikt om een besluit voor te bereiden, telt ook taakvoltooiing: staat alle informatie erin die voor dat besluit nodig is?

Een tekst kan alleen correcte zinnen bevatten en toch het ene belangrijke bezwaar missen. Juistheid en taakvoltooiing zijn niet hetzelfde. Daarom is “de AI maakte geen fouten” nog geen complete beoordeling van de taak.

Meet wat “beter” betekent

Een bruikbaar gesprek over AI begint niet met:

Hoeveel uur kunnen we besparen?

Begin met:

Welk resultaat moet deze taak opleveren?

Daarna kun je bepalen welke meetlat past. Bij sommige taken kan snelheid het belangrijkste criterium zijn. Bij andere taken tellen ook:

• inhoudelijke juistheid;
• volledigheid;
• fout- en herstelkosten;
• klanttevredenheid;
• werkdruk;
• doorlooptijd;
• aantal escalaties;
• controleerbaarheid.

Niet ieder criterium is voor iedere taak nodig. De meetlat moet proportioneel zijn aan het werk en de mogelijke gevolgen.

Een interne brainstorm vraagt iets anders dan een conceptofferte. Een conceptofferte vraagt weer iets anders dan een systeem dat zelfstandig een prijs toezegt of een aanvraag afwijst.

Shadow AI is meer dan een regelprobleem

In dezelfde Benelux-monitor zegt 69% van de respondenten zich zorgen te maken over ongeautoriseerd AI-gebruik door medewerkers, vaak aangeduid als shadow AI.[1]

De reflex kan zijn om vooral naar verboden en toegestane tools te kijken. Soms is dat nodig. Maar het risico is dat de onderliggende werkvraag uit beeld verdwijnt.

Een medewerker die iedere week tientallen vergelijkbare documenten moet samenvatten, kan zelf een AI-tool gaan gebruiken omdat die taak veel tijd kost. Dat maakt het gebruik niet automatisch passend. Het vertelt je wel dat er mogelijk een echte werkbehoefte achter zit.

Daarom is het verstandig om shadow AI eerst zichtbaar te maken: welke taak probeert iemand uit te voeren, welke informatie gaat erin, welke toegang heeft de toepassing en wat gebeurt er daarna met de uitvoer?

Vertrouwen moet per taak worden verdiend

De monitor meldt daarnaast dat 21% van de respondenten AI-uitvoer evenveel vertrouwt als het oordeel van een menselijke collega.[1]

Ook dat cijfer vraagt om nuance. “Vertrouwen in AI” is te algemeen om een werkproces op in te richten.

Voor een brainstorm kun je ruime foutmarges accepteren. Voor een financiële berekening, personeelsbeslissing of klantbelofte waarschijnlijk niet. Ook een mens is niet automatisch een betrouwbare controleur. Dat hangt af van deskundigheid, informatie, tijd, criteria en bevoegdheid.

De nuttige vraag is daarom niet:

Vertrouwen we AI?

Maar:

Welke kwaliteit moet deze taak halen, hoe controleren we dat en wie kan ingrijpen als de uitvoer niet voldoet?

Vertrouwen wordt zo geen gevoel over een merk of model, maar een begrensde conclusie over aantoonbare werking in een specifieke taak.

Een geslaagde pilot bewijst niet automatisch dat je kunt opschalen

Een veelgemaakte stap is om na enkele goede voorbeelden direct uit te breiden.

Maar als de taak verandert, kan de eerdere bewijsbasis zijn betekenis verliezen. Dat geldt ook wanneer je andere gegevens gebruikt, een nieuw model inzet, meer gebruikers toevoegt, systemen koppelt of de toepassing meer bevoegdheid geeft.

Een AI-hulpmiddel dat goede interne conceptteksten maakt, heeft daarmee nog niet bewezen dat het ook zelfstandig met klanten kan communiceren.

De conclusie mag niet groter zijn dan het onderzoek.

Daarom past bij uitbreiding steeds dezelfde cyclus:

begrenzen → uitvoeren → controleren en evalueren → aanpassen → opnieuw controleren → alleen onderbouwd uitbreiden

Aanpassen is niet automatisch verbeteren. De nieuwe situatie moet opnieuw passend worden beoordeeld.

Wat kun je morgen doen?

Kies één AI-toepassing die binnen je organisatie al wordt gebruikt. Schrijf op één pagina:

1. welk doel je ermee probeert te bereiken;
2. welke concrete taak AI ondersteunt;
3. welk resultaat voor die taak telt;
4. hoe je dat resultaat meet;
5. wie controleert of de taak voldoende is uitgevoerd;
6. hoeveel controle en herstelwerk nodig zijn;
7. wat er met eventuele vrijgekomen tijd moet gebeuren;
8. welke informatie, toegang en bevoegdheid de toepassing heeft.

Als je die punten nog niet helder kunt beantwoorden, is meer gebruik niet vanzelf de logische volgende stap.

Meet niet of AI indrukwekkend werkt. Meet of de taak aantoonbaar beter wordt uitgevoerd.

Bronnen

[1] Xebia, Xebia and Data Expo Release Data & AI Monitor for the Benelux Region, 27 augustus 2026. https://xebia.com/news/xebia-data-expo-benelux-ai-readiness-report-2026/

[2] Xebia & Data Expo, Data & AI Monitor 2026/2027 Benelux Edition — landingspagina met steekproef- en methodiekgegevens. https://xebia.com/artificial-intelligence/data-ai-monitor-benelux-2026/

[3] Europese Centrale Bank, AI adoption and the productivity promise: what workers report, 26 augustus 2026. https://www.ecb.europa.eu/press/blog/date/2026/html/ecb.blog20260826~e1c1a89999.en.html

Bron- en claimgrens

De percentages van Xebia/Data Expo zijn afkomstig uit een commerciële survey onder Benelux-professionals en worden hier als marktsignaal gebruikt. De ECB-analyse gebruikt zelfgerapporteerde surveygegevens uit de Consumer Expectations Survey. De genoemde uren zijn door respondenten ingeschatte tijdsbesparingen en vormen geen directe meting van gerealiseerde productiviteit op organisatieniveau. De organisatorische duiding in dit artikel is een DSM-synthese.