Het voelde sneller is geen resultaat.
MIT publiceerde vorig jaar een ongemakkelijk cijfer. Van alle generatieve-AI-pilots bij bedrijven levert 95 procent geen meetbaar effect op de winst-en-verliesrekening op. Slechts 5 procent haalt er echte waarde uit. Dat staat in The GenAI Divide, een rapport van het NANDA-initiatief van MIT uit 2025, gebaseerd op 150 interviews, een enquete onder 350 medewerkers en een analyse van 300 publieke AI-implementaties. Samen gaven die bedrijven 30 tot 40 miljard dollar uit. Het overgrote deel zag er niets van terug.
Let op wat er niet in dat cijfer staat. De modellen werkten. ChatGPT, Claude en Copilot deden gewoon wat ze moesten doen. Het probleem zat niet in de techniek, maar in het feit dat bijna geen enkel bedrijf kon aantonen of de pilot iets had veranderd. En je kunt niet aantonen wat je niet hebt gemeten.
Dat is de stille moordenaar van de MKB-AI-pilot. Niet een mislukking, maar een onbewijsbaar succes. Het team is enthousiast, het voelt sneller, iedereen knikt in de evaluatie. Maar als de directie vraagt wat het concreet oplevert, blijft het stil. Een pilot die je niet kunt verdedigen met een getal, overleeft de stap naar de tweede afdeling niet.
De tweede afdeling is het echte filter
De eerste afdeling doet mee uit nieuwsgierigheid, vaak met een directeur die het leuk vindt erbovenop. De tweede afdeling stelt een kalere vraag. Wat levert het ons op? Op die vraag wint enthousiasme het nooit van een getal. Daarom stranden zoveel pilots precies daar. Niet omdat de AI het niet deed, maar omdat het bewijs ontbrak om de volgende afdeling mee te krijgen.
Voor het MKB is dat extra zuur. Een op de zes Nederlandse bedrijven gebruikte in 2025 AI, en bij bedrijven met 50 tot 250 medewerkers ging het van 20 procent in 2023 naar 45 procent in 2025 (CBS, december 2025). De of-vraag is voorbij. Maar waar een groot bedrijf een mislukte pilot wegschrijft als leergeld, telt bij jou elke euro en elke maand. Je hebt geen budget voor drie rondes proberen.
Vier getallen voordat je begint
De oorzaak is bijna altijd dezelfde, en hij is saai. Er was geen nulmeting. Niemand schreef op wat het werk kostte voordat de AI eraan kwam. Daarmee is elk oordeel achteraf een kwestie van gevoel. Dat los je op met vier getallen, gemeten in de twee weken voordat je iets aanzet.
1. Tijd per taak. Hoeveel minuten kost een offerte, een factuurcontrole of een klantmail nu echt? Klok het een week lang, bij drie mensen, niet uit het hoofd. 2. Foutmarge en herstelwerk. Hoe vaak gaat er iets terug, hoe vaak moet iets over? Een fout die je later herstelt kost vaak meer dan de taak zelf. 3. Doorlooptijd. Niet hoe lang het werk duurt, maar hoe lang het in de wachtrij staat. Een offerte van twintig minuten die vier dagen blijft liggen is een doorlooptijdprobleem, geen snelheidsprobleem. 4. Kosten per eenheid. Wat kost een afgeronde offerte, een verwerkte declaratie of een opgelost ticket, alles meegerekend?
Deze vier getallen zijn geen boekhouding. Ze zijn je bewijslast. Meet je ze niet vooraf, dan houd je na de pilot alleen een onderbuikgevoel over en een leverancier die zegt dat het werkt.
Een nulmeting hoeft geen project te zijn. Een spreadsheet, drie mensen die twee weken hun tijd bijhouden en iemand die verantwoordelijk is voor de cijfers. Dat is genoeg. De fout die bedrijven maken is niet dat de nulmeting te zwaar is, maar dat hij ontbreekt. Niemand voelt zich eigenaar van het saaie deel, dus slaat iedereen het over en begint met het leuke deel: de tool.
Hoe dat er in de praktijk uitziet
Stel, een accountantskantoor met drie partners en zeven medewerkers in Breda wil AI inzetten op de btw-aangiftes. Zonder nulmeting eindigt die pilot bij "het scheelt wel wat". Met nulmeting weet je waar je vandaan komt. Stel dat een aangifte gemiddeld 38 minuten kostte, met twee correctierondes per tien aangiftes. Na zes weken meet je opnieuw. Zakt de tijd richting 24 minuten en de correcties naar een op tien, dan heb je een getal waarmee je naar de andere afdelingen stapt. Stijgen de correcties juist, dan weet je dat ook. Voordat een klant het voor je ontdekt.
Hetzelfde patroon geldt voor een metaalbewerker in Zoetermeer met twaalf man die AI op de werkvoorbereiding loslaat, of een thuiszorgteam van acht in Deventer dat de rapportage wil versnellen. Wie de nulmeting overslaat, ruilt bewijs in voor een gevoel. En een gevoel financiert geen tweede stap.
Wat je morgen anders doet
Praktisch betekent dit dat je een pilot anders inricht dan de meeste bedrijven doen. Je begint niet met de tool. Je begint met twee weken meten, zonder AI, gewoon het werk zoals het nu gaat. Pas daarna zet je de AI ernaast. Je kiest een taak die vaak terugkomt en goed te tellen is, niet de moeilijkste of de leukste. En je spreekt vooraf af welk getal de pilot moet halen om door te gaan. Geen drempel vooraf betekent geen beslissing achteraf.
Waar dit niet voor werkt: eenmalige klussen, creatief werk dat je niet in eenheden vangt, of processen die zo zelden voorkomen dat je nooit genoeg metingen krijgt. Daar stuur je op oordeel, niet op cijfers, en dat is prima. Maar verkoop een onmeetbare pilot dan ook niet als een investering. Noem het wat het is. Een experiment.
Schrijf morgen de nulmeting op voor één taak die je binnenkort met AI wilt aanpakken. Hoe lang duurt die taak nu? Hoeveel foutmeldingen of retourzendingen levert het op? Dat getal is de enige manier om later te weten of het werkt.
Bronnen
- MIT NANDA, The GenAI Divide: State of AI in Business 2025 - 95% van AI-pilots zonder meetbaar effect, 5% met waarde - CBS, AI-gebruik bij bedrijven december 2025 - een op zes NL bedrijven gebruikte AI; 50-250 medewerkers van 20% naar 45%
