Enterprise-AI schaalt sneller, maar financieel rendement blijft achter

Enterprise-AI groeit, maar financiële opschaling blijft achter

De enterprise-AI-markt is zichtbaar in beweging, maar de meest bruikbare vraag voor bestuurders is niet hoe groot een marktprognose is. De relevante vraag is of AI aantoonbaar bijdraagt aan een bedrijfsresultaat, onder beheersbare kosten en risico’s. Juist daar zit nog een kloof tussen brede toepassing en structurele waarde.

De McKinsey Global Survey van 2026 onder 1.719 respondenten uit 97 landen laat zien dat bijna negen op de tien respondenten regulier AI-gebruik in ten minste één bedrijfsfunctie rapporteren. Daartegenover staat dat 37% aangeeft dat AI positief heeft bijgedragen aan de EBIT van de organisatie. Slechts 6% valt in de door McKinsey gehanteerde groep ‘high performers’: respondenten die minimaal 5% EBIT-impact aan AI toeschrijven én de waarde als significant kwalificeren. Dit zijn enquête-uitkomsten, geen volledige marktmeting, maar zij maken het verschil tussen gebruik en aantoonbare ondernemingswaarde wel scherp zichtbaar. [1]

Ook het onderscheid tussen AI in het algemeen en autonome of semi-autonome agents is essentieel. Stanford HAI rapporteert voor 2025 een organisatieadoptie van 88%; die indicator zegt dat organisaties AI gebruiken, niet dat zij een specifieke toepassing organisatiebreed hebben ingebed of financieel rendement hebben gerealiseerd. In de voorafgaande editie rapporteerde Stanford 78% organisatiegebruik in 2024 en $33,9 miljard aan wereldwijde private investeringen in generatieve AI. Die investerings- en adoptiecijfers zijn daarom geen bewijs voor een afzonderlijke omvang van de markt voor enterprise-agents. [2] [3]

Schaal is een operationele, geen marketingterm

Een organisatie heeft AI niet automatisch opgeschaald wanneer medewerkers een chatbot gebruiken, een team een proof of concept test of een model in één applicatie beschikbaar is. Voor dit artikel betekent opschaling dat een toepassing herhaalbaar in een bedrijfsproces werkt, eigenaarschap heeft, passende gegevens en systemen kan gebruiken, wordt bewaakt en op vooraf gekozen bedrijfsuitkomsten wordt beoordeeld. Dat is een praktische definitie, geen universele industriestandaard.

Volgens McKinsey meldde 44% van de respondenten in 2026 dat AI organisatiebreed wordt opgeschaald. Grote organisaties lopen daarbij voor: 54% van de respondenten bij organisaties met ten minste $1 miljard jaaromzet rapporteerde enterprisebrede schaal, tegenover ongeveer een derde bij kleinere organisaties. Voor agents is het beeld specifieker. Veertig procent van de respondenten bij grote organisaties rapporteerde opschaling van agents in een of meer functies; bij kleinere organisaties was dit 22%. Deze percentages zijn niet uitwisselbaar met een marktaandeel, omzetcijfer of percentage volledig autonome processen. [1]

Die precisie voorkomt een veelvoorkomende fout in besluitvorming. Een leverancier kan een assistent, workflowautomatisering of agent onder dezelfde commerciële noemer aanbieden, terwijl de technische autonomie, de toegestane acties, de gegevensrechten en de gevolgen bij fouten sterk verschillen. Vergelijk oplossingen daarom niet primair op het label, maar op het werk dat zij uitvoeren, de beslissingen die zij beïnvloeden en de controle die noodzakelijk is.

Waarom brede inzet nog geen rendement garandeert

De enquête schetst een gemengd maar concreet beeld. Individuele productiviteit wordt vaker gerapporteerd dan financiële impact: 80% van de respondenten zegt dat AI de eigen productiviteit heeft verbeterd. Dat kan een waardevol signaal zijn, maar het is nog geen onderbouwing voor een EBIT-effect. Productiviteitswinst kan bijvoorbeeld worden opgeslokt door herwerk, ongebruikte vrijgespeelde tijd, integratiekosten of extra controlewerk. [1]

Kosten zijn eveneens onderdeel van het schaalvraagstuk. Eén op de vijf respondenten meldt dat operationele AI-kosten, waaronder tokenkosten, het gebruik beperken. Tegelijk zegt 28% dat de organisatie meer dan 10% van het totale ict-budget aan AI besteedt en verwacht 60% een hogere AI-investering in het komende jaar. De cijfers onderstrepen dat een businesscase niet bij de licentieprijs mag stoppen. Reken ook met gebruikskosten, koppelingen, gegevensbeheer, evaluatie, incidentafhandeling, beveiliging en het werk dat mensen blijven uitvoeren. [1]

De organisaties die in McKinsey’s definitie high performer zijn, onderscheiden zich niet uitsluitend door meer technologie. Zij rapporteren vaker dat zij werkprocessen fundamenteel herontwerpen, dat senior leiders zich aan AI-initiatieven verbinden en dat processen bestaan om de impact te meten. Dat is een samenhang in surveydata, geen bewijs dat één van deze factoren afzonderlijk rendement veroorzaakt. Wel is het een bruikbare waarschuwing tegen het simpelweg toevoegen van AI aan een ongewijzigd proces. [1]

Governance hoort in het ontwerp, niet in de laatste controle

Naarmate een systeem toegang krijgt tot bedrijfsinformatie, systemen of uitvoerende stappen, neemt de noodzaak van aantoonbare beheersing toe. Het NIST AI Risk Management Framework is een vrijwillig kader voor het opnemen van betrouwbaarheid in ontwerp, ontwikkeling, gebruik en evaluatie van AI-systemen. Het bijbehorende profiel voor generatieve AI noemt onder meer het vastleggen van gebruiksvoorwaarden, het betrekken van relevante verantwoordelijken bij risico-identificatie, criteria voor incidentmeldingen en monitoring na ingebruikname. [4] [5]

Praktisch begint governance met een besluit over de taakgrens. Wat mag het systeem wel en niet doen? Welke gegevens mogen worden geraadpleegd? Wanneer is menselijke goedkeuring nodig? Wie beslist over wijzigingen aan model, prompt, kennisbron of koppeling? Welke uitkomst geldt als fout en hoe wordt die hersteld? Door deze vragen vóór productie te beantwoorden, ontstaat een toetsbaar ontwerp in plaats van een achteraf toegevoegd beleidsdocument.

Voor organisaties die onder de Europese AI-verordening vallen, is bovendien context belangrijk. De verordening werkt risicogebaseerd. Voor high-risk AI-systemen bevat zij onder meer vereisten rond nauwkeurigheid, robuustheid en cybersecurity. Of een toepassing in die categorie valt en welke verplichtingen gelden, moet per systeem, beoogd gebruik en rol in de waardeketen worden beoordeeld; een generieke uitspraak over ‘AI-compliance’ is daarvoor onvoldoende. [6]

Edgars analyse: van experiment naar bestuurbare inzet

De volgende punten zijn analyse en praktische duiding, gebaseerd op de genoemde bronnen; zij zijn geen claim over resultaten bij specifieke organisaties. De eerste stap naar schaal is een proces kiezen waarvan doel, invoer, beslisruimte en gewenste uitkomst begrijpelijk zijn. Niet elk proces hoeft volledig te worden geautomatiseerd. Een afgebakende assistent met menselijke eindbeslissing kan bedrijfsmatig zinvoller zijn dan een agent die zelfstandig mag handelen.

Leg vervolgens een nulmeting vast. Meet bijvoorbeeld doorlooptijd, foutpercentage, kosten per afgeronde taak, klantuitkomst of wachttijd vóór ingebruikname. Koppel elke metric aan een proceseigenaar en bepaal vooraf welke verslechtering tot pauzeren, terugdraaien of herontwerp leidt. Daarmee wordt de vraag niet of mensen de technologie interessant vinden, maar of de gekozen toepassing aantoonbaar beter presteert dan het bestaande proces.

Behandel de implementatie als een combinatie van procesverandering, gegevensbeheer en softwarebeheer. Maak toegangsrechten zo beperkt als de taak toelaat. Test de toepassing met representatieve uitzonderingen, niet alleen met ideale voorbeelden. Zorg voor logregistratie die een fout of ongewenste actie kan reconstrueren, en voor een werkbaar escalatiepad. Deze maatregelen vertragen een ongerichte pilot soms, maar verkleinen de kans dat een succesvolle demonstratie onbestuurbaar wordt zodra het gebruik toeneemt.

Ten slotte is terughoudendheid bij marktclaims verstandig. Marktstudies hanteren uiteenlopende definities van AI, generatieve AI, agents en enterprise-software. Daarom is een ongeverifieerde marktwaarde of groeivoet minder bruikbaar voor een investeringsbesluit dan een transparante eigen businesscase. De beschikbare data ondersteunen wel een nuchtere conclusie: enterprise-AI wordt breder toegepast en vaker opgeschaald, vooral bij grote organisaties, maar financieel rendement blijft voor een minderheid aantoonbaar. De kwaliteit van werkprocesontwerp, meting en risicobeheersing bepaalt daarom minstens zo veel als de keuze voor een model of platform.

Bronnen

Edgar van Lent is de auteur van dit artikel.