Ik hoor vaak: “We hebben AI uitgerold, het voelt sneller.” Dat is fijn. Het is geen ROI. Zonder baseline weet je niet wat er écht veranderde: alleen dat er een nieuw abonnement op de creditcard staat.
En dat is precies waarom zoveel MKB-pilots “werken” in de kantine, maar nergens terugkomen in de cijfers.
- Slechts ongeveer 29% van de leiders meet AI-ROI met vertrouwen; productiviteitsgevoel is geen P&L.
- Voorlopig MIT NANDA-onderzoek: bij ~95% van de onderzochte GenAI-organisaties geen meetbaar rendement, vooral door integratie en meting, niet door “het model”.
- In het MKB begint ROI met één baseline vóór de pilot: uren, fouten, doorlooptijd of conversie.
- Tel daarna de volledige kosten mee: API, onderhoud, data-opschoning, exception-handling, niet alleen de kick-offfactuur.
Wat er gebeurde
Het afgelopen jaar zag ik bij MKB-teams hetzelfde patroon. Er komt een Copilot of ChatGPT-licentie. Mensen zijn enthousiast. In de stand-up klinkt het alsof er “uren vrijkomen”. Drie maanden later vraagt de controller: “Wat heeft het opgeleverd?” En dan volgt stilte, of een slide met anekdotes.
Dat is geen pech. Dat is een meetfout. Volgens IBM Think ziet zo’n 79% van de leiders productiviteitswinst, maar zegt slechts ongeveer 29% AI-ROI met vertrouwen te kunnen meten. Gevoel en euros lopen dus uit elkaar.
Het veelbesproken Fortune-artikel over MIT Project NANDA duwt dat nog harder aan: in hun voorlopige steekproef blijft bij ongeveer 95% van de GenAI-initiatieven meetbaar P&L-effect uit. Niet omdat GPT “niet werkt”, maar omdat pilots blijven steken in losse tools, breekbare workflows en geen harde uitkomstmeting.
Als je vooraf niet noteerde hoeveel uren factuurverwerking kostte, kun je achteraf niet beweren dat AI “de helft scheelt”.
Waarom dit relevant is voor het MKB
In een MKB-bedrijf met 15 tot 80 mensen is “we merken het wel” riskant. Je hebt geen AI-lab dat jaren experimenteert. Elke pilot concurreert met een vacature, een marketingcampagne of een nieuwe machine.
Drie dingen gaan in de praktijk mis:
- Geen baseline. Je start de tool en meet pas “tijd bespaard” achteraf, vanuit het hoofd, niet vanuit de stopwatch.
- Te smalle kosten. Alleen de implementatieprijs telt mee. API-kosten, data-opschoning, uitzonderingen en onderhoud verdwijnen uit de businesscase. Dat is precies het TCO-gat waar veel ROI-rekeningen op sneuvelen.
- 100% automatisering als aanname. Realistisch is vaak 60–85% van een geschikt proces. De rest blijft menselijk, en dat hoort in je noemer.
Praktische MKB-rekenvoorbeelden laten zien dat een nette case (uren × belaste kostprijs × realistisch automatiseringspercentage, minus doorlopende kosten) vaak binnen maanden terugverdient, als je die getallen eerst opschrijft. Zie bijvoorbeeld de rekenmethode in DecodifAI’s ROI-gids voor Nederlands MKB.
Dit sluit aan bij wat ik eerder schreef: meer chatten met ChatGPT maakt je bedrijf niet rijker, en een tool kopen voordat je het proces kent is de duurste AI-fout van 2026. ROI zonder baseline is dezelfde denkfout in een financieel jasje. Zelfde les als waarom jouw AI-investering waarschijnlijk niets oplevert.
Wat je nu kunt doen
Geen nieuw dashboard. Wel één A4 vóór je de volgende AI-pilot start.
1. Kies één proces, één KPI
Bijvoorbeeld: uren per maand op factuurinvoer, gemiddelde first-response-tijd op leads, of percentage tickets dat in één keer goed afgehandeld wordt. Niet vijf KPI’s. Eén.
2. Leg de baseline twee weken vast
Meet handmatig of via je huidige systeem. Noteer volume, uren en uitzonderingen. Zonder die foto “voor” is elke “na” een marketingclaim.
3. Reken TCO, niet alleen kick-off
Tel implementatie, interne uren, API, hosting én onderhoud. Als de payback op papier langer dan twaalf maanden is, splits de scope of automatiseer dit proces nog niet.
4. Koppel de meting aan de workflow
ROI komt zelden uit een losse chat. Het komt uit één keten: input → verwerking → actie in je bestaande systemen. Precies daarom helpt AI-modeloptimalisatie (het juiste (vaak goedkopere) model per taak) en managed AI-agents voor het MKB meer dan nog een los abonnement.
En als de use case dicht tegen toezicht of klantimpact aan zit: check ook of je als deployer verplichtingen hebt via de EU AI Act deployer quick scan. Compliance die je later moet inhalen, eet je ROI op.
Wil je weten of jouw volgende AI-pilot überhaupt een businesscase heeft?
We beginnen met proces, baseline en TCO. Pas daarna met tools. Geen hype-slide, wel een rekenbaar A4.