De adoptiekloof

01

Waarom dit, waarom nu

In vrijwel elk bedrijf waar wij binnenkomen worden twee dingen gezegd, meestal in dezelfde vergadering. Dat AI overal zit: mensen gebruiken het dagelijks, er lopen pilots, er is een licentie aangeschaft. En dat niemand kan aanwijzen waar het dan blijft. Geen regel in de winst-en-verliesrekening die je erop kunt terugvoeren.

Het gekke is dat allebei waar is. Dat is geen tegenspraak die verdwijnt als je beter kijkt; het is de belangrijkste managementvraag van deze technologiecyclus geworden, en de afstand tussen die twee zinnen is waar dit dossier over gaat.

Er was een cijfer dat er een verklaring voor leek te geven. Vijfennegentig procent van de AI-pilots levert niets op, met de naam van MIT eraan, en een klein jaar lang opende elke scepticus er zijn betoog mee. Toen ik het wilde natrekken bleek het te steunen op een concept dat 29 dagen online had gestaan, nooit door vakgenoten was beoordeeld, en waarvan MIT zelf uiteindelijk schriftelijk vastlegde dat het niet gepubliceerd was.

Ik begon aan dit dossier met de vraag wie er gelijk had, want de durfkapitalisten van a16z hadden net cijfers gepubliceerd die het tegendeel leken te bewijzen. Dat bleek de verkeerde vraag. De twee kampen hebben nooit hetzelfde gemeten, en wat eronder ligt is lastiger dan beide koppen suggereren, en bruikbaarder. AI gebruiken is inmiddels het minimum om mee te doen. Het geld wordt verdiend door de kleine groep die het werk eromheen opnieuw heeft ingericht.

Hieronder lopen we de cijfers na, kijken we waar pilots op stuklopen en eindigen we bij wat wij er maandagochtend mee zouden doen. Bij dun bewijs zeggen we dat erbij, en achterin staat per claim hoe ver we hem zouden verdedigen.

• aug 2025 — Fortune brengt een MIT-claim groot: 95 procent van de GenAI-pilots levert niets op. AI-aandelen zakken.
• sep 2025 — Na 29 dagen haalt MIT het rapport offline. Het cijfer blijft rondgaan.
• nov 2025 — McKinsey's State of AI: 88 procent gebruikt AI, 6 procent ziet het terug in de winst.
• jan 2026 — Exponential View publiceert het speurwerk. MIT noemt het rapport "unpublished, non-peer-reviewed work".
• apr 2026 — a16z zet er harde cijfers tegenover: 29 procent van de Fortune 500 is betalende klant in productie.
• 2026 — Agents komen binnen. 62 procent experimenteert, 21 procent heeft er governance voor.

02

1. Het cijfer dat een markt in beweging bracht

Op 18 augustus 2025 schreef Fortune dat MIT-onderzoek had uitgewezen dat de overgrote meerderheid van de zakelijke AI-pilots niets opleverde. Binnen enkele dagen lag het cijfer in elke boardroom op tafel.

Het rapport eronder heette "The GenAI Divide: State of AI in Business 2025" en verscheen onder Project NANDA van MIT. De eerste zin deed het werk: ondanks tientallen miljarden aan zakelijke investeringen in generatieve AI zou "95% of organizations" nul rendement halen. Wie doorbladerde naar de methodologie vond iets veel bescheideners, namelijk 52 interviews met bestuurders, 153 enquêtes onder leidinggevenden en een analyse van zo'n 300 publieke implementaties, verzameld in het eerste halfjaar. Onthoud die drie getallen; in de volgende sectie begint het daar mis te gaan.

In het navertellen sneuvelde ondertussen het interessantste deel. Het rapport wees zelf naar de organisatie en niet naar de techniek. Bedrijven kopen of bouwen tools die het in een demo prachtig doen, schrijven de auteurs, en merken daarna dat die tools geen context onthouden, niets leren van feedback en niet passen op de manier waarop het werk loopt. Zij noemden dat de learning gap. Dat stuk is bijzonder goed blijven staan, en dit dossier komt er nog een paar keer op terug.

De reactie op de beurs was echt. De claim kwam vlak na een zomer waarin records aan AI-investeringen waren gestapeld, en het idee dat daar vrijwel niets van als winst terugkomt joeg beleggers schrik aan. AI-gerelateerde aandelen kregen een tik.

Daarna ging het cijfer op eigen kracht verder, met MIT als geleend gezag. "MIT-onderzoek" in speeches, in investeringsmemo's en in inkoopdiscussies, bijna nooit met bronvermelding. Aan het eind van dat jaar opende elke scepticus in elke strategiesessie ermee.

03

2. Autopsie op de 95 procent

In januari 2026 publiceerde Exponential View, de nieuwsbrief van Azeem Azhar, het resultaat van maandenlang speurwerk naar de herkomst van dat cijfer, inclusief correspondentie met de auteurs en met MIT. De uitkomst: viraal, methodologisch zwak, en bedolven onder zijn eigen voorbehouden.

Die herkomst is de moeite waard, want de details veranderen wat het cijfer betekent. Het rapport was een voorlopig concept en is nooit peer-reviewed. Het stond 29 dagen op een webdomein van MIT, van 18 augustus tot 16 september 2025, en werd toen weggehaald. De pdf die nog rondgaat draagt het MIT-logo en heeft geen officiële plek meer. Toen Exponential View doorvroeg, noemde de faculteitsdirecteur van het MIT Media Lab het "a preliminary, non-peer-reviewed piece". De persafdeling zette het uiteindelijk schriftelijk neer: "It was unpublished, non-peer-reviewed work."

Het rekenwerk is nog wankeler dan de herkomst. Ik ben als eerste gaan zoeken naar de steekproefgrootte, want dat is het onderdeel dat vrijwel niemand controleert. De kern bestond uit ongeveer 52 interviews. Vijfennegentig procent daarvan is 49,4, en een organisatie komt niet in vieren, dus het onderliggende aantal is 49 of 50. Daarmee ligt het werkelijke cijfer al ergens tussen ruwweg 94 en 96 procent, nog vóór er één vraag over de steekproef is gesteld.

Wie het betrouwbaarheidsinterval netjes doorrekent op een steekproef van die omvang, houdt een eerlijke marge over die van hoog in de tachtig tot honderd loopt. Het rapport publiceerde één getal en geen marge.

Daaronder zit de noemer, die per pagina verschuift. Op enig moment tellen ook organisaties mee die de gemeten categorie tools nooit hebben geprobeerd. Zo iemand als mislukking noteren is een vliegtuigongeluk bijschrijven bij een passagier die nooit had geboekt. Wie het opnieuw doorrekent met de eigen cijfers van het rapport en een noemer die wél te verdedigen is, namelijk pilots die daadwerkelijk zijn gestart, komt uit op ongeveer een kwart dat slaagt, met brede marges aan beide kanten.

Het meetvenster maakt het op een derde manier scheef. In dat halfjaar gingen uitrol van anderhalf jaar oud en pilots van drie maanden oud langs dezelfde meetlat, in een markt waar de zakelijke AI-uitgaven per jaar verdrievoudigden. Azhar houdt het voorzichtig en herleest het geheel zo: aan het begin van dat jaar zag misschien al één op de zeven organisaties meetbare winst, mogelijk meer. Voor een technologie die eind 2023 het bedrijfsleven binnenkwam is dat een verhaal over snelle verspreiding, met een kop over falen erboven.

"The '95 percent' figure should be treated for what it is: not reliable. It is viral, vibey, methodologically weak and it buries its caveats." — Exponential View, "How '95%' escaped into the world", januari 2026

Dat gecorrigeerde cijfer houden we losjes vast. Het is een herberekening op de eigen getallen van een gebrekkig rapport en de ruwe data is nooit gedeeld, dus de marge is breed en in onze verantwoording staat het op hooguit middelmatig vertrouwen. Daarmee is het rapport nog geen prul. De les is smaller dan "MIT zat ernaast": de kop was een stemmingsbeeld dat zich voordeed als meting, en hij bewoog een half jaar lang kapitaal voordat iemand ging kijken wat eronder zat.

04

3. De tegenclaim, en wie er nu eigenlijk gelijk heeft

In april 2026 legde a16z de omgekeerde dataset op tafel: 29 procent van de Fortune 500 is betalende klant van toonaangevende AI-startups. Getekende contracten, pilots die zijn omgezet, gebruik in productie. Wie heeft er dan gelijk?

Allebei, en dat is de eigenlijke uitkomst.

a16z hanteerde bewust een strenge lat. Een onderneming telt pas mee als er van bovenaf een contract is getekend met een AI-startup, de pilot is omgezet en het systeem live staat. Langs die lat was bijna een derde van de Fortune 500 en ongeveer een vijfde van de Global 2000 binnen zo'n drie jaar na de lancering van ChatGPT betalend klant. Zo snel is zakelijke software nog nooit ergens binnengekomen; startups deden er vroeger jaren over voordat ze hun eerste logo uit die lijst binnenhaalden. De vraag concentreert zich volgens het rapport waar de waarde direct zichtbaar is, met programmeren op ruime afstand voorop en klantenservice en zoeken daarachter, en het blijft allang niet meer bij techbedrijven.

Eén voorbehoud hoort erbij voordat iemand dit cijfer terugciteert: a16z investeert zelf in precies de categorie die het telt. Dat maakt het cijfer niet verkeerd, en de lat ligt hoger dan bij de meeste enquêtedefinities. We wegen het niettemin als de telling van een belanghebbende en niet als onafhankelijk onderzoek, ongeveer zoals we het MIT-cijfer wegen, alleen dan de andere kant op.

Toen ik de twee rapporten naast elkaar legde, was de tegenspraak binnen tien minuten verdampt. MIT NANDA vroeg feitelijk: van de maatwerkpilots die begin dat jaar liepen, hoeveel hadden er toen al aantoonbaar effect op de winst? Weinig, op een gebrekkige steekproef, in een venster dat daar te kort voor was en waarschijnlijk zelfs te kort om het te meten als het effect er wél was geweest.

a16z vroeg iets anders. Hoeveel van de grootste ondernemingen ter wereld betalen echt geld voor AI-producten die in productie draaien? Een opvallend groot deel, en elk kwartaal meer.

Een pilot die de winstcijfers nog niet heeft bereikt en een getekend productiecontract zijn verschillende eenheden, getrokken uit verschillende noemers, op verschillende momenten van een steile curve. Het meningsverschil ging nooit over de feiten. Het ging over welke vraag je beantwoord wilde zien, en beide kampen vonden een cijfer dat de hunne beantwoordde.

05

4. Wat "adoptie" eigenlijk meet

Het State of AI-onderzoek van McKinsey, gepubliceerd in november 2025 onder bijna tweeduizend respondenten in 105 landen, geeft het scherpste losse beeld van de kloof. Lees het als een trechter, en lees die trechter als diagnose.

Wat de grafiek vertelt zit in de uitval, niet in de balken. Bovenaan staat 88 procent: zoveel organisaties gebruiken volgens McKinsey AI in minstens één bedrijfsfunctie. Onderaan blijft 6 procent over, de groep die het bureau high performers noemt, die een wezenlijk deel van haar EBIT aan AI toeschrijft en de technologie inzet om te groeien in plaats van om te bezuinigen. Dat is de eerlijke omvang van de winnaarsgroep. Daartussenin meldt bijna vier op de tien enig effect op de EBIT, meestal onder de vijf procent.

Tussen gebruiken en opschalen zit de dure stap. Ja antwoorden op "gebruiken jullie ergens AI" kost namelijk niets, want één team op Copilot telt al mee, terwijl elke trede daaronder een duurdere waarheid meet: herontworpen werkstromen, afgeschafte processen, resultaat waar je naar kunt wijzen.

Een technologiekloof is die afstand niet. Gallup zag frequent AI-gebruik onder Amerikaanse werkenden in twee jaar bijna verdubbelen, dus individueel gebruik klimt prima op eigen kracht door, terwijl de organisatiecijfers blijven kruipen. Mensen adopteren in weken en organisaties in jaren; de trechter is een foto van dat verschil.

Eén bevinding van McKinsey voorspelt de rest van dit dossier. Bij de high performers is de kans drie keer zo groot dat een bestuurder de AI-agenda persoonlijk draagt, en die bestuurders formuleren groeidoelen in plaats van besparingsdoelen. Op die factor drie zetten we middelmatig tot hoog vertrouwen, omdat we hem via samenvattingen lezen en niet in de onderliggende tabellen, maar aan de richting twijfelen we niet: elke andere bron die we controleerden wijst dezelfde kant op.

De zes procent onderscheidt zich niet doordat ze betere software kocht. Ze onderscheidt zich doordat er mensen aan het roer staan die het werk opnieuw hebben ingericht.

06

5. Uitzoomen: het grootste deel van de wereld is nog niet begonnen

Binnen de techbubbel lijkt AI verzadigd en lijkt de race al gelopen. Eén keer uitzoomen zet dat beeld recht: 84 procent van de wereldbevolking heeft nog nooit AI gebruikt.

De verdeling die in februari 2026 rondging is gebouwd op cijfers van Microsoft en DataReportal. Ruwweg 6,8 miljard mensen gebruiken geen AI, zo'n 1,3 miljard zit op gratis chatbots, ongeveer 25 miljoen betaalt ergens voor, en enkele miljoenen werken op gevorderd niveau met agents en code.

Dit is waarschijnlijk het zwakste bewijs in dit dossier en dat vermeld ik liever zelf. Het is een virale analyse en geen officiële telling, hij kan er in beide richtingen naast zitten, en geen enkel getal erin zou ik tot achter de komma verdedigen. Het gaat om de vorm, en de vorm is een piramide met een extreem smalle top. Iedereen die betaalt voor de bepalende technologie van dit decennium past bij elkaar in Australië.

Voor een zakelijk publiek snijdt die piramide aan twee kanten. Ze haalt het excuus weg dat je te laat bent, want de curve komt amper van de grond en het gevoel dat iedereen dit allang doet zegt vooral iets over wie je online volgt.

Ze bereidt ook de ongemakkelijker lezing van sectie 9 voor. Ook binnen organisaties zit het echte gebruik namelijk in die gratis chatbotlaag: breed, ondiep en onbeheerd. Diepte zit bovenin de piramide, en daar zit de zes procent ook. Allebei de lezingen wijzen dezelfde kant op. We staan aan het begin, en het voordeel gaat naar wie als eerste diepte bouwt.

07

6. Waar pilots op stuklopen

Haal de cijfers weg en stel de vraag van de monteur: waar gaat een AI-pilot nou eigenlijk aan dood? Het onderzoek komt telkens bij vier oorzaken uit, en modelkwaliteit zit er niet bij.

Oorzaak één: de tool leert niet

De best houdbare bevinding van MIT NANDA gaat hierover. Organisaties kopen of bouwen tools die het in een demo schitterend doen en daarna nooit meer beter worden. Geen geheugen voor context, geen feedbacklus, geen aansluiting op het dagelijkse werk. De winnaars in diezelfde steekproef zetten systemen in die van gebruik leren, aanhaken op echte werkstromen en met de tijd verbeteren. Een pilot zonder leerlus gaat precies één wow-moment mee.

Oorzaak twee: de organisatie kent haar eigen proces niet

Ethan Mollick leent hier het garbage can-model uit de organisatiekunde. Bedrijven zijn half-chaotische verzamelbakken waarin problemen, oplossingen en beslissers rondbotsen, en niemand weet precies hoe het werk werkelijk verloopt. Zijn scherpste voorbeeld komt van onderzoeker Ruthanne Huising: teams die de opdracht krijgen hun eigen bedrijfsprocessen in kaart te brengen, ontdekken volgens haar stelselmatig dat niemand het hele plaatje kent, op geen enkel niveau. Geef zo'n organisatie een automatiseringsproject waarvoor het proces eerst gespecificeerd moet worden, en de pilot sterft tijdens het in kaart brengen.

Oorzaak drie: opstopping

De analyse van Exponential View uit mei 2026 wijst de stille moordenaar aan. AI versnelt individuele output: developers leveren de helft meer op, sales schrijft 's nachts offertes. Daarna schuift alles aan bij dezelfde menselijke beslispoorten als voorheen, van reviewrondes via akkoorden tot legal. De output versnelt, de doorstroom niet, en de winst verdampt in de wachtrij. Meer AI in een verstopte beslispijplijn maakt de verstopping alleen maar erger.

Oorzaak vier: de productiviteitsparadox op de werkplek

Uit onderzoek van Upwork blijkt dat bijna de helft van de AI-gebruikende werkenden niet weet hoe ze de winst moeten halen die hun werkgever verwacht, en dat ruim driekwart zegt er op minstens één manier werk bij te hebben gekregen. Tools die van bovenaf worden uitgedeeld zonder dat de verwachtingen eromheen worden bijgesteld, leveren zichtbare bedrijvigheid en onzichtbare wrijving op. Als gebruikscijfer slaagt zo'n pilot, als businesscase faalt hij.

Vier oorzaken, één thema: het model was nooit de flessenhals. Elke faalwijze hierboven is een eigenschap van de organisatie, en daarom lost een beter model er geen van op.

Daarom blijven koppen die op faalpercentages leunen ook misleiden. Wat er gemeten wordt is organisatorische gereedheid; wat er geciteerd wordt is een vonnis over de technologie.

08

7. Wat de zes procent anders doet

Het draaiboek van de winnaars is opvallend consistent, of je nu kijkt naar de high performers van McKinsey, naar het veldwerk van Mollick of naar de casestudies: richt het werk opnieuw in, laat de top het dragen, en verbind de mensen die al zitten te sleutelen met de strategie.

Mollick vat het operationeel samen als Leadership, Lab en Crowd, en dat is het bruikbaarste drieluik dat we voor dit probleem zijn tegengekomen.

Leadership betekent bestuurders die concreet schetsen hoe het werk verandert en er hun naam aan verbinden. Precies dat gedrag koppelt McKinsey onafhankelijk aan een verdrievoudiging van de kans op opschalen. Het Lab is een multidisciplinair team dat veelbelovende vondsten omzet in geteste, gebenchmarkte werkstromen. De Crowd is het personeel dat al aan het experimenteren is, volgens Mollicks lezing van de enquêtes ongeveer vier op de tien medewerkers, meestal in stilte.

Los van elkaar faalt elke poot. Leiderschap zonder lab blijft een memo, een lab zonder crowd wordt een eiland, en een crowd zonder leiderschap blijft ondergronds. De zes procent draait alle drie, in wisselend jargon.

De beste recente ontleding van zo'n traject komt van Generative AI Labs van Wharton, dat twintig gamestudio's interviewde in een sector waar de AI-druk vroeg en hard aankwam.

De studio's verdeelden zich over vier fasen: beveiligde chatbots voor iedereen, daarna pilots van bovenaf op afgebakende werkstromen, daarna de interessante fase waarin individuen met AI over teamgrenzen heen gaan werken en context zich begint op te stapelen in gedeelde documenten, en tot slot de AI-first studio met kleine generalistische teams die rond uitkomsten zijn georganiseerd.

Twee dingen vallen op. De klassieke pilotfase is waar de voortgang blijft steken op stilzwijgende kennis en weerstand, precies wat het garbage can-model voorspelt. En van de twintig studio's haalden er maar drie de bovenste trede. Alle drie waren ze vanaf de oprichting rond AI gebouwd. Niemand in de steekproef heeft een bestaande organisatie tot daar omgebouwd; wie er kwam, was er begonnen.

Dat laatste is het ongemakkelijke nieuws voor elk gevestigd bedrijf, en het legt de lat eerlijk neer. Twintig studio's in één sector is een kleine steekproef, hij hoeft buiten de gamewereld niet op te gaan, en als wet behandelen we hem niet. De vraag die eruit volgt is wel de goede: kan een gevestigde organisatie bewust doen wat die drie studio's van huis uit deden? De maandagochtendsectie is ons antwoord.

09

8. Agents maken het scherper

2026 is het jaar waarin agents het bedrijfsleven binnenkwamen: AI die meerstaps werk uitvoert in plaats van vragen beantwoordt. Ze verhogen de mogelijke winst, en de prijs van dezelfde oude organisatorische gaten.

Eerst de cijfers. Volgens McKinsey experimenteerde eind 2025 62 procent van de organisaties minstens met agents en schaalde bijna een kwart ze op, vooral binnen IT en R&D. Het State of AI-onderzoek van Deloitte plakt er het waarschuwingsetiket op: bijna driekwart van de bedrijven wil binnen twee jaar agentic AI uitrollen, terwijl 21 procent zegt een volwassen governancemodel te hebben voor autonome systemen. Een agent is software in de vorm van een medewerker, alleen zonder leidinggevende, en de meeste organisaties nemen er duizenden aan zonder dat er een personeelsafdeling voor bestaat.

De veldrapportage leert meer dan de enquêtes. Aaron Levie, CEO van Box, ging in april 2026 langs bij IT-leiders van grote ondernemingen en beschrijft de verschuiving van "laat duizend bloemen bloeien"-chatuitrol naar gerichte automatisering van afgebakende werkstromen.

Hij inventariseerde ook waar die bedrijven werkelijk mee bezig zijn. Verandermanagement stond bovenaan. Daarna kwam "tokenmaxxing", de zeer reële budgetgevechten om rekenkracht, met bij één bedrijf een shark-tank voor tokenbudgetten. Daarna decennia aan legacysystemen waar agents domweg niet bij kunnen.

En door alles heen liep een stevige consensus: de use-cases zijn nieuwe capaciteit en geen personeelsreductie, werk waar het bedrijf eerder nooit aan toekwam. Eén bedrijf heeft inmiddels in elke businessunit een head of AI die aan een centraal team rapporteert. Zijn observatie waar wij steeds op terugkomen: agents hebben het werk juist technischer gemaakt, met Skills en MCP-servers en de command line, dus verspreiding vraagt om engineers, en iedereen werkt harder dan ooit.

"Most companies are not talking about replacing jobs due to agents. The major use-cases are things the company wasn't able to do before. More emphasis on ways to make money vs. cut costs." — Aaron Levie, veldnotities van bezoeken aan grote ondernemingen, april 2026

We citeren Levie als getuigenis en niet als meting. Het is de gestructureerde veldrapportage van één bestuurder over een zelfgekozen reeks bezoeken, en dat is een andere bewijsklasse dan een enquête. Het is tegelijk het beste kijkje in de keuken van de koplopers dat dit jaar is gepubliceerd.

Mollick legt er in "The Bitter Lesson versus The Garbage Can" een echt open strategische vraag naast. Hebben agents organisaties nodig die hun eigen processen begrijpen, of trainen ze straks gewoon op uitkomsten en manoeuvreren ze om de rommel heen? Klopt dat tweede, dan is de garbage can geen verdedigingswal meer voor gevestigde bedrijven die tenminste hun eigen chaos kenden. Wij weten het antwoord niet, en het bepaalt hoeveel van sectie 6 dit decennium overleeft.

De werkgelegenheidsvraag parkeren we hier bewust. McKinsey noteert dat drie op de tien bedrijven personeelsreductie verwacht, en die vraag krijgt in deze serie een eigen dossier over instapwerk.

10

9. Schaduw-AI: de werkvloer is allang om

Terwijl de officiële pilot op de stuurgroep wachtte, ging het personeel gewoon aan de slag. De betrouwbaarste adoptie in de meeste bedrijven is degene die nooit is goedgekeurd.

Hetzelfde MIT NANDA-onderzoek dat de 95-procentkop opleverde, bevatte een bevinding die veel beter standhoudt. Bij ruim negen op de tien bedrijven gebruikten medewerkers regelmatig persoonlijke AI-tools voor hun werk, terwijl maar zo'n vier op de tien van die bedrijven een officieel abonnement had aangeschaft.

Netskope meet in plaats van te vragen, en zag bijna de helft van al het zakelijke gebruik van generatieve AI op persoonlijke accounts lopen. Dat is het cijfer waar wij het meest op vertrouwen, juist omdat het gedrag waarneemt. Hoeveel medewerkers hun gebruik verzwijgen verschilt per onderzoek; het cijfer dat wij aanhouden staat op 59 procent, en de eerlijke lezing is een duidelijke meerderheid en geen precies aandeel.

Securityteams lezen dat als een incidentrapport, en ze hebben een punt: onbeheerde accounts, onbekende datastromen, geen spoor om achteraf te volgen. Strategisch is diezelfde schaduweconomie juist het beste gratis bezit dat een organisatie heeft. Het is een afgerond pilotprogramma dat door de medewerkers zelf is betaald. Het laat precies zien waar AI al werkt, uitgevoerd door precies de mensen die het carrièrerisico ervoor over hadden.

De medewerkers die hun gebruik verzwijgen zijn de Crowd uit sectie 7, ondergronds gedreven door vaag beleid en scheve prikkels. Kijk naar wat ze in de praktijk terugkrijgen als ze hun AI-werkstroom laten zien: meer werk voor hetzelfde salaris, of een ongemakkelijk gesprek over de vraag of hun functie nog nodig is. Bij die prikkel is verzwijgen de verstandige keuze, en is het beleid wat gerepareerd moet worden.

De winnaars draaien de prikkel om. Amnestie voor wat er al gebeurd is, expliciete toestemming met heldere afspraken over data, en zichtbare waardering voor gedeelde werkstromen: een #ai-wins-kanaal, spreekuren van de mensen die er goed in zijn, erkenning die een gevonden werkstroom behandelt als bijdrage en niet als bekentenis. De goedkoopste AI-strategie van dit jaar is zichtbaar maken wat het bedrijf al heeft betaald.

11

10. Efficiencytheater en de beslislus

De subtielste faalwijze is slagen op de verkeerde maat: zichtbare bedrijvigheid, snellere concepten, indrukwekkende gebruiksdashboards, en cijfers die niet bewegen. De geschiedenis heeft een naam voor de oplossing, en die komt uit de elektriciteit.

Exponential View bouwde er een raamwerk omheen op basis van de klassieke studie naar de elektrificatie van fabrieken, en dat geeft de kloof haar strakste structuur. Toen fabrieken hun stoommachine vervingen door een elektromotor gebeurde er eerst weinig, want de nieuwe kracht liep nog altijd door de oude indeling van assen en drijfriemen. Pas toen ingenieurs elke machine een eigen motor gaven en de vloer opnieuw indeelden rond de werkstroom, kwam de winst.

AI doorloopt datzelfde patroon in drie fasen, en de meeste bedrijven zitten nog in de eerste. Die heet de gloeilampfase: medewerkers gebruiken chatbots voor hun eigen productiviteit. Daarna komt de centrale aandrijving, waarin agents bestaande werkstromen versnellen. En pas in de fase van de eigen aandrijving wordt de beslislus zelf opnieuw gebouwd rond de machine, van waarnemen via wegen tot handelen, en krimpen weken tot uren. Dat ongeveer een kwart van de bestuurders zegt de verwachte rendementen te hebben gehaald, past precies bij een bedrijfsleven dat grotendeels in fase één is blijven hangen.

Wie het herontwerp overslaat en alleen snijdt, kan bij Klarna gaan kijken. De fintech meldde begin 2024 dat zijn AI-assistent het werk van 700 klantenservicemedewerkers deed en bevroor de werving, om ruim een jaar later bij monde van CEO Sebastian Siemiatkowski toe te geven dat het bedrijf "te ver" was gegaan. Wat er tussenin gebeurde is het hele verhaal: de kosten domineerden de beslissing, de kwaliteit zakte, de klachten stapelden zich op, en Klarna nam weer mensen aan in een hybride opzet waarin AI het routinevolume doet en mensen de complexiteit, de emotie en het oordeel.

De les is precies aan te wijzen en luidt niet dat automatisering mislukt. Klarna automatiseerde de bestaande werkstroom om geld te besparen in plaats van de dienst opnieuw in te richten rond wat elke kant het beste kan, oftewel: centrale aandrijving aangezien voor eigen aandrijving. De cijfers straften dat verschil af. Veelzeggend genoeg hield de herontworpen hybride opzet het merendeel van de automatisering gewoon overeind.

12

11. Europa en Nederland

De Europese variant van de kloof brengt beter nieuws dan de AI-reputatie van het continent doet vermoeden, met een vertrouwde waarschuwing erin.

Het cijfer waarop het Europese pessimisme rustte komt uit het rapport-Draghi: in 2024 had 13,5 procent van de EU-bedrijven AI geadopteerd, en in het hele concurrentiedebat gold dat als bewijs dat het continent de golf had gemist. Toen ik ging kijken of het nog klopte, bleek Eurostat het een jaar later al te hebben ingehaald. Een vijfde van de EU-bedrijven met tien of meer werknemers gebruikt inmiddels AI. Dat is een sprong van 6,5 punt in één jaar, de snelste stijging sinds de meting bestaat, en Nederland staat er vijfde met een derde van de bedrijven.

Leg daar nu de trechterlogica van dit dossier overheen. "Gebruikt AI" is namelijk dezelfde vraag naar de bovenste trede die McKinsey stelde, alleen wat strenger gemeten, en als de verhoudingen van McKinsey ook maar losjes opgaan zit het aandeel Nederlandse bedrijven met echt resultaat in de lage enkele procenten, met het Europese aandeel daaronder. Dat is een schatting en geen meting, want we stapelen de verhoudingen van het ene onderzoek op de basis van het andere, en een decimaal zetten we er dus niet achter. Wat overblijft is een dubbele Europese kloof: er zitten minder bedrijven in de trechter, en binnenin valt er net zoveel uit.

Voor een Nederlands bedrijf komt de eerlijke strategische lezing uit op wat ons roboticadossier over hardware concludeerde. De modellen zijn Amerikaans en de toepassingen steeds vaker ook, dus wachten op een Europese stack betekent dat je ze later allebei tegen winkelprijs koopt. De tegenzet is eveneens dezelfde: adoptiesnelheid en diepte in je werkstromen zijn soevereiniteit die je zelf kunt bouwen, op elk model, vanaf vandaag. Een Nederlands bedrijf in fase drie van de elektriciteitsladder wint van een Amerikaanse concurrent in fase één, welke vlag er ook op het model staat.

13

12. De kloof is organisatorisch, de klok is exponentieel

Dit is het feit dat de adoptiekloof verandert van een aardig enquêteresultaat in iets waar een datum aan hangt: terwijl organisaties stilstonden, werd de technologie twee ordes van grootte goedkoper.

De grafiek komt uit het exponentials-dossier van deze serie, waar we de hele familie curves behandelen. Onthoud vooral deze regel: output van GPT-4-niveau ging in drie jaar van ruwweg 20 dollar naar ruwweg 7 cent per miljoen tokens, ongeveer een vertienvoudiging van je koopkracht per jaar, en ondertussen steeg de capaciteit.

Leg dat naast sectie 6 en de faalwijzen krijgen een andere kleur, want stuk voor stuk zijn ze vastgesteld tegen de prijs en de capaciteit van vorig jaar. De pilots die twee jaar geleden sneuvelden zijn geprobeerd met gereedschap dat per euro tien tot honderd keer slechter was dan wat er ligt terwijl je dit leest. Dat de zakelijke AI-uitgaven in één jaar met meer dan een verdrievoudiging groeiden, mat Menlo Ventures, en het zegt genoeg: de kopers wachten niet tot de discussie beslecht is.

Daarom dicht de kloof zichzelf niet, en daarom is "we hebben het geprobeerd en het werkte niet" de duurste zin in zakelijke AI. Vanaf de arbeidskant vertelt de jobs barometer van PwC hetzelfde: sinds 2022 groeide de omzet per werknemer met 27 procent in de sectoren die het meest aan AI zijn blootgesteld, tegen 9 procent in de minst blootgestelde, en op functies die AI-vaardigheden vragen zit een loonpremie van 56 procent. Een gemeten effect is dat niet, het is een verband tussen sectoren die op van alles verschillen dat niets met AI te maken heeft, dus we lezen het als richting en niet als dividend.

Wat wél vaststaat is dat de afstand tussen de zes procent en de rest niet stilstaat. Ze groeit mee met de onderliggende curve, de snelste kostendaling in de geschiedenis van welke generieke technologie dan ook. Organisatieverandering loopt op kalendertijd en de technologie op exponentiële tijd, en elk kwartaal aarzelen kost precies dat verschil.

14

13. Wat wij maandagochtend zouden doen

Onze lezing, en onze eigen praktijk: de kloof is de kans, want het moeilijke deel is organisatorisch en dat deel is te leren. Dit is het draaiboek dat wij met klanten draaien, gelegd naast het bewijs uit dit dossier.

Eerst zien. Niets brengt een organisatie zo in beweging als kijken naar het eigen werk dat anders gedaan wordt. Wij slaan de abstracte awareness-sessie daarom over en laten een echte werkstroom uit het bedrijf zelf herbouwd draaien, voor de ogen van de mensen die hem elke dag doen.

Dat is de Leadership-poot: een levendig, specifiek beeld, aan de top gedragen door iemand die er zijn naam aan verbindt. Precies dat gedrag koppelt McKinsey aan een verdrievoudiging van de kans op opschalen.

Deadlines helpen daarbij meer dan visies. Een consultant die wij hoog hebben zitten opende een workshop door het klantmandaat "iedereen probeert vóór juli één AI-taak" te vervangen door "vóór het einde van de dag", en had de hele organisatie mee voor het avondeten. Dat is één anekdote en zo bieden we hem ook aan, al komt hij overeen met wat we zien zodra een deadline een ambitie vervangt.

Dan begrijpen. Voordat we iets automatiseren zoeken we uit wat de organisatie werkelijk doet, met als uitgangspunt dat het organogram fictie is. De schaduweconomie halen we boven water met amnestie en waardering, want het bewijs uit sectie 9 zegt dat de beste pilotresultaten al bestaan, ongelabeld, op persoonlijke accounts.

Daarnaast zetten we een klein Lab neer, multidisciplinair en senior genoeg om een proces te mogen afschaffen, dat de vondsten van de crowd toetst aan echte werkstromen. Hier horen ook de eerlijke afspraken thuis: wat de machine zelfstandig mag beslissen, waar een mens tekent en wat menselijk blijft, vastgelegd vóór de opschaling en niet na het eerste incident.

Dan pas adopteren, per werkstroom en niet per tool. We kiezen beslislussen waar de opstopping zichtbaar geld kost, zoals offerte-tot-contract, sollicitant-tot-gesprek of briefing-tot-publicatie, en bouwen de lus van begin tot eind opnieuw op, inclusief de akkoordpoorten, met een lerend systeem in plaats van een statische tool.

De uitkomsten die we meten zijn de uitkomsten die een controller herkent: doorlooptijd, kosten per eenheid, omzet per medewerker. Gebruikscijfers horen daar niet bij. Pilots die alleen bedrijvigheid opleveren gaan eruit, en we rekenen erop dat de derde werkt.

We draaien dit ook op onszelf en publiceren de uitkomsten. Onze eigen contentoperatie doorliep precies deze route: eerst losse tools, daarna een herontworpen pijplijn met menselijke akkoordpoorten, daarna autonome lussen met eerlijke cijfers.

Die cijfers staan openbaar in het pipeline-dossier van deze serie en komen uit onze eigen analytics en niet uit een schatting: 694.527 impressies in een half jaar, een groei van 429 procent, tegen marginale kosten van vrijwel nul, gedraaid door een team waarvan de avonden juist rustiger werden. De tools waren niet bijzonder. Het werk eromheen was opnieuw ingericht, en dat is de hele truc. Hij ligt open voor elke organisatie die het onopvallende middenstuk wil doen.

15

14. Waar wij op letten

Onze positie: de adoptiekloof is echt, het faalverhaal dat erop gebouwd is niet, en de komende twee jaar bepalen wie het verschil elk kwartaal groter maakt. Vier vragen vertellen je het meeste van wat ertoe doet.

De zes procent. Klimt het aandeel high performers van McKinsey tegen 2027 richting de vijftien of twintig procent, dan verspreidt het draaiboek zich en gaat het venster voor makkelijke differentiatie dicht. Blijft het staan waar het staat terwijl het gebruik verzadigt, dan is de organisatorische barrière taaier dan wij hier betogen, en worden de AI-first nieuwkomers uit de Wharton-steekproef de grootste bedreiging.

De verhouding tussen agents en governance. Driekwart van de bedrijven rolt agents uit, een vijfde bestuurt ze. Dat gat produceert incidenten, en het eerste spectaculaire incident zet jarenlang de toon voor de regelgeving en voor de stemming in de boardroom.

Het Europese inhaaltempo. Een sprong van 6,5 punt in een jaar is een echte helling. Nog twee jaar zo, en pessimisme over Europa levert niets meer op.

Je eigen meetlat. Zodra een bedrijf AI meet in EBIT en niet in gebruikscijfers, heeft het het efficiencytheater achter zich gelaten. Dat is deze week na te gaan.

Blijft over het cijfer waar dit dossier mee begon. De 95 procent zat ernaast in de details en had gelijk in de waarschuwing, want de meeste organisaties verdienen er inderdaad nog niet aan. Waar de kop zei dat de technologie faalt, zegt het bewijs dat de organisatie beslist. Wij houden het aandeel high performers in de gaten en rapporteren wat het doet.

16

15. Verantwoording en bronnen

Dit dossier steunt op live webresearch en een persoonlijk archief van ruim 15.000 bronnen. Dragende cijfers zijn waar mogelijk gecontroleerd tegen de primaire rapporten. De notities hieronder geven per claim het vertrouwen en de belangrijkste voorbehouden, in de geest van ons uitgangspunt: laat zien hoe je eraan gekomen bent.

Grafieken met het label "BFF" zijn van ons, getekend naar de bronnen die eronder staan. De grafiek van Exponential View in sectie 10 is met bronvermelding overgenomen in een BFF-kader. De grafieken houden Engelse labels aan, ook in deze Nederlandse editie. Citaten in kaders staan er letterlijk zoals ze in de bron staan, in het Engels.