AI voelt alsof het werkt. Dat is precies het probleem.

Bijna elke ondernemer die ik over AI spreek, komt op een gegeven moment bij dezelfde zin uit: “Ik weet niet precies wat het oplevert, maar het voelt alsof we sneller zijn.” Dat klinkt onschuldig. Het is het duurste zinnetje in je bedrijf.

Want dat gevoel is een notoir slechte getuige. In een gecontroleerd experiment van onderzoeksinstituut METR mochten ervaren softwareontwikkelaars AI-tools inzetten bij echt werk, echte taken uit hun eigen codebases. Achteraf bleek dat ontwikkelaars dachten dat AI hen ongeveer 20% sneller maakte, terwijl ze in werkelijkheid 19% langzamer werkten. Dat is niet een kleine meetfout: de pijl wees de verkeerde kant op. Mensen die er hun vak van maken, met de tool letterlijk in hun handen, zaten er volledig naast over hun eigen productiviteit.

Mijn stelling is daarom simpel. Het probleem in het MKB is zelden dat AI niets oplevert. Het probleem is dat je niet kunt bewijzen wat het oplevert, en dat maakt je volgende stap onverdedigbaar: tegenover je bestuur, tegenover je bank en, als je eerlijk bent, tegenover jezelf.

Waarom het gevoel je voor de gek houdt

Het vervelende aan AI is dat het zich razendsnel goed laat aanvoelen. Een chatbot spuugt binnen drie seconden een nette concepttekst uit. Een agent vat een rapport samen voordat je je koffie op hebt. Die directe respons voelt als snelheid, en je brein boekt dat moeiteloos in als winst. Wat je niet voelt, is de tijd die je daarna kwijt bent met nalezen, corrigeren, de toon bijschaven of het ene foute cijfer eruit halen dat het model er overtuigd bij verzon.

Die verborgen kosten zijn precies wat het METR-experiment blootlegde. De winst aan de voorkant is zichtbaar en bevredigend; het werk aan de achterkant is diffuus en vergeet je. Zo ontstaat een systematische illusie: je voelt de versnelling, je voelt de vertraging niet, en het saldo in je hoofd staat structureel te rooskleurig.

Dat is geen reden om AI te wantrouwen. Het is een reden om je gevoel te wantrouwen. En het verklaart waarom zo veel goedbedoelde initiatieven blijven hangen: ‘even AI implementeren’ lost zelden het onderliggende probleem op, omdat niemand ooit heeft vastgelegd hoe het probleem er vóór de tool uitzag.

“Het werkt wel” overleeft geen tweede gesprek

Zolang AI een gratis experiment is op de laptop van een enthousiaste collega, hoeft niemand iets te bewijzen. Dat verandert op het moment dat er geld bij moet. En dat moment komt nu massaal. Uit cijfers van het CBS blijkt dat AI-gebruik in het Nederlandse bedrijfsleven hard oploopt: bij bedrijven met 50 tot 250 werknemers steeg het AI-gebruik naar 45% in 2025, meer dan een verdubbeling sinds 2023. Pilots rijpen door naar productie, en bij productie hoort een budget.

Daar wringt het. Adoptie is geen rendement. Een veelbesproken MIT-onderzoek naar AI in het bedrijfsleven concludeerde dat 95% van de bedrijven geen meetbaar rendement haalt uit hun generatieve-AI-pilots, ondanks tientallen miljarden aan investeringen. Slechts een kleine kopgroep zag echte impact op de cijfers. Deloitte ziet in zijn onderzoek hetzelfde patroon: stijgende AI-uitgaven, maar een ongrijpbaar rendement.

Stel je nu het gesprek voor waarin je om budget vraagt voor de volgende stap. Je bestuur, je accountant of je bank stelt de enige vraag die telt: wat heeft de vorige investering opgeleverd? “Het voelt sneller” is dan geen antwoord, het is een risicosignaal. Het verschil tussen de 5% die wel rendement boekt en de rest zit zelden in een slimmer model. Het zit in bedrijven die AI in een echte workflow hebben gehangen en die het verschil daadwerkelijk hebben vastgelegd. Het is hetzelfde verschil als tussen een indrukwekkende AI-demo en AI die de saaie 95% van het echte werk aankan: het eerste imponeert, het tweede levert op.

Drie soorten bewijs die geen spreadsheet-hel zijn

Rendement op AI is niets ingewikkelders dan het verschil tussen wat een taak je kóstte vóórdat je de tool inzette en wat hij je nú kost, afgezet tegen de prijs van de tool zelf. Je hebt er geen datawarehouse en geen consultant voor nodig. Je hebt drie ankerpunten nodig die je één keer vastlegt voordat je begint. Vrijwel elke geloofwaardige AI-businesscase rust op deze drie:

• Tijd per taak: meet hoe lang een terugkerende taak duurde voordat AI meedeed, en hoe lang erna. Niet je gevoel, maar een paar concrete metingen. Reken de nacontrole en correctie mee, want juist daar verstopt het METR-effect zich.
• Kosten voor en na: zet de oude kosten (uren, een externe leverancier, een abonnement dat je kunt opzeggen) naast de nieuwe (de licentie plus het verbruik). Bij AI-agenten is dat verbruik geen vast bedrag, dus is het de moeite waard om de tokenkosten van je AI-agenten beheersbaar te houden voordat een onverwachte rekening je hele businesscase opeet.
• Kwaliteit en fouten: tel hoe vaak het mis ging, hoeveel klachten of herzieningen er waren, hoe lang de doorlooptijd was. Sneller met meer fouten is geen winst, en alleen een nulmeting maakt dat zichtbaar.

Het kostbare woord in dit hele rijtje is “voordat”. Wie pas achteraf wil meten, heeft niets om mee te vergelijken en houdt alleen een anekdote over. Een halve dag een eerlijke nulmeting maken is het verschil tussen een gevoel en een bezit. Het is bovendien precies de discipline die ervoor zorgt dat AI je van losse experimenten naar dagelijks gebruik in het MKB brengt in plaats van te blijven steken in indrukwekkende eenmalige demo’s.

“Maar meten remt me alleen maar af”

De sterkste tegenwerping hoor ik vaak, en hij is terecht: ik wil bouwen en resultaat boeken, geen kwartaal vergaderen over KPI’s. Meten dat ontaardt in een dashboardcultuur waarin niemand meer iets doet, is inderdaad gif. Slecht meten is duurder dan niet meten.

Maar dat is een karikatuur van wat ik bedoel. Een eenmalige nulmeting van drie getallen voordat je start, is geen bureaucratie; het is de goedkoopste verzekering die je kunt afsluiten. Het kost je een ochtend en het bespaart je het pijnlijke gesprek waarin je een investering niet kunt verantwoorden. De 5% die wel rendement boekt, meet niet meer dan de rest; ze meten alleen op het juiste moment, namelijk aan het begin.

En ja, niet alles is in een getal te vatten. Soms is de waarde dat een medewerker minder rotwerk doet, of dat je sneller kunt reageren op een klant. Dat is echt en het telt mee. Het punt is alleen dat “niet alles is meetbaar” in de praktijk veel te vaak verschuift naar “dus meet ik niets”. Tussen een spreadsheet-fetisj en blind gevoel ligt een nuchtere middenweg, en die middenweg is het hele verschil.

Het gevoel is niet je bewijs, het is je blinde vlek

AI levert vast wel iets op in jouw bedrijf. Dat geloof ik graag, en de kans is groot dat het klopt. Maar geloven is geen rendement, en in het gesprek dat ertoe doet, telt alleen wat je kunt laten zien. Het gevoel dat AI werkt is niet het bewijs dat het werkt; het is precies de blinde vlek die je belet om te zien of het ook echt zo is.

Meten is dan ook geen wantrouwen in AI. Het is de enige manier om AI serieus te nemen, als een investering met een rendement in plaats van een gadget met een goed gevoel. Wie dat één keer goed inricht, hoeft de volgende keer niet te hopen dat het bestuur het op gevoel gelooft. Hij kan het gewoon laten zien.