De GenAI-paradox: massale investeringen, minimale resultaten

Recente studies van MIT (The GenAI Divide. State of AI in Business 2025) en BCG (The Widening AI Value Gap. Build for the Future 2025) tonen aan dat hoewel veel bedrijven met AI en GenAI experimenteren, slechts weinige daarmee een reële impact op hun P&L (profit and loss) maken. Beide studies stellen dat vijf procent van de ondernemingen die AI geïntegreerd hebben, consequent substantiële waarde creëren en geavanceerde AI-vaardigheden ontwikkelen. Het gros van de bedrijven raakt evenwel niet voorbij de pilootfase van een AI-project.

Volgens BCG ziet zestig procent van de bedrijven nauwelijks waarde en 35 procent ziet wel opbrengsten, maar vindt het tempo te laag. Bij de top vijf procent fungeert AI als bron van innovatie en operationele excellentie. Die toekomstgerichte bedrijven presteren niet alleen beter, ze vergroten ook hun voorsprong. Ze creëren een transformatieve impact door betere beslissingen te nemen en sneller en efficiënter te handelen. Die ondernemingen realiseren 1,7 keer hogere omzetgroei en 1,6 keer hogere winstmarges dan de zestig procent die net begint of stagneert. Bovendien hebben ze een hoger rendement op geïnvesteerd kapitaal en vragen ze 3,5 keer meer patenten aan. Ze herinvesteren hun AI-opbrengsten in mensen en technologie, en versnellen zo de waardecreatie. Daarmee toont de studie duidelijk aan dat waarde leveren met AI haalbaar en substantieel is.

De MIT-studie analyseerde acht grote sectoren: technologie, media en telecom, professionele dienstverlening, gezondheidszorg en farma, consumenten en retail, financiële dienstverlening, geavanceerde maakindustrie en energie en materialen. Uit het onderzoek blijkt dat enkel de technologie-, media- en telecomsector structurele verschuivingen laten zien. Hoewel de zes andere sectoren aanzienlijke proefprojecten uitvoeren, realiseren weinig of geen van hen diepgaande veranderingen, zoals ontwrichte businessmodellen of merkbare veranderingen in klantgedrag. Die discrepantie tussen investeringen en disruptie toont op grote schaal een GenAI-kloof aan: uitgebreide experimenten zonder transformatie. Noch de kwaliteit van de AI-modellen noch de regelgeving liggen aan de basis van het falen van projecten, wel de gekozen aanpak. Verrassend genoeg ligt de conversie van piloot naar succesvolle implementatie het laagst bij grote bedrijven, die nochtans meer pilootprojecten uitvoeren en meer personeel toewijzen aan AI-gerelateerde initiatieven. Middelgrote bedrijven schakelen sneller en handelen daadkrachtiger.

Schaduw AI-economie

Medewerkers gaan massaal aan de slag met generieke AI-tools, zoals ChatGPT en Microsoft Copilot, om hun persoonlijke productiviteit te verhogen. Zowat tachtig procent van de door MIT bevraagde bedrijven bevestigt dat ze generieke AI-tools onderzochten en veertig procent zegt ze succesvol te hebben geïmplementeerd. Toch vertaalt die individuele efficiëntie zich niet naar de bedrijfsresultaten. Daartegenover staat dat op maat ontwikkelde of aangekochte GenAI-tools op bedrijfsniveau veel moeilijker te integreren zijn. Zestig procent van de organisaties onderzocht deze ‘custom tools’, maar slechts twintig procent ging over naar een pilootfase. Daarvan bereikt uiteindelijk vijf procent de daadwerkelijke productieomgeving.

Medewerkers die generieke tools aanprijzen om hun gebruikersgemak, flexibiliteit en vertrouwdheid, zijn kritisch tegenover de bedrijfsspecifieke AI-tools. De meeste initiatieven lopen vast door kwetsbare werkprocessen, het ontbreken van contextueel leren en onvoldoende aansluiting op het dagelijkse werk. Generieke chatbots zijn bovendien niet geschikt voor kritieke werkprocessen door een gebrek aan geheugen en maatwerk. Bedrijven die vasthouden aan statische tools falen bij de implementatie, terwijl de succesvolle bedrijven (5%) investeren in systemen die kunnen leren.

Het gevolg is dat er een soort schaduw AI-economie ontstaat: bedrijven boeken geen significante vooruitgang met formele initiatieven, maar individuele medewerkers wel met generieke tools. Zo heeft veertig procent van de bedrijven een LLM-licentie, terwijl meer dan negentig procent van de medewerkers persoonlijke accounts gebruikt om hun werk te automatiseren. AI verandert het werk dus al, maar buiten de officiële kanalen om. Vooruitstrevende organisaties dichten die kloof door te kijken hoe medewerkers hun eigen AI-tools inzetten en te ontdekken welke daarvan echt waarde toevoegen. Pas daarna investeren ze in bedrijfsspecifieke oplossingen.

Leren van feedback

Een van de belangrijkste redenen waarom bedrijven er niet in slagen AI-tools succesvol te implementeren is het gebrek aan contextueel leren. Uit het MIT-onderzoek blijkt dat weerstand om nieuwe tools te omarmen daarbij een van de grootste struikelblokken is, gevolgd door bezorgdheid over de modelkwaliteit. Ook slechte gebruikerservaringen en het gebrek aan steun vanuit het topmanagement spelen mee. Zoals aangegeven zetten medewerkers chatbots in om eenvoudige, individuele taken te automatiseren, bijvoorbeeld mails opstellen en basisanalyses uitvoeren, maar op bedrijfsniveau zijn ze wantrouwig over de output. Gebruikers verwachten namelijk dat AI-tools in een bedrijfscontext kunnen leren en onthouden.

Vaak staan fervente chatbotgebruikers het meest kritisch tegenover de op maat ontwikkelde AI-tools. Met tools zoals ChatGPT zijn ze in staat de antwoorden beter te sturen en te verfijnen. De huidige GenAI-tools missen geheugen, aanpassingsvermogen, standvastigheid en contextbewustzijn. Dat legt meteen de uitdaging bloot: voor bedrijfskritische en/of complexe processen geven gebruikers nog steeds de voorkeur aan mensen. De reden? De tools leren niet van hun feedback, zijn niet afgestemd op specifieke bedrijfsprocessen en functioneren niet in uitzonderlijke situaties. Bovendien moeten gebruikers telkens opnieuw te veel manuele context aanleveren.

Bedrijfsleiders zijn dus op zoek naar systemen die leren en verbeteren binnen hun omgeving. Succesvolle organisaties en leveranciers bouwen adaptieve, ingebedde systemen die leren van feedback, gebruik en uitkomsten, context behouden en diepgaand maatwerk leveren voor specifieke processen. Ze richten zich op kleine, waardevolle toepassingen en schalen vervolgens op naar kernprocessen. Inkopers verkiezen vertrouwde leveranciers die hun processen door en door kennen boven nieuwe spelers. Minimale impact op bestaande tools, veiligheid van data en flexibiliteit blijken eveneens belangrijke criteria in het selectieproces. Wat opvalt, is dat bedrijven bereid zijn AI-systemen te trainen, zolang de voordelen duidelijk zijn en er voldoende waarborgen zijn ingebouwd.

Waardecreatie

Volgens de MIT-studie doen makkelijk te implementeren tools die snel waarde creëren, het beter dan zware bedrijfstoepassingen. Succesvolle tools delen twee kenmerken: weinig configuratie nodig en direct zichtbaar resultaat. Systemen die uitgebreide aanpassingen binnen de onderneming vereisen, blijven vaak in de pilotfase hangen. Documentautomatisering voor contracten en formulieren, voice-AI voor gesprekssamenvattingen of codegeneratie voor repetitieve engineeringtaken zijn een paar succesvoorbeelden. Speelt complexe interne logica, ondoorzichtige beslissingsondersteuning of optimalisering op basis van bedrijfsspecifieke heuristieken mee, dan stuiten de tools vaak op adoptieproblemen.

Tegelijk merkt het BCG-rapport op dat toekomstgerichte bedrijven, ongeacht hun sector, zich niet toespitsen op losse AI-pilots of geïsoleerde toepassingen, maar hun kernprocessen volledig heruitvinden. Daarbij hanteren ze een duidelijk omschreven stappenplan. Zo bouwen ze een meerjarig strategisch AI-plan uit, gedragen door sterk leiderschap, herschikken ze bestaande processen en definiëren ze nieuwe met waardegedreven prioritering van AI-implementaties. Om nieuwe inkomstenstromen te creëren, geven ze bovendien voorrang aan de nieuwste ontwikkelingen, zoals generatieve AI (GenAI) en agentic AI. De resultaten volgen ze strikt op en ze integreren een ‘AI-first’-bedrijfsmodel waarin de samenwerking tussen mens en machine centraal staat. Tot slot investeren ze in talent en in ecosystemen met leveranciers, en bouwen ze een doelgerichte technologie-architectuur en datastructuur.

De echte ROI

Waar AI echt rendeert, hangt af van waar bedrijven de tools inzetten. Zo toont de focus van de AI-investeringen bijkomend de kloof tussen toekomstgerichte bedrijven en de rest aan. Volgens MIT gaat zowat de helft van de AI-budgetten naar sales en marketing, terwijl het automatiseren van de backoffice (operationele afdelingen en financiën) vaak een hoger rendement oplevert en een snellere terugverdientijd kent. Toch krijgen frontofficetools de meeste aandacht. De impact is makkelijker meetbaar en de zichtbaarheid is groter, waardoor de raad van bestuur ze sneller oppikt. Denk aan snellere leadkwalificatie, het aantal reacties op directe mailcampagnes, het aantal aangevraagde demo’s, hogere klantretentie door opvolging via AI, … Voor de inkoop-, financiële of juridische afdeling leveren AI-tools meer verborgen efficiëntie op, zoals minder compliance-overtredingen, gestroomlijnde processen of een snellere maandafsluiting. De studie merkt wel op dat de best-presterende bedrijven in beide domeinen meetbare waarde creëren.

Dat bevestigt ook het BCG-rapport: toekomstgerichte bedrijven kijken zowel naar kernactiviteiten (R&D, marketing, verkoop, pricing, productie, klantenservice, supply chain) als ondersteunende functies (IT, inkoop, HR, financiën en juridische dienst). Volgens BCG zit evenwel zeventig procent van de potentiële AI-waarde in die kernfuncties vervat, met uitzondering van IT, dat in 2025 dertien procent waarde opleverde.

Impact op personeelsbestand

Hoewel ondernemingen verwachtten dat GenAI enorme personeelsafslankingen zou teweegbrengen, zien beide studies dat in de praktijk de winst eerder gehaald wordt door lagere externe uitgaven aan ‘agencies’, consultants en BPO’s (business process outsourcing), niet zozeer door interne teams te reduceren. Dat neemt niet weg dat AI nu al een impact heeft op de arbeidsmarkt. Organisaties die de GenAI-kloof overbrugden, tonen meetbare externe kostenverlaging terwijl het aantal interne medewerkers slechts licht afneemt. Waar GenAI toch tot personeelsreductie leidt, is dat doorgaans in functies die voorheen ook niet als kernactiviteiten werden beschouwd: klantenservice (als ondersteunende functie), administratieve verwerking en gestandaardiseerde ontwikkeltaken. Die rollen waren al kwetsbaar voor de invoering van AI omdat ze gestandaardiseerde processen hebben en eenvoudig extern kunnen worden uitbesteed. De impact is sowieso sectorafhankelijk: waar AI geen structurele veranderingen teweegbrengt, zoals in de gezondheidszorg, energiesector en geavanceerde industrie, zien de bestuurders in de komende vijf jaar geen vermindering in werving. In de zorg worden dus niet minder artsen of klinisch personeel aangenomen. Bij geavanceerde AI-gebruikers in technologie- en mediasector daarentegen, waar GenAI aantoonbaar impact heeft, verwachten bestuurders wel een afname in werving binnen de 24 maanden.

De toegang tot menselijk talent is evenwel belangrijker dan ooit. Bij werving en selectie neemt het belang van AI-geletterdheid aanzienlijk toe. Toekomstgerichte bedrijven beseffen dat AI-vaardigheid een concurrentievoordeel met zich meebrengt om werkprocessen te optimaliseren. Die ondernemingen zetten dan ook volop in op het aantrekken, behouden en bijscholen van dat schaarse talent. MIT verwacht dat de transformatie van het personeelsbestand geleidelijk zal verlopen en niet via abrupte ontslaggolven. Zolang AI-systemen zich niet contextueel kunnen aanpassen of autonoom werken, zal de organisatorische impact zich vooral uiten door externe kostenoptimalisering in plaats van interne herstructurering.

Hoe de kloof overbruggen?

Om GenAI te integreren, organiseren succesvolle bedrijven zich anders. Dat start al bij de inkoop: ze profileren zich eerder als BPO-partner dan als SaaS-klant (software-as-a-service). Ze eisen diepgaande maatwerkoplossingen, stimuleren adoptie vanaf de werkvloer en houden leveranciers verantwoordelijk voor de resultaten. Daarbij staat het uitbouwen van strategische partnerships en ecosystemen centraal. Die bedrijven wachten niet op de ideale case, maar versnellen integratie via gedistribueerde experimenten. Uit de MIT-studie komt duidelijk naar voren dat tools ontwikkeld via externe partnerships een hoger implementatiepercentage (67%) hebben vergeleken met intern ontwikkelde oplossingen (33%). Bovendien gebruiken medewerkers extern ontwikkelde systemen bijna twee keer zo vaak. Naast de snellere waardecreatie leveren die partnerships lagere totale kosten en een betere afstemming op de operationele processen. Bedrijven vermijden overheadkosten en krijgen toch een oplossing op maat.

Toekomstgerichte organisaties beoordelen AI-tools op basis van financiële en operationele uitkomsten en zien implementatie als een gezamenlijke evolutie met de leverancier. Initiatieven komen van managers op de werkvloer en zijn niet centraal gestuurd. Al is het ‘top-down’ wegnemen van barrières en stimuleren van adoptie wel een onderscheidende factor. De structuur van de organisatie bepaalt eveneens het succes: het decentraliseren van implementatiebevoegdheden met duidelijk ‘ownership’ loont. BCG stipt het belang van gedeeld ownership tussen business en IT aan: samen streven ze ambitieuze doelen na en schalen ze AI op met meetbare impact. Daarbij spelen teamleiders en individuele medewerkers een belangrijke rol. Vooruitstrevende bedrijven lieten medewerkers, die voor hun persoonlijke efficiëntie al tools zoals ChatGPT of Claude gebruikten, mee richting geven. Die zogenoemde ‘power users’ begrijpen de mogelijkheden en beperkingen van GenAI. Door managers en budgetverantwoordelijken problemen te laten signaleren, tools te beoordelen en implementaties te leiden, versnelde de adoptie zonder in te boeten aan operationele relevantie.

Volgens de top vijf procent succesvolle bedrijven zal het herschikken en ontwikkelen van bedrijfsprocessen de grootste AI-waarde opleveren. Daarbij evalueren ze ook hun bedrijfsmodel. AI betekent voor hen niet louter mensen vervangen door technologie, maar het hertekenen van rollen. Daarbij komen volgende vragen aan bod: welke belangrijke processen kun je met AI hertekenen? Waar blijven mensen onderscheidende waarde leveren in die hertekende processen? Welke hybride structuur is nodig om medewerkers en digital agents samen te laten functioneren, elk met de juiste verantwoordelijkheid? Hoe creëer je een ethisch en verantwoord AI-programma? Hoe bouw je snelle feedbackloops in om tijdig bij te sturen? De optimale balans vinden tussen decentralisatie en centrale sturing, waar P&L-verantwoordelijkheid zit, is daarbij essentieel.

Agentic AI

Het venster om de kloof te dichten sluit zich snel. Toekomstgerichte bedrijven zijn nu al aan de slag met de volgende generatie AI-tools, namelijk AI-agents en het ‘agentic web’. Daarin kunnen autonome systemen elkaar vinden, onderhandelen en coördineren over de volledige internetinfrastructuur en zo de bedrijfsprocessen fundamenteel veranderen. Agentic AI is een klasse systemen die ontworpen zijn met een blijvend geheugen en een iteratief leervermogen. In tegenstelling tot de huidige tools die telkens opnieuw volledige context nodig hebben, leren die systemen van interacties en kunnen ze zelfstandig complexe processen coördineren. De infrastructurele basis voor die transformatie komt tot stand door protocollen zoals MCP (Model Context Protocol), A2A (Agent-to-Agent) en NANDA (Networked Agents And Decentralized Architecture) die niet alleen interoperabiliteit tussen agents mogelijk maken, maar ook autonome webnavigatie. In 2024 werden agents nauwelijks besproken, terwijl ze in 2025 al goed waren voor zeventien procent van de totale AI-waarde. BCG verwacht dat dit aandeel tegen 2028 naar 29 procent groeit.

Werkprocessen kunnen eenvoudig zijn, zoals reconciliatie in inkoop, maar bedrijven kunnen ook meerdere agents integreren in complexe processen, zoals supply chain management of vraag- en aanbodprognoses in callcenters. Vroege experimenten tonen aan dat inkoopagenten zelfstandig nieuwe leveranciers identificeren en over voorwaarden onderhandelen, dat klantenservicesystemen naadloos samenwerken tussen platforms en dat processen voor contentcreatie meerdere providers omvatten met geautomatiseerde kwaliteitsborging en betaling.

Agents werken niet alleen

AI-agents werken naast of onder toezicht van mensen, verwerken grote hoeveelheden data, voeren logische en redenerende taken uit, nemen beslissingen en handelen. Interne feedbackloops laten ze leren en resultaten verbeteren. Agentic AI is niet het vertrekpunt voor implementatie, wel een volgende stap. Duidelijke ‘governance’, sterke datafundamenten en opgeschaalde AI-capaciteiten zijn basisvoorwaarden. Succesvolle bedrijven implementeren AI-agents via beperkte, waardevolle werkprocessen en niet via een grootschalige uitrol. Ze beseffen tegelijk dat ze intern niet de vaardigheden hebben om zelf agents te bouwen en implementeren. Het ecosysteem is dus ook hier van belang. Tegelijk brengen AI-agents nieuwe risico’s met zich mee. Elk bedrijf dat AI inzet, moet bescherming en waarborgen inbouwen zonder prestaties te vertragen. Toekomstgerichte bedrijven bouwen veiligheid in en pakken effectief uitdagingen aan, zoals angst voor een slechte klantervaring, hallucinaties, bias en misbruik van data. Agents functioneren niet zonder mensen en hun prestaties hangen af van sterke menselijke coördinatie in opnieuw vormgegeven rollen.

Verwacht wordt dat verschillende ondernemingen in de komende kwartalen leveranciersrelaties zullen vastleggen die moeilijk te verbreken zijn. De MIT-studie geeft aan dat de doorlooptijd van RFP (request for proposal) tot implementatie varieert van twee tot achttien maanden. Voor bedrijven die in dergelijke adaptieve AI-systemen investeren, wordt de drempel om naar een andere leverancier over te stappen steeds groter. Willen achterblijvende bedrijven de kloof nog dichten, dan moeten ze AI-waardecreatie als topprioriteit beschouwen en AI niet louter als een kostenpost benaderen, maar focussen op innovatie en concurrentievoordeel. Succesvolle implementatie vraagt om de juiste focus: zeventig procent van de aandacht moet gaan naar mensen en processen, twintig procent naar technologie en slechts tien procent naar algoritmes. De meeste obstakels liggen bij mensen, organisatie en processen. Ondernemingen moeten in de eerste plaats een ‘AI-first’-operating model, menselijk talent en relevante technologie opbouwen voordat ze kunnen overgaan tot echte innovatie.

LV