1. De unieke kenmerken AIsluiten niet aan bij traditionele ROI-modellen

AI verschillen aanzienlijk van conventionele investeringen in de manier waarop ze waarde genereren en aantonen. Terwijl traditionele projecten doorgaans een voorspelbaar implementatietraject volgen met duidelijke operationele effecten, bieden AI een complexer waardevoorstel: de voordelen ontwikkelen zich in de loop van de tijd, zijn vaak indirect en laten zich moeilijk afzonderlijk vaststellen of toeschrijven aan de AI zelf. Dit fundamentele verschil dwingt organisaties ertoe hun aanpak van het berekenen van het rendement op investering (ROI) en het rechtvaardigen van AI te herzien.

Laten we eerst eens kijken waarom AI in de loop van de tijd vaak versnelt in plaats van een stabiel verloop te volgen, en vervolgens ingaan op de complexiteit van attributie, een van de meest over het hoofd geziene uitdagingen bij het beoordelen van AI .

1.1 Het niet-lineaire karakter van AI

AI leveren vaak een exponentieel rendement op door krachtige technologische drijfveren te combineren met subtiele indirecte voordelen. Uit een wereldwijd onderzoek van IDC blijkt dat bedrijven voor elke dollar die in AI wordt geïnvesteerd een gemiddeld rendement van 3,70 dollar behalen, waarbij sommige organisaties zelfs een rendement van 10,30 dollar behalen(3).

Vijf belangrijke technologische factoren zorgen voor dit buitengewone rendement:

  1. Nieuwe mogelijkheden:AI kansen zoals voorspellende modellen die inspelen op marktverschuivingen of onderhoudsbehoeften, innovatieve strategieën data en geautomatiseerde beslissingsondersteuning. Deze nieuwe mogelijkheden zorgen voor inkomstenstromen en efficiëntieverbeteringen die met handmatige methoden voorheen onmogelijk waren.
  2. Schaalbaarheid: Eenmaalgeïmplementeerd kunnen AI tegen minimale extra kosten worden opgeschaald. Zo kan een AI medewerker AI bijvoorbeeld duizenden vragen tegelijkertijd afhandelen zonder extra personeel, waardoor snelle groei mogelijk is zonder dat de kosten evenredig stijgen.
  3. Hergebruik van modellen: Een AI of -component kan met minimale aanpassingen in meerdere toepassingen of domeinen worden ingezet, waardoor één investering voor meerdere doeleinden wordt benut. Zo kan een machine learning-model dat is getraind om afwijkingen in de productie op te sporen, worden aangepast om financiële transacties op fraude te controleren, waardoor de waarde ervan wordt uitgebreid naar verschillende bedrijfsonderdelen.
  4. Sterkere verbeteringen:AI profiteren van feedbackcycli die zorgen voor voortdurende verbetering. Hoe vaker een AI gebruikt, hoe meer data verzamelt om zijn algoritmen te verfijnen, waardoor een zichzelf versterkende cyclus ontstaat waarin betere prestaties tot meer gebruik leiden, en meer gebruik de prestaties verder verbetert. Kleine verbeteringen groeien uit tot grote voordelen.
  5. Een prestatiesprong: doorbraken op het gebied van AI en modelarchitecturen hebben een domino-effect op hele systemen. Wanneer een kernalgoritme wordt verbeterd – bijvoorbeeld door een efficiënter transformermodel of geoptimaliseerde cloud – profiteert elke applicatie die op die basis is gebouwd direct van een prestatiesprong. Dit versterkende effect zet stapsgewijze technische vooruitgang om in aanzienlijke, systeembrede voordelen, waardoor de waardecreatie voor digitale producten en platforms wordt versneld.

Naast deze directe technologische drijfveren AI ook indirecte voordelen die het rendement op lange termijn vergroten. Medewerkerstevredenheid, meer innovatie, organisatorische wendbaarheid, een betere klantervaring en een lager foutenrisico zijn allemaal potentiële AI die moeilijk in cijfers uit te drukken zijn. Hoewel deze voordelen misschien niet direct op de balans te zien zijn, versterken ze het concurrentievoordeel en de veerkracht van de organisatie, wat bijdraagt aan een aanhoudende, niet-lineaire groei van het totale rendement.

1.2 Attributie bij AI : een complexe vergelijking

Een van de meest over het hoofd geziene uitdagingen bij het beoordelen AI is attributie. In tegenstelling tot traditionele systemen, die doorgaans worden ingezet om een afzonderlijk probleem met duidelijk meetbare KPI’s op te lossen, maken AI vaak deel uit van bredere transformatie-inspanningen. Ze zijn verweven met veranderingen in processen, platforms, organisatiestructuren en vaardigheden. Deze onderlinge afhankelijkheid maakt het uiterst moeilijk om een duidelijk causaal verband te leggen tussen de AI en de waargenomen bedrijfsresultaten.

Bovendien fungeert AI als een katalysator, in plaats van als een directe bron van waarde. Het levert inzichten op, automatiseert beslissingen en versterkt het menselijk oordeel, maar het uiteindelijke resultaat hangt nog steeds af van de uitvoering in de verdere processen. Deze „verspreide impact“ maakt het toeschrijven van effecten inherent lastig.

Neem bijvoorbeeld een detailhandelaar die een AI tool voor vraagvoorspelling implementeert. Als dit gepaard gaat met optimalisatie van de toeleveringsketen en omscholing van het personeel, zijn verbeteringen in de voorraadbeschikbaarheid, minder prijsverlagingen of een hogere omzet het resultaat van een structurele verschuiving, en niet van één enkele maatregel. De AI was AI een katalysator, maar niet de enige drijvende kracht.

Naarmate AI geïntegreerd in meerjarige digitale strategieën en functieoverschrijdende werkprocessen, wordt het zonder een systematisch evaluatiekader steeds minder zinvol – en mogelijk zelfs misleidend – om de financiële bijdrage ervan afzonderlijk te bekijken. In deze context AI om een nieuwe toerekeningslogica: een logica die AI positioneert als een hefboom binnen een breder transformatiekader, in plaats van als een op zichzelf staande investeringspost.

2. AI wordt bepaald door contextuele factoren

AI is zeker geen standaardoplossing. Op organisatieniveau zorgen factoren als data , het aanpassingsvermogen van medewerkers en de volwassenheid van processen voor aanzienlijke verschillen in AI tussen organisaties, zelfs wanneer vergelijkbare toepassingen worden geïmplementeerd. Extern zorgen sectorspecifieke factoren, zoals regelgeving, de volwassenheid van het ecosysteem, automatiseringsniveaus en de planningscultuur, voor algemene beperkingen en kansen.

Laten we eens bekijken waarom deze factoren samen van invloed zijn op de kosten en de doorlooptijden, waardoor het toepassen van gestandaardiseerde kaders voor ROI-beoordeling bemoeilijkt wordt.

2.1 Krachten op organisatieniveau

Het rendement op AI verschilt per organisatie en hangt af van verschillende contextuele factoren, zoals:

  • Data en diepgangData : Organisatiesdie beschikken over uitgebreide, toegankelijke en schone data behalen doorgaans een hoger rendement op AI .

→ Een bank die al jarenlang gestructureerde data verzamelt, data gemakkelijker nauwkeurige kredietbeoordelingsmodellen toepassen.

  • Het vermogen van werknemers AI : personeelmet een grotere digitale geletterdheid en een grotere openheid voor nieuwe technologieën past AI sneller toe en maakt AI beter gebruik van.

→ Een winkelketen die investeert in AI voor het winkelpersoneel, ziet vaak sneller productiviteitswinst dankzij AI tools voor roosterplanning of voorraadbeheer.

  • Standaardisatie van processen: Bedrijvenmet duidelijk omschreven, herhaalbare processen kunnen AI gemakkelijker integreren.

→ Een logistieke organisatie gestandaardiseerde routeplanningsprocedures kan AI effectiever inzetten AI bezorgroutes te optimaliseren.

  • Technologische en modelsynergieën: Organisatiesdie voor verschillende toepassingen gebruikmaken van gedeelde data , infrastructuur en AI , realiseren schaalvoordelen.

→ Een zorggroep die een medisch taalmodel zowel voor diagnostiek als voor de communicatie met patiënten hergebruikt, verhoogt het rendement op de investering door de ontwikkelingskosten over meerdere toepassingen te spreiden.

2.2 Krachten op sectorniveau

Het rendement op AI verschilt per sector, afhankelijk van contextuele factoren, zoals:

  • Regelgeving en ethiek:AI brengen vaak aanzienlijke regelgevende en ethische implicaties met zich mee die een directe invloed hebben op het rendement op de investering (ROI). Compliancekosten in verband met regelgeving zoals de AVG of certificeringseisen zoals SOC 2 kunnen de winstgevendheid van projecten aanzienlijk beïnvloeden en extra complexiteit toevoegen. In de gezondheidszorg moet de implementatie van een systeem voor klinische besluitvormingsondersteuning voldoen aan strenge wetgeving data (bijv. AVG, HIPAA) en validatieprotocollen, wat de time-to-market en de compliancekosten aanzienlijk verhoogt. Daarentegen kunnen sectoren met minder streng toezicht, zoals e-commerce, sneller handelen en lopen ze minder risico.
  • De volwassenheid vanAI en het AI-ecosysteem:in sectoren die worden ondersteund door robuuste AI , waar volwaardige leveranciers van oplossingen en schaalbare aanbieders cloud in overvloed aanwezig zijn, zijn de implementatiekosten lager en wordt de tijd die nodig is om rendement te behalen verkort.

→ Verzekeraars kunnen snel gebruikmaken van fraudedetectiemodellen die al zijn getraind op basis van datasets uit de sector. In de landbouw of de openbare infrastructuur daarentegen, waar het ecosysteem van leveranciers minder ontwikkeld is, krijgen bedrijven te maken met hogere integratiekosten en langere ontwikkelingscycli.

  • Procesautomatisering: Bedrijvenmet sterk geautomatiseerde kernprocessen, backofficefuncties en bedrijfsactiviteiten kunnen AI naadlozer in bestaande workflows integreren, waardoor de implementatie wordt versneld en organisaties veel sneller waarde kunnen realiseren en hun ROI kunnen aantonen.

→ In de productiesector kunnen tools voor voorspellend onderhoud worden geïntegreerd in bestaande systemen voor activabeheer, waardoor stilstandtijd wordt beperkt. In sectoren met minder gestructureerde werkprocessen, zoals de creatieve sectoren, vereist AI daarentegen vaak meer aanpassingen vooraf en organisatorische veranderingen.

  • Een cultuur van langetermijnplanning: in sectorenwaar bedrijven gestructureerde, meerjarige bedrijfsplanning hanteren, worden bedrijfs- en IT-roadmaps nauw op elkaar afgestemd, waardoor het risico op koerswijzigingen halverwege wordt verkleind. Ze laten de mentaliteit van ‘snelle successen’ achter zich en creëren zo de stabiele investeringshorizon die nodig is voor een consistent en duurzaam rendement op AI .

→ Energie- of lucht- en ruimtevaartbedrijven kunnen AI integreren AI strategieën voor de optimalisatie van het elektriciteitsnet op de lange termijn, met duidelijk omschreven KPI’s. Sectoren die zich laten leiden door kwartaalresultaten of verwachtingen op het gebied van ROI op korte termijn, lopen het risico te weinig te investeren in fundamentele AI die tijd nodig hebben om tot wasdom te komen.

Aangezien AI wordt bepaald door de unieke kenmerken ervan en wordt beïnvloed door de mate van organisatievolwassenheid en de dynamiek binnen de sector, moeten ROI-modellen opnieuw worden bekeken, niet alleen om de resultaten te evalueren, maar ook om vanaf het begin een onderbouwing te bieden voor de businesscase en de strategische investeringslogica.

In ons volgende artikel presenteren we een gestructureerd evaluatiekader waarmee organisaties de impact AIkunnen kwantificeren op drie onderling samenhangende niveaus: de sectorale context, de implementatiekosten en de voordelen op verschillende tijdshorizonten.