Elk bedrijf dat een budget voor artificial intelligence goedkeurt, loopt hetzelfde risico: het vieren van een technisch vlekkeloze pilot die geen enkele regel op de winst- en verliesrekening beïnvloedt. Het probleem is niet dat er te veel wordt goedgekeurd. Het probleem is dat men de verkeerde zaken meet: gebruik, nauwkeurigheid en acceptatie in plaats van financiële resultaten.

De cijfers laten zien wat deze verwarring kost. Volgens S&P Global Market Intelligence is het aandeel van bedrijven dat het grootste deel van hun AI-initiatieven heeft stopgezet, in 2025 gestegen van 17% naar 42%. Gemiddeld werden 46% proofs of concept geschrapt voordat ze de productiefase bereikten, waarbij kosten, data privacy en beveiliging tot de belangrijkste obstakels behoorden.

Een groot deel van deze verspilling kan worden voorkomen door vanaf de pilotfase financiële discipline te betrachten. Zes stappen helpen om de kans dat een AI-project rendement oplevert, grondiger te beoordelen.

1. Stel de uitgangswaarde vast voordat u met een proefproject begint

Gebruiksstatistieken, zoals het aantal actieve gebruikers of de nauwkeurigheid van het model, geven aan of de tool werkt. Resultaatstatistieken geven aan of de tool zijn prijs waard is.
Een van de meest voorkomende fouten is het implementeren van de oplossing zonder eerst het betreffende proces in kaart te brengen, de huidige prestaties ervan te meten en de KPI’s vast te stellen die het succes van het project zullen aangeven. Zonder dat uitgangspunt wordt elke latere winst een kwestie van interpretatie.

Elke KPI heeft bovendien een verantwoordelijke nodig aan de zakelijke kant, niet aan de technologische kant. De persoon die verantwoordelijk is voor het resultaat in de winst-en-verliesrekening is degene die ervoor zorgt dat het voordeel de proeffase overstijgt en daadwerkelijk in de winst-en-verliesrekening terechtkomt.

Bij een multinationale brouwerij werden in het kader van een project voor het ontwikkelen van een model ter herstructurering van kredietbeslissingen de bedrijfsrelevante KPI’s vóór en na de implementatie bijgehouden. Met die duidelijkheid en vergelijkingspunten was het mogelijk om de daadwerkelijke impact van de oplossing te meten: een stijging van het aankoopvolume met 1,7%, een verbetering van de incassotermijn met 7% en een daling van het aantal wanbetalingen met 19%.

2. Breng de totale kosten in kaart, niet alleen de kosten van de tool

Een AI-project kent vier kostenlagen, maar in begrotingen wordt vaak alleen rekening gehouden met de eerste:

  • Directe kosten: API’s, infrastructuur en softwarelicenties. Gemakkelijk te herkennen op facturen.
  • Ontwikkelingskosten: ontwikkelingsuren voor het bouwen, integreren en testen. Deze worden vaak opgenomen in het budget van de bedrijfsunit.
  • Exploitatiekosten: onderhoud, ondersteuning en verandermanagement, zoals opleiding en implementatie. Dit wordt vaak onderschat.
  • Verborgen kosten: bestuur, naleving, risicobeheer en technische schuld. Deze aspecten worden zelden in aanmerking genomen, maar zijn bepalend voor de levensvatbaarheid op de lange termijn.

De laatste laag is het meest verrassend, omdat deze in de pilot niet als fout naar voren komt, maar wel als stijgende kosten naarmate het bedrijf groeit. Een project dat op de factuur goedkoop lijkt, kan op de balans duur uitvallen.

3. Maak een onderscheid tussen de materiële en de immateriële ROI, en bereken beide

Concrete ROI is het directe, meetbare financiële effect: lagere exploitatiekosten, extra inkomsten of vrijgekomen kapitaal. Vrijgekomen werkuren tellen hier alleen mee wanneer zij leiden tot kostenbesparingen of tot capaciteit die wordt ingezet om inkomsten te genereren.

Immateriële ROI is de indirecte, strategische impact, zoals klantervaring, verminderd regelgevingsrisico, besluitvormingssnelheid of het behoud van talent.

Een meetbare ROI is bepalend voor de goedkeuring van het budget. Een niet-meetbare ROI draagt bij aan het behoud van de investering op de lange termijn. Beide moeten, in de vorm van hypothesen, worden vastgelegd voordat de pilot van start gaat.

4. De werkelijke bijdrage van AI in kaart brengen

Als een lead-scoringmodel in gebruik wordt genomen en het verkoopteam meer deals weet te sluiten, aan wie komt dan de eer toe: aan het model, de nieuwe verkoopmethodiek of de nieuw aangestelde verkoopleider?
Om de bijdrage van AI te kunnen isoleren, is experimentele nauwkeurigheid vereist: een controlegroep, een vergelijking met een vergelijkbare periode of, op zijn minst, de terughoudendheid om een resultaat met meerdere oorzaken niet aan AI toe te schrijven.

5. Evalueer op het juiste moment

Het te vroeg evalueren van een AI-project is even riskant als het te laat evalueren ervan. De minimale drempel is één volledige cyclus van het betreffende proces, of het nu gaat om een kredietcyclus, een financiële afsluiting of een oogst. Het exacte tijdsbestek hangt af van de gebruikssituatie, seizoensinvloeden, het data-volume en de tijd die de bedrijfsvoering nodig heeft om de oplossing in te voeren.
Na de opschaling wordt de monitoring voortgezet, aangezien AI-systemen doorgaans meer waarde opleveren naarmate de acceptatie en de mate van volwassenheid toenemen.

6. Vergelijk voordat u schaalveranderingen aanbrengt

Een op zichzelf staand ROI-cijfer zegt weinig. Het moet worden vergeleken met twee referentiepunten: de uitgangswaarde uit stap 1 en het alternatieve gebruik van hetzelfde kapitaal, dat wil zeggen wat de investering zou opleveren in een ander initiatief. Marktbenchmarks kunnen als secundair referentiepunt dienen, mits de herkomst ervan bekend is en zij daadwerkelijk vergelijkbaar zijn.

Er is ook nog een derde vraag, namelijk die welke het verschil maakt tussen een project en een platform: zullen de kosten van de volgende toepassing lager zijn dan die van deze? Als elke nieuwe toepassing helemaal opnieuw moet worden opgebouwd, zijn de opbrengsten niet evenredig met de investering.

Door deze criteria vóór de besluitvorming vast te stellen, in plaats van achteraf als rechtvaardiging, wordt de ROI een hulpmiddel om prioriteiten te stellen tussen concurrerende toepassingsscenario’s.

Praktische aanbeveling: strengheid in verhouding tot de fase

Het doel is niet om proefprojecten tegen te houden, maar ervoor te zorgen dat elk project een zakelijke vraag beantwoordt, en niet alleen een technische. De lat moet hoger komen te liggen naarmate de investering toeneemt.

Met deze antwoorden in handen is het goedkeuren van het volgende AI-project niet langer een kwestie van vertrouwen, maar een financiële beslissing, met bekende risico’s, een geraamd rendement en een duidelijk traject om de impact te monitoren.