<!– B1:micro-question –>
Als iemand in je directie vraagt wat die AI-inzet van het afgelopen halfjaar heeft opgeleverd, in euro’s of in uren, heb je dan een cijfer of heb je een gevoel? De meeste directies hebben een gevoel. Het probleem is niet dat AI niets doet. Het probleem is dat bijna niemand vastlegde wat er vóór de invoering al gebeurde, en dus niets heeft om tegen af te zetten.
<!– B2:problem –>
Reken de kost van dat gat zelf uit. Tel wat je per maand kwijt bent aan AI-abonnementen, aan bouwtijd van je team en aan externe hulp bij het opzetten van workflows. Vermenigvuldig dat met het aantal maanden dat je al bezig bent zonder dat er ooit een voor-en-nameting is vastgelegd. Dat bedrag is niet weggegooid geld, het kan best renderen, maar het is een investering waarvan je het rendement niet kunt aantonen. Bij de eerstvolgende budgetronde is dat een zwakke positie, niet omdat AI niet werkt, maar omdat je het niet kunt bewijzen.
Het onderliggende mechanisme is een verwarring tussen twee metingen die op elkaar lijken maar niets met elkaar te maken hebben. Adoptie meet of iemand een tool aanraakt: een chatbot is live, een team werkt met een taalmodel, een pilot voelt goed. Resultaat meet of er iets veranderde in de cijfers van het bedrijf: kortere doorlooptijd, minder overdrachtsfouten, hogere marge per opdracht. Een bedrijf kan honderd procent adoptie hebben en nul aantoonbaar resultaat. Dat combinatiegetal bestaat gewoon niet in de meeste rapportages, want niemand vraagt ernaar voordat het project al draait.
Er is nog een reden waarom dit blijft hangen. Het Centraal Bureau voor de Statistiek publiceert jaarlijks hoeveel bedrijven AI gebruiken, uitgesplitst naar bedrijfsgrootte. Dat is een adoptiecijfer, met bron en jaar, en het is bruikbaar. Wat er niet bestaat, in Nederland noch elders, is een officiële statistiek over hoeveel van die bedrijven daar meetbaar resultaat uit halen. Geen instituut meet dat voor je, want resultaat hangt af van jouw proces, jouw uitgangssituatie en jouw eigen definitie van winst. Dat gat vul ik hier niet met een percentage dat overtuigend klinkt. Ik benoem het, en de enige manier om het te dichten is zelf meten, vóór je begint en daarna opnieuw.
<!– B3:diagnose –>
Heb je, voordat de eerste AI-workflow live ging, een nulmeting vastgelegd van de doorlooptijd, foutmarge of kost die je wilde verbeteren?
Kun je op dit moment een resultaat aanwijzen dat aantoonbaar samenhangt met AI-inzet, los van andere veranderingen die in dezelfde periode plaatsvonden?
Weet je hoeveel van je huidige AI-budget naar experimenten gaat die nooit een meetpunt kregen, en hoeveel naar workflows die wel gemeten worden?
Als je board morgen vraagt om het rendement van het afgelopen jaar AI-inzet, wie in je organisatie kan dat cijfer binnen een dag leveren?
<!– B4:approach –>
De agent doet één ding. Hij houdt bij wat er feitelijk verandert rond een afgebakende taak, van vóór de eerste AI-inzet tot nu, en hij weigert een claim te maken die de data niet dekt.
De trigger is het moment waarop je een nieuwe AI-workflow start of een bestaande wilt evalueren. De agent vraagt dan eerst om de nulmeting. Dat is de doorlooptijd, het foutpercentage of de kost van de taak zoals die was vóórdat er AI aan te pas kwam. Gemeten over een periode die lang genoeg is om ruis uit te middelen. Zonder die nulmeting start de agent niet, want zonder referentiepunt is elke latere claim giswerk.
Daarna volgt hij drie beslisregels. Eerst: hij meet alleen wat vooraf is afgesproken als meetpunt, nooit een cijfer dat achteraf toevallig goed uitkomt. Tweede: hij scheidt correlatie van toeschrijving. Daalt de doorlooptijd in dezelfde maand als een nieuwe medewerker of een leverancierswissel, dan meldt de agent beide veranderingen naast elkaar. Hij claimt niet dat AI de enige oorzaak is. Derde: hij rapporteert een vertrouwensniveau bij elke uitkomst, hoog als de enige relevante verandering de AI-inzet was, laag als er meerdere variabelen tegelijk verschoven.
Uitzonderingen gaan naar jou. Een resultaat dat groter is dan realistisch gezien de inzet, een periode waarin de brondata ontbreekt, of een maand waarin de taakdefinitie zelf veranderde, worden nooit stilzwijgend meegeteld. De agent markeert ze als onbetrouwbaar en legt uit waarom, in plaats van ze te middelen weg. Het escalatiepad is simpel: bij twijfel over toeschrijving gaat de vraag naar de eigenaar van het proces, nooit naar een automatische aanname.
Wat je hiermee opbouwt is geen dashboard vol groene vinkjes. Het is een verdedigbaar antwoord op de vraag die aan het begin van deze pagina stond. Niet “we gebruiken AI”, maar “hier is wat er veranderde, hier is wat we niet konden toeschrijven, en hier is het vertrouwensniveau van elk cijfer.”
<!– B5:databehandeling –>
Lees dit voordat je iets plakt, want een nulmeting bevat al snel bedrijfsgevoelige cijfers en soms herleidbare personeelsdata. Werk in een zakelijk abonnement, nooit in een consumentenaccount, en zorg voor een verwerkersovereenkomst met je modelleverancier voordat je echte procesdata invoert. Vervang namen van medewerkers en klanten door rollen: Projectleider A, Klant B. Datums, tijden en bedragen zijn genoeg om de meting te laten werken; een naam voegt niets toe aan het cijfer en verhoogt alleen het risico. Leg vast wie de uitwisseling met het model mag inzien en hoelang die bewaard blijft, apart van de bewaartermijn van je eigen boekhouding of projectadministratie. Als een uitkomst niet te verklaren is uit de data die je erin stopte, is dat het moment om te stoppen en een mens de conclusie te laten trekken, niet het model.
<!– B6:ai-instruction –>
“` Je bent mijn analist voor AI-impactmeting. Ik plak hieronder twee datasets over dezelfde taak: (1) de nulmeting van voor de AI-inzet, (2) de meting van de laatste vier tot acht weken erna. Beide met kolommen: periode, doorlooptijd of foutpercentage, en een vrij tekstveld voor andere veranderingen in die periode (nieuwe collega, ander systeem, seizoenspiek). Namen zijn al vervangen door rollen.
Doe exact dit, in deze volgorde.
- Bereken het verschil tussen de nulmeting en de recente meting, in absolute en relatieve termen.
- Doorzoek het vrije tekstveld op andere veranderingen die in dezelfde periode speelden. Noem ze expliciet.
- Geef een vertrouwensniveau (hoog, gemiddeld, laag) aan de claim dat AI-inzet het verschil verklaart, gebaseerd op hoeveel andere veranderingen je vond.
- Als het vertrouwensniveau laag is, zeg dat met zoveel woorden. Verzin geen percentage om het gat te vullen.
- Sluit af met één vraag die ik moet beantwoorden voordat ik dit cijfer extern deel.
Gebruik geen brancijfers, geen vendorclaims en geen aannames die niet in de data staan. “`
<!– B7:boundary –>
Deze agent past niet overal. Heb je nog geen nulmeting, dan is de eerste stap die vastleggen, niet dit systeem optuigen. Verwacht je een uitkomst binnen enkele weken, dan meet je ruis, niet resultaat; vier tot acht weken is een ondergrens, geen garantie. Zit je AI-inzet zo verweven met andere veranderingen dat je geen enkele periode vindt waarin AI de enige variabele was, dan geeft deze agent je een laag vertrouwensniveau bij elke uitkomst. Dat is geen fout van de agent. Dat is het eerlijke antwoord op een vraag die je proces nog niet toelaat te beantwoorden.
<!– B8:links-cta –>
Waarom kleinere bedrijven nu het venster hebben om te vermenigvuldigen wat werkt, en waarom adoptie daar niet hetzelfde is als resultaat, lees je op jouw voordeel. Zodra je een cijfer hebt, is de volgende vraag wat het betekent voor je kasstroom en je investeringsbeslissing; dat rekenmodel staat op financiële executie. En als je wilt zien hoe zo’n agent zich verhoudt tot andere workflows die je aan AI overlaat, begin bij de agentic-pijler. Ik zet dit liever samen met je op dan dat je een vermoeden voor een feit aanziet: ik wil je nulmeting en meetplan opstellen, inclusief de eerste vier weken meetpunten op papier.
Terug naar de homepage voor het volledige overzicht.