Investeren in AI: hoe neem je verantwoord beslissingen over budget, tooling en adoptie

Veel AI-discussies beginnen bij tools.

Welke licenties hebben we nodig? Moeten we ChatGPT Enterprise aanschaffen? Is Copilot interessant? Hebben we een kennisassistent nodig?

Dat zijn logische vragen, maar vaak niet de juiste eerste vragen.

Wanneer bestuurders nadenken over AI-investeringen, ligt de grootste uitdaging meestal niet in technologie. De uitdaging ligt in het verdelen van beperkte middelen over initiatieven waarvan de opbrengst nog niet altijd volledig voorspelbaar is.

Juist daarom worstelen veel organisaties met dezelfde vraag:

Hoe investeer je voldoende om mee te bewegen, zonder geld uit te geven aan experimenten die nooit waarde opleveren?

De grootste denkfout: AI-budget gelijkstellen aan softwarebudget

Wanneer organisaties een AI-budget opstellen, gaat een groot deel van de aandacht direct naar tooling.

Dat is begrijpelijk, want licenties zijn zichtbaar. Ze staan op een factuur.

De grootste kostenposten van succesvolle AI-adoptie blijken echter vaak ergens anders te zitten.

Onderzoek van McKinsey laat zien dat organisaties die daadwerkelijk waarde realiseren uit AI investeren in workflow-herontwerp, governance, training en organisatorische veranderingen naast de technologie zelf.

De software is vaak het zichtbare deel van de investering.

De organisatorische verandering is meestal het grootste deel van het werk.

Waar bestaat een AI-budget eigenlijk uit?

Voor veel MKB-bedrijven is het nuttig om AI-investeringen te verdelen over vijf categorieën.

1. Technologie

Dit is het meest zichtbare onderdeel:

• ChatGPT, Claude of Copilot

• AI-platformen

• automatiseringstools

• API-kosten

• kennisassistenten

Voor veel organisaties is dit uiteindelijk slechts een deel van de totale investering.

2. Training en vaardigheden

Een opvallende conclusie uit onderzoek naar AI-adoptie is dat technologie zelden de grootste beperking vormt.

De beperkende factor is vaak het vermogen van medewerkers om AI effectief toe te passen.

Dat betekent investeren in:

• training

• workshops

• praktijkbegeleiding

• interne kennisdeling

• AI-geletterdheid

Interessant genoeg blijkt uit onderzoek dat medewerkers vaak meer leren van praktijkvoorbeelden en collega's dan van traditionele e-learningprogramma's.

3. Procesverbetering

Dit onderdeel wordt vaak onderschat.

Veel organisaties investeren in AI zonder hun processen aan te passen.

Daardoor ontstaat productiviteitswinst op individueel niveau, maar nauwelijks op organisatieniveau.

De grootste opbrengsten ontstaan vaak wanneer processen opnieuw worden ingericht rondom nieuwe mogelijkheden.

4. Governance en beleid

Naarmate AI breder wordt gebruikt, ontstaat behoefte aan afspraken.

Bijvoorbeeld over:

• datagebruik

• beveiliging

• toolselectie

• verantwoordelijkheden

• kwaliteitscontrole

Uit recent onderzoek blijkt dat organisaties met duidelijke governance aanzienlijk beter presteren op schaalbaarheid en rendement van AI-initiatieven.

5. Verandering en adoptie

Misschien wel de meest onderschatte investering.

Nieuwe technologie creëert pas waarde wanneer mensen er daadwerkelijk mee werken.

Veel AI-projecten lopen niet vast op techniek, maar op adoptie.

Dat vraagt aandacht voor:

• communicatie

• begeleiding

• ambassadeurs binnen teams

• voorbeelden uit de praktijk

• managementbetrokkenheid

Hoeveel vrijheid geef je medewerkers?

Hier ontstaat vaak een spanningsveld.

Aan de ene kant wil je medewerkers ruimte geven om nieuwe mogelijkheden te ontdekken.

Aan de andere kant wil je voorkomen dat iedereen zijn eigen AI-landschap creëert.

Dit fenomeen staat inmiddels bekend als Shadow AI.

Onderzoek laat zien dat een aanzienlijk deel van het AI-gebruik binnen organisaties buiten formele goedkeuring of toezicht plaatsvindt.

Dat betekent niet automatisch dat medewerkers iets verkeerd doen.

Vaak zijn het juist de meest innovatieve medewerkers die als eerste nieuwe tools ontdekken.

De uitdaging is daarom niet om experimenteren te voorkomen.

De uitdaging is om experimenteren zichtbaar te maken.

Een praktisch model voor budgetverdeling

De meest succesvolle organisaties kiezen vaak niet voor volledige vrijheid of volledige controle.

Zij werken met twee budgetten.

Innovatiebudget

Een beperkt budget waarmee teams nieuwe toepassingen mogen verkennen.

Doel:

• leren

• ontdekken

• experimenteren

Niet iedere pilot hoeft succesvol te zijn.

Het doel is inzicht opbouwen.

Productiebudget

Hier worden alleen toepassingen opgenomen die aantoonbaar waarde leveren.

Voor deze toepassingen gelden afspraken over:

• eigenaarschap

• beveiliging

• processen

• metingen

• governance

Daardoor blijft innovatie mogelijk zonder dat de organisatie grip verliest.

Wanneer is een AI-investering verantwoord?

Een interessante observatie uit succesvolle AI-transformaties is dat de beste investeringen zelden beginnen met technologie.

Ze beginnen met een concreet bedrijfsprobleem.

Bijvoorbeeld:

• te veel tijd kwijt aan offertes

• versnipperde kennis

• lange doorlooptijden

• administratieve belasting

• inefficiënte klantprocessen

Pas daarna volgt de vraag welke AI-oplossing daarbij past.

McKinsey constateert dat organisaties die hun AI-investeringen concentreren op een beperkt aantal strategische domeinen doorgaans meer rendement realiseren dan organisaties die AI breed maar oppervlakkig uitrollen.

Hoe voorkom je dat AI een kostenpost wordt?

De verleiding is groot om succes te meten aan het aantal actieve gebruikers of het aantal uitgerolde tools.

Dat zijn echter geen bedrijfsresultaten.

Een betere benadering is om AI-investeringen te koppelen aan één van drie uitkomsten:

• kostenbesparing

• omzetgroei

• risicoreductie

Iedere investering zou idealiter aan minimaal één van deze doelen bijdragen.

Wanneer dat niet duidelijk is, ontstaat vaak een project dat veel activiteit genereert maar weinig waarde.

Wat kunnen MKB-ondernemers hiervan leren?

De meest succesvolle AI-organisaties geven niet automatisch meer geld uit.

Ze besteden hun budget gerichter.

Ze investeren niet alleen in tools, maar ook in mensen.

Niet alleen in technologie, maar ook in processen.

Niet alleen in experimenten, maar ook in governance.

En misschien nog belangrijker: ze accepteren dat niet iedere AI-investering direct rendement oplevert.

Een deel van het budget is bedoeld om te leren.

Een deel om op te schalen.

En een deel om risico's beheersbaar te houden.

Tot slot

De vraag rondom AI-investeringen is uiteindelijk geen technologievraagstuk.

Het is een managementvraagstuk.

De organisaties die de komende jaren het meeste rendement halen uit AI zijn waarschijnlijk niet de bedrijven met de grootste AI-budgetten.

Het zijn de organisaties die begrijpen dat een AI-budget niet bestaat uit softwarelicenties, maar uit een combinatie van technologie, vaardigheden, processen en adoptie.

Daar ontstaat uiteindelijk het verschil tussen AI gebruiken en daadwerkelijk waarde creëren.