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.