AI levert pas resultaat als pilots een investeringsportefeuille worden

Inleiding

Veel organisaties hebben inmiddels AI-activiteit. Er zijn copilots in omloop, teams experimenteren met agents, afdelingen kopen tools in en medewerkers bouwen zelf kleine toepassingen. Toch kunnen verrassend weinig directies een eenvoudige vraag scherp beantwoorden: welke AI-initiatieven leveren nu echt bedrijfswaarde op, en welke vooral activiteit?

Juist daar verschuift de discussie. Meerdere actuele gezaghebbende bronnen uit de zomer van 2026 wijzen dezelfde kant op: de volgende AI-fase draait minder om adoptie en meer om bestuurbaar rendement. Niet het aantal pilots wordt doorslaggevend, maar de kwaliteit van de investeringskeuzes erachter.

Voor ondernemers en bestuurders is dat een relevante herijking. Zolang AI wordt aangestuurd als een rij losse experimenten, blijven kosten diffuus, eigenaarschap versnipperd en waardeclaims zacht. Zodra AI wordt bestuurd als een investeringsportefeuille, verandert de vraag. Dan gaat het niet meer om "waar kunnen we iets met AI doen?", maar om "welke workflows verdienen structureel budget omdat ze aantoonbaar waarde opleveren?"

McKinsey laat de kern van het probleem zien: veel gebruik, beperkte EBIT-impact

McKinsey publiceerde op 25 augustus 2026 zijn wereldwijde State of AI-survey. Daaruit komt een ongemakkelijke maar nuttige realiteit naar voren. AI-gebruik verdiept zich snel, grote bedrijven schalen agenten sneller op en tachtig procent van de respondenten zegt dat AI hun individuele productiviteit verbetert. Toch meldt nog steeds slechts 37 procent van de respondenten enige positieve EBIT-impact. Ondertussen zegt een op de vijf organisaties dat AI-gebruik al wordt begrensd door operationele kosten, inclusief tokenkosten.

Dat is misschien wel het belangrijkste zakelijke signaal van dit moment. De markt ziet dus wel lokale winst, maar nog geen evenredige vertaling naar financieel effect op ondernemingsniveau. Anders gezegd: veel organisaties zijn productiever met AI dan ze winstgevender zijn door AI.

McKinsey beschrijft ook waar het verschil ontstaat. De kleine groep echte high performers stuurt niet alleen op efficiëntie, maar ook op groei en innovatie. Belangrijker nog: zij herontwerpen workflows fundamenteel en meten de impact explicieter dan de rest. Dat maakt hun voorsprong minder technologisch dan veel mensen denken. De scheidslijn loopt niet alleen tussen bedrijven met en zonder AI, maar tussen bedrijven met en zonder investeringsdiscipline rond AI.

Gartner en Deloitte maken duidelijk waarom besturen nog vaak achterloopt

Die spanning zie je ook terug in ander recent onderzoek. Gartner meldde op 20 juli 2026 dat in een enquête onder 204 financiële leiders 45 procent aangeeft dat de AI-investeringen vooral op productiviteit zijn gericht, terwijl 20 procent besluitkwaliteit als zwaartepunt noemt. Volgens Gartner leggen boards juist meer nadruk op groei, betere besluitvorming en concurrentievoordeel dan op louter efficiëntie.

Dat verschil is bestuurlijk relevant. Een organisatie kan prima rapporteren dat duizenden uren zijn bespaard, terwijl het bestuur ondertussen nog steeds niet ziet of klantuitkomsten verbeteren, marges stijgen, risico's dalen of beslissingen sneller en consistenter worden genomen. Dan groeit AI-activiteit wel, maar groeit het vertrouwen in de investeringslogica niet mee.

Deloitte zette op 2 juni 2026 dezelfde lijn door. Hun analyse beschrijft een duidelijke kloof tussen AI-uitrol en echte AI-transformatie. Veel organisaties zijn verder met uitrollen dan met herontwerpen, governance en waardemeting. Deloitte verwacht bovendien dat grotere ondernemingen tegen het einde van 2026 standaard over AI-waarde aan het bestuur moeten kunnen rapporteren, terwijl slechts 4 procent dat nu al kan.

Dat is een harde boodschap voor directies. Wie AI wil blijven opschalen zonder volwassen waarderapportage, loopt het risico dat budgetten wel stijgen maar besluitvorming over die budgetten zwakker wordt.

BCG verschuift de vraag van losse pilots naar een bestuurbare AI-portefeuille

BCG gaf op 25 augustus 2026 een praktische organisatorische vertaling van dat probleem. Hun punt: bedrijven investeren massaal in AI, maar eindigen te vaak met versnipperde programma's die samen weinig aantoonbare waarde opleveren. Daarom pleit BCG voor een AI-hub: een centrale entiteit die het portfolio overziet, capabilities bundelt en zorgt voor samenhang in data, governance en uitvoering.

Voor ondernemers en bestuurders is het nuttig om die AI-hub niet meteen letterlijk als nieuw orgaan te lezen. De onderliggende les is belangrijker dan de vorm. Iemand moet overzicht houden over het geheel. Iemand moet kunnen zeggen welke initiatieven elkaar versterken, welke dubbel werk veroorzaken, welke infrastructuur opnieuw gebruikt kan worden en welke pilots geen vervolg verdienen.

Zonder zo'n centraal zicht ontstaan voorspelbare problemen. Verschillende teams kopen vergelijkbare tooling. Kosten schuiven langs afdelingen zonder volledig beeld. Juridische, operationele en financiële randvoorwaarden worden pas laat zichtbaar. En successen zijn moeilijk te vergelijken, omdat ieder team zijn eigen definitie van waarde hanteert.

Een AI-portefeuille dwingt juist tot vergelijkbaarheid. Niet door alles dood te bureaucratiseren, maar door per initiatief dezelfde basisvragen te stellen: welk bedrijfsprobleem lossen we op, welke workflow verandert echt, wat kost een volledige run, welk team is eigenaar, hoe meten we effect, en wanneer stoppen we?

De echte meetfout zit vaak in wat organisaties tellen

Veel organisaties denken dat ze AI-economie al redelijk begrijpen zolang ze licentiekosten, modeltarieven of tokenverbruik kunnen zien. Maar recente McKinsey-publicaties laten zien dat juist daar vaak een verkeerde focus ontstaat.

In "The cost of intelligence" waarschuwt McKinsey dat AI-kosten sneller kunnen oplopen dan traditionele technologie-uitgaven, juist omdat veel gebruik buiten centraal zicht ontstaat. Businessunits kopen zelfstandig in, medewerkers bouwen zelf workflows en autonome toepassingen kunnen ongemerkt veel verbruik genereren. Het kostenvraagstuk zit dus niet alleen in prijs per model, maar ook in onzichtbare vraaggroei.

In "Where AI agents pay off", gepubliceerd op 24 augustus 2026, wordt dat nog concreter. Voor een AI-agent die een klantenservicetaak in de banksector uitvoert, noemt McKinsey tokenkosten van vaak 20 tot 25 procent van de variabele gebruikskosten, tegenover 70 tot 75 procent voor menselijk toezicht. Dat is een cruciale managementles. Wie alleen op promptkosten stuurt, ziet niet waar de echte economische frictie zit.

Daarom is "cost per prompt" een zwakke stuurvariabele. Een directie heeft meer aan de integrale kostprijs van een afgeronde uitkomst: een afgehandelde klantcase, een afgeronde onboarding, een goedgekeurde offerte, een opgeloste claim of een correct uitgevoerde analyse. Pas op dat niveau wordt zichtbaar of AI echt werk goedkoper, sneller of beter maakt.

De volgende stap is geen groter AI-budget, maar een betere investeringslogica

Voor veel organisaties is de praktische les dus niet dat ze nu vooral harder moeten investeren. De les is dat ze preciezer moeten investeren.

Begin met het zichtbaar maken van het actuele AI-portfolio. Niet alleen formele projecten, maar ook tools, agents, teamlicenties en zelfgebouwde toepassingen. Veel bedrijven onderschatten hoeveel AI-uitgaven en AI-risico al verspreid in de organisatie aanwezig zijn.

Koppel daarna elk relevant initiatief aan een bedrijfsworkflow in plaats van aan een losse tool. Een chatbot is geen businesscase. Een sneller klantacceptatieproces dat meteen correcte uitkomsten oplevert, is dat wel. Een copiloot is geen uitkomst. Een kortere offertedoorlooptijd of minder contractlekkage wel.

Definieer vervolgens per workflow een kleine vaste set bewijsmetrics. Denk aan doorlooptijd, foutpercentage, escalaties, reviewlast, conversie, benuttingsgraad, marge, risicovermindering of vrijgespeelde capaciteit die aantoonbaar elders waarde levert. Voeg daar expliciet de volledige kosten aan toe: tooling, tokens, integratie, beheer, toezicht, security en verandercapaciteit.

Maak ten slotte ook stopregels normaal. Niet elk AI-initiatief hoort opgeschaald te worden. Sommige pilots zijn nuttig als leerervaring, maar economisch te zwak als structurele voorziening. Een volwassen AI-portefeuille laat daarom niet alleen zien waar extra budget naartoe moet, maar ook wat je bewust uitfaseert.

Wat directie en MT vandaag concreet kunnen doen

De organisaties die de komende twaalf maanden verder komen, hoeven niet per se de meeste AI-tools te hebben. Ze moeten vooral sneller leren welke inzet echt waarde bouwt.

Een bruikbaar startpunt is om drie niveaus uit elkaar te trekken. Niveau één is activiteit: hoeveel gebruik, hoeveel prompts, hoeveel pilots. Niveau twee is workflow-effect: welke processen worden aantoonbaar sneller, schoner of betrouwbaarder. Niveau drie is ondernemingswaarde: welke effecten landen uiteindelijk in groei, marge, risico, klantuitkomst of kapitaalefficiëntie.

Zolang niveau één wordt verward met niveau drie, blijft AI-besturing mistig. Zodra die lagen uit elkaar worden gehaald, wordt ook duidelijker waar budget, eigenaarschap en managementaandacht thuishoren.

Voor directie en MT betekent dat concreet:

• Maak een integraal overzicht van lopende AI-initiatieven, inclusief schaduwgebruik.
• Wijs een eigenaar aan voor portfoliokeuzes, niet alleen voor techniek of compliance.
• Beoordeel initiatieven op workflow-uitkomst en integrale kosten, niet alleen op demo-kwaliteit.
• Rapporteer periodiek welke pilots opschalen, welke stagneren en welke bewust stoppen.
• Gebruik dezelfde waardetaal in business, finance, IT en operatie.

Dat klinkt minder spectaculair dan een nieuwe agentdemo. Maar juist hier wordt het verschil gemaakt tussen AI als kostenstroom en AI als bestuurbare groeicapaciteit.

De winnaars zijn waarschijnlijk de bedrijven die beter durven kiezen

De AI-markt van 2026 beloont niet langer alleen snelheid van experimenteren. Ze beloont steeds meer de kwaliteit van selectie, samenhang en bewijs.

Dat is ook waarom deze fase voor bestuurders interessanter wordt dan de vorige. De eerste golf draaide om toegang tot modellen. De huidige golf draait om investeringslogica. Welke workflows zijn werkelijk de moeite waard? Waar stapelen kosten zich sneller op dan waarde? Welke initiatieven verdienen herontwerp in plaats van extra licenties? En welke signalen moeten in de boardroom terugkomen om niet op enthousiasme maar op bedrijfswaarde te sturen?

Wie daar goede antwoorden op vindt, krijgt meer dan grip op AI-kosten. Die bouwt een organisatie die scherper kan kiezen, sneller kan opschalen en eerlijker kan stoppen. En juist dat kan in de komende fase van AI een groter concurrentievoordeel blijken dan nog een extra tool op het intranet.