AI zonder meetlaag wordt een duur experiment

Inleiding

De AI-discussie in bedrijven verandert snel.

Tot voor kort ging het vooral over toegang: welk model is het beste, welke tool moeten teams gebruiken en hoe snel kunnen medewerkers ermee aan de slag. In de praktijk blijkt dat inmiddels de makkelijkste fase. De lastigere vraag van 2026 is niet meer of een organisatie AI kan gebruiken, maar of zij AI ook kan besturen.

Dat klinkt administratief, maar het is juist een strategisch verschil. Zodra AI niet alleen teksten samenvat, maar ook analyse, klantcontact, softwareontwikkeling, marketingflows en interne besluitvorming raakt, wordt elke inzet een combinatie van kosten, risico en verwachte opbrengst. Dan volstaat het niet meer om gebruikerslicenties uit te rollen en enthousiast gebruik te vieren. Dan heb je een meetlaag nodig.

Precies daar wijzen meerdere actuele bronnen nu tegelijk op.

De AI-markt groeit sneller dan het meetvermogen

Volgens Gartner komt de wereldwijde AI-besteding in 2026 uit op 2,5 biljoen dollar. Dat laat zien dat AI al lang geen experimentele zijlijn meer is. Er stroomt serieus budget naartoe, in software, infrastructuur, services en ingebouwde AI-functionaliteit.

Maar de bestuurlijke onderlaag loopt daar niet vanzelf in mee. IDC schreef op 24 juni 2026 dat 42% van de organisaties het moeilijk of zelfs onmogelijk vindt om de ROI van hun digitale en AI-investeringen te meten. Tegelijk noemt slechts 39,6% AI-governance een van hun topprioriteiten.

Die combinatie is zakelijk ongemakkelijk. Bedrijven verhogen hun AI-blootstelling, maar een groot deel kan nog niet overtuigend aantonen welke workflows beter worden, waar kosten oplopen en waar risico's verschuiven.

Daarmee verschuift de kernvraag. Niet: hebben we toegang tot AI? Wel: kunnen we waarde, verbruik en verantwoordelijkheid aan elkaar koppelen?

Verbruiksmodellen maken AI tot een financieel stuurvraagstuk

Veel organisaties denken nog in softwarelogica van licenties per gebruiker. AI werkt steeds vaker anders. Bij moderne modellen en agents lopen kosten mee met gebruik: prompts, contextvensters, tools, retrieval, evaluaties, escalaties en achtergrondtaken. Hoe krachtiger en autonomer de inzet, hoe minder voorspelbaar de kosten worden als je niet meekijkt.

Gartner gaf daar op 24 juni een concrete waarschuwing voor in softwareontwikkeling. Het onderzoeksbureau verwacht dat AI-codingkosten in 2028 gemiddeld hoger kunnen uitvallen dan het salaris van een developer, vooral door oplopend tokenverbruik. Dat is geen universele voorspelling voor elke afdeling, maar het maakt wel iets zichtbaar dat veel breder geldt: usage-based AI kan onverwacht duur worden als organisaties alleen op output letten en niet op onderliggende verbruikseconomie.

Voor finance en directie is dat een belangrijk omslagpunt. AI-budgetten worden minder vergelijkbaar met klassieke softwarecontracten en meer met cloudverbruik: schaalbaar, nuttig, maar alleen gezond als je zicht hebt op wie wat verbruikt, waarvoor en met welk resultaat.

Leveranciers bouwen nu expliciet de meetlaag

Dat deze verschuiving concreet is, zie je niet alleen in analistenrapporten maar ook in productbeslissingen van grote leveranciers.

OpenAI publiceerde op 18 juni 2026 nieuwe usage analytics en aangescherpte spend controls voor enterprise-klanten. Dat is veelzeggend. Een markt die nog puur in experimenteerstand staat, bouwt vooral nieuwe mogelijkheden. Een markt die volwassen begint te worden, bouwt dashboards, budgetgrenzen, uitsplitsing naar gebruiker, product en model en beheerfuncties.

AWS positioneerde begin juni AgentOps nadrukkelijk rond observability, evaluatie en kosten per interactie. IDC wijst intussen op het belang van traceerbare bronnen en governance, juist omdat organisaties AI sneller uitrollen dan hun bestuurlijke onderlaag meegroeit.

Dat zijn geen losse productupdates. Samen laten ze zien waar de markt heen beweegt. Niet naar minder AI, maar naar AI die alleen schaalbaar is als organisaties zicht krijgen op gedrag, kwaliteit, kosten en bevoegdheden.

De nieuwe fout: AI meten alsof het gewone software is

Hier gaat het in veel bedrijven nog mis.

Een klassiek softwareproject heeft vaak een vrij duidelijke rekensom: licentie erin, procesverbetering eruit. Bij AI is dat te grof. Eenzelfde tool kan voor de ene medewerker incidenteel nuttig zijn en voor de andere medewerker een dagelijks productie-instrument worden. Een simpele taak kan op een klein model draaien, terwijl een zwaardere workflow onnodig standaard naar een duurder model wordt gestuurd. Teams kunnen tijd winnen, terwijl elders extra controlewerk ontstaat omdat uitkomsten nog onvoldoende betrouwbaar of navolgbaar zijn.

IDC beschreef dat op 10 juni 2026 scherp: agentic AI breekt klassieke ROI-modellen open. Niet omdat rendement onmogelijk wordt, maar omdat het doorlopend gemeten moet worden in plaats van eenmalig ingeschat. De relevante rekensom verschuift van "we hebben AI geactiveerd" naar "welke taak wordt goedkoper, sneller of beter, tegen welke marginale kosten en binnen welke risicogrens?"

Dat vraagt om een andere managementdiscipline. Niet alleen businesscases vooraf, maar ook operationele feedback achteraf.

Vooral het mkb heeft baat bij vroege stuurdiscipline

Grote ondernemingen kunnen zich meer inefficiënte experimenten veroorloven. Voor mkb-bedrijven en middelgrote organisaties ligt dat anders. Daar kan een slecht gemonitorde AI-uitrol ongemerkt budget laten weglekken, teamroutines verstoren of compliancevragen oproepen zonder dat daar genoeg structurele waarde tegenover staat.

Juist daarom is vroege discipline geen rem op innovatie, maar een versneller. Wie vanaf het begin werkt met duidelijke use cases, budgetplafonds, datagrondregels en prestatiemaatstaven, leert sneller welke toepassingen echt werken. Dat voorkomt dat AI intern een verzameling losse tools wordt die iedereen gebruikt, maar waarvoor niemand verantwoordelijkheid neemt.

Voor ondernemers en bestuurders is dat een belangrijk inzicht. De winst zit de komende periode waarschijnlijk minder in nog een extra AI-tool en meer in een eenvoudiger maar scherper besturingsmodel: welke processen mogen AI gebruiken, welke data wel en niet, welke kwaliteitslat geldt en welke KPI bepaalt of opschalen logisch is.

Hoe een bruikbare AI-meetlaag eruitziet

Een werkbare aanpak hoeft niet zwaar of bureaucratisch te zijn. Vijf elementen zijn meestal genoeg om van enthousiasme naar bestuurbaarheid te gaan.

1. Koppel elke AI-toepassing aan een meetbaar bedrijfsresultaat.

Niet "we gebruiken een copiloot", maar bijvoorbeeld: minder doorlooptijd in offertewerk, meer klantreacties die meteen juist zijn, minder onderzoekstijd per dossier of meer output per marketeer zonder extra revisierondes.

2. Maak onderscheid tussen pilotverbruik en productieverbruik.

Experimenten mogen rommelig zijn. Productie niet. Zodra AI in een vast proces terechtkomt, moeten ook het budget, het eigenaarschap en de beoordelingscyclus worden aangepast.

3. Stuur op routing, niet alleen op resultaat.

Niet elke taak hoort standaard op het zwaarste model. Goedkopere of smallere modellen zijn vaak voldoende voor classificatie, samenvatting of eerste concepten. Duurdere modellen gebruik je selectief waar de extra kwaliteit aantoonbaar loont.

4. Log herkomst, beslisregels en uitzonderingen.

Traceerbaarheid is geen complianceversiering. Het is nodig om fouten te begrijpen, escalaties te beoordelen en teams te laten leren van afwijkingen.

5. Bekijk AI-gebruik periodiek als portfolio.

Niet elke workflow verdient opschaling. Sommige toepassingen besparen veel tijd maar leveren weinig strategische waarde. Andere zijn duurder per interactie, maar verbeteren marge, klantbehoud of foutreductie substantieel. Dat verschil zie je alleen als je er regelmatig naar kijkt.

De managementvraag van nu

De relevantste AI-vraag voor bestuurders is in 2026 dus niet: welk model moeten we kiezen?

De betere vraag is: in welke processen willen we AI echt laten meedraaien, hoe meten we de opbrengst, welke kosten accepteren we, en wie grijpt in als gebruik, kwaliteit of risico uit de pas loopt?

Bedrijven die dat scherp krijgen, zullen niet per se het meeste AI gebruiken. Ze zullen er wel eerder echte bedrijfswaarde mee bouwen.

En dat is precies het onderscheid dat de komende fase van AI gaat bepalen.