Wachten kost meer dan beginnen,
want het meeste werk zit in je eigen bedrijf
Als organisatie wachten tot duidelijk is wat AI kan? Dit levert niets op. Want de verandering die nodig is, behelst meer dan enkel techniek. Tegenover elke euro aan technologie staan ongeveer vier euro's aan verandermanagement voor mensen en processen. Dat blijft en verandert niet als er een beter model uitkomt.
Bedrijven die bij losse tools blijven, winnen hier en daar wat tijd per medewerker. In omzet en winst is dat nauwelijks terug te zien. Elk kwartaal in de proeffase is een kwartaal waarin een concurrent zijn processen herontwerpt.
AI is een verandering van het bedrijf. De IT-afdeling voert uit en ondersteunt, maar beslist niet. 02Gefocust op enkele processen
Ze kiezen er twee of drie die opnieuw ontworpen worden en laten de rest voorlopig liggen. 03Starten voordat de techniek af is
Ze beginnen nu en passen aan terwijl de techniek zich ontwikkelt.
Het mkb is in het voordeel. Een directie die het proces zelf kent, beslist sneller dan een concern met stuurgroepen.
De druk komt van twee kanten
De AI-infrastructuur kost in 2031 naar schatting 1,5 biljoen dollar per jaar. Om dat terug te verdienen is 6 biljoen (!) omzet per jaar nodig. Bestaande producten leveren 1,2 tot 1,8 biljoen op. Verwacht dus meer aanbod, snellere releases en prijzen per resultaat of verbruik.
In de dienstverlening gebeurt het al. Wij verwachten dat inkopers dit gesprek ook gaan voeren met andere toeleveranciers: "Hoeveel korting krijg ik door jullie AI gebruik?"
efficiëntie die klanten eisen bij contractverlenging
lagere kosten waarop nieuw werk wordt gegund
Voor maakbedrijven komt daar fysieke AI bij: robots en digitale kopieën van fabrieken. Het onderzoek van Bain schat die markt op 900 miljard dollar, vooral in automotive, elektronica, halfgeleiders, luchtvaart en defensie. De techniek is nog jong maar deze technologie blijven volgen is belangrijk.
Ben je toeleverancier of dienstverlener? Reken erop dat je klant bij de volgende verlenging vraagt welke efficiëntie jij doorgeeft.
Kies twee of drie processen
waar het werk tussen systemen zit
De grootste winst zit in coördinatiewerk. Een medewerker haalt gegevens uit het ERP, controleert de voorraad in een spreadsheet en beoordeelt een onduidelijke mail van een leverancier. Vaste regels lopen daarop vast. AI-agents kunnen informatie uit meerdere bronnen lezen, de context wegen en de taak afmaken binnen grenzen die je vooraf afspreekt.
Voor sales schat Bain 30 tot 40%. In onze eigen projecten zien we eerder 40 tot 55%.
Deel van de taken dat AI-agents kunnen overnemen
| Proces | Bepaalt dit of we over vijf jaar nog concurreren? | Kunnen we de uitkomst controleren? | Kandidaat |
|---|---|---|---|
| Offerteaanvragen calculeren | Ja, eigen kennis | Ja, prijs en marge | Ja |
| Klantvragen per mail beantwoorden | Ja, klantbeleving | Ja, opgelost of niet | Ja |
| Financiële jaarplanning | Ja | Lastig, vraagt oordeel | Later |
Zet tien processen op een rij die veel uren kosten. Scoor ze met je managementteam op de twee toetsen. Kies de twee of drie die op beide het hoogst scoren.
Discover. We lopen met je team de processen langs, wegen de kansen op opbrengst en haalbaarheid en kiezen samen twee of drie kandidaten.
Leg vast hoe je
bedrijf werkt
AI presteert zo goed als de context die het krijgt. In het mkb zit veel daarvan in de hoofden van ervaren medewerkers. De calculator weet welke klant altijd meerwerk vraagt. De planner weet welke leverancier te laat levert. Zolang die kennis nergens staat, kan geen enkel model ermee werken.
Dit werk blijft het langst waardevol. Een vastgelegde werkwijze zet je bij elk volgend model direct weer in.
Laat de meest ervaren collega van het gekozen proces twee weken lang elke uitzondering noteren: wat er gebeurde en wat hij of zij besloot.
We leggen de werkwijze vast met de mensen die het werk doen, inclusief de uitzonderingen. Dat is het fundament van elke toepassing die we daarna bouwen.
Houd regie over je
data en je modelkeuze
De researchers van Microsoft en Palantir noemen AI-modellen uitwisselbaar. De waarde verschuift naar de laag eromheen: context over het bedrijf, koppelingen met systemen en rechten. Wie die laag georganiseerd heeft, wisselt van model zonder opnieuw te bouwen.
Kans dat een proces van 34 stappen foutloos doorloopt, bij 99% en 97% goed per stap.
Maak een lijst van alle AI-tools en agents die nu in je bedrijf draaien. Noteer per tool de eigenaar, welke data erin gaat en wat hij mag. Wat niemand bezit, zet je uit of wijs je toe.
ARCC, het beveiligde AI-contextplatform, staat tussen je organisatie en de AI-modellen, zodat jij bepaalt welke data waarheen gaat en welk model je gebruikt.
Herontwerp het proces en begin bij de
mensen die het werk doen
Een AI-tool toevoegen aan een bestaand proces levert weinig op. Koplopers ontwerpen het proces opnieuw, alsof ze vandaag zouden beginnen.
Bij de helpdesk van Laméco deden we dat zelf. Meer dan 100 tickets per week kwamen per mail binnen, en developers zochten telkens opnieuw in code, documentatie en eerdere tickets. Nu beoordeelt een AI-agent op ARCC elk ticket, zoekt de context erbij en schakelt alleen bij twijfel de juiste collega in. De agent lost 92% van de tickets zelf op, de reactietijd ging van dagen naar minuten en onze developers kregen 60 uur per week terug om verder te bouwen.
Behandel data en security als onderdeel van het traject.
| Nu | Opnieuw ontworpen |
|---|---|
| Aanvraag komt binnen in een gedeelde mailbox | Agent leest aanvraag en tekening |
| Calculator zoekt oude orders op en rekent in een spreadsheet | Agent zet een concept-calculatie klaar op basis van oude orders uit het ERP |
| Verkoop typt de offerte over in het ERP | Calculator controleert, past aan en geeft vrij |
Teken het gekozen proces met de mensen die het doen op één vel: eerst zoals het nu loopt, daarna alsof je vandaag zou beginnen. Markeer elke stap waar iemand alleen gegevens overzet.
AI-implementatie en procesautomatisering. We ontwerpen het nieuwe proces met je team, bouwen de toepassing en koppelen die aan je bestaande systemen, zoals AFAS, Exact, Business Central en HubSpot.
Meet per proces en laat het proces
zichzelf verbeteren
Na de eerste hoge AI-rekening is de reactie bijna altijd dezelfde: limieten per medewerker. Dat remt het gebruik dat je wilt stimuleren, terwijl onderbenutting bij de meeste bedrijven het grotere probleem is.
De prijs per eenheid AI daalt, maar het verbruik stijgt sneller. De kosten per taak blijven daardoor hoog.
Meetkaart per proces
| Meting | Wat je vastlegt | Voorbeeld bij offertes calculeren |
|---|---|---|
| Kosten per taak | AI-verbruik plus de tijd die medewerkers er nog aan besteden | Kosten per uitgebrachte offerte |
| Doorlooptijd | Tijd van binnenkomst tot afronding | Dagen van aanvraag tot verstuurde offerte |
| Correcties | Hoe vaak een medewerker de uitkomst moet aanpassen, en waarom | Aandeel concept-calculaties dat de calculator wijzigt |
| Zonder ingreep | Aandeel taken dat zonder handwerk klaar is | Standaardaanvragen die direct klaarstaan |
| Opbrengst | Vrijgemaakte uren en effect op omzet of marge | Meer offertes per week, scoringspercentage |
Leg de beginwaarde vast voordat je iets verandert.
Laat het proces van zijn fouten leren
Koplopers leggen bij elke uitgevoerde taak vast wat goed en fout ging en voeren dat terug in het proces. Een werkwijze die elke maand beter wordt op basis van je eigen data, kan een concurrent moeilijk namaken.
De volgende taak gaat beter
Kies voor je eerste proces drie metingen van de meetkaart, leg de huidige waarde vast en spreek af wie ze maandelijks rapporteert. Hef generieke limieten per medewerker op waar ze gebruik afremmen.
We spreken per proces vooraf af wat we meten en blijven na de livegang betrokken om het proces op basis van die metingen te verbeteren.
Zo kunnen je
eerste 90 dagen eruitzien
Kiezen en vastleggen
Herontwerpen en bouwen
Live en meten
Stuur deze whitepaper door aan de collega's met wie je deze keuzes maakt en zet de vragen op de agenda.
Wil je ze met ons doorlopen? Neem contact op met
Download de whitepaper, de handout of de infographic
Handig om door te sturen of te printen voor je directieoverleg.
Bronnen: Bain & Company, Technology Report 2026 (bedragen in dollars, schattingen) · Acemoglu, Autor & Johnson (MIT), Building Pro-Worker Artificial Intelligence, Hamilton Project/Brookings, februari 2026 · MIT FutureTech, Crashing Waves vs. Rising Tides, april 2026.