Wie profiteert van jouw AI-implementatie?

Een AI-project begint meestal met tijdwinst: minder handwerk, snellere afhandeling, lagere kosten per taak. Dat zijn geldige doelen. Twee vragen komen alleen zelden op tafel: wat kost het echt, en als deze implementatie werkt, wie profiteert er dan?

Die vragen horen bij elkaar. De partij die de kosten draagt, hoeft niet de partij te zijn die de winst krijgt.

Wat kost een AI-implementatie?

Reken op vier posten: bouwen, hosting, toezicht en onderhoud. De bouw betaal je één keer, de andere drie lopen door zolang het systeem draait. De grootste post is zelden het bouwen. Het duurst is een systeem draaiend houden dat nooit productie had moeten halen.

Drie dingen bepalen de bouwprijs het meest: hoeveel materiaal er echt is, hoeveel uitzonderingen het proces heeft, en met hoeveel systemen het moet praten. Een bureau dat een prijs noemt zonder die drie te hebben gezien, prijst op aannames. De doorlopende kosten hangen vooral af van hoe vaak het systeem wordt gebruikt en wie het bewaakt.

Bij mij begint het met een Scan van ongeveer een week, vanaf €1.995 ex btw. Daarin reken ik per pilot die vier posten door en zeg ik welke pilot het geld niet waard is. Bouwen gebeurt daarna in maximaal vier weken, tegen een vaste prijs die vooraf op papier staat. De opbouw staat op mijn pagina over AI-consultancy.

Waar zitten de verborgen kosten?

Vooral in drie posten die in een offerte vaak ontbreken:

• Een prijs op aannames. Ik heb voorstellen zien uitgaan van minder materiaal en minder uitzonderingen dan er werkelijk waren. Werk dat buiten de scope leek te vallen, kwam tijdens de uitvoering alsnog terug. Daarom bekijk ik eerst het materiaal en noem ik daarna pas een prijs.
• Uurtje-factuurtje. Wie per uur factureert, verdient aan uitloop. Een analyse die vroeger twee dagen kostte, duurt met AI twee uur. Bij een uurtarief heeft een bureau er dus weinig belang bij om sneller te worden.
• De volgende modelversie. Het model dat vandaag werkt, kan binnen een half jaar vervangen zijn. Dan moet iemand opnieuw testen, en die tijd staat zelden in de begroting.

Wie deze posten overslaat, ziet ze later terug als uitval. Gartner verwacht dat ruim 40 procent van de agent-projecten voor eind 2027 wordt gestopt, door oplopende kosten, onduidelijke bedrijfswaarde of gebrekkige risicobeheersing. De lessen achter deze lijst staan uitgewerkt in mijn memo over 35+ implementaties.

Wie profiteert van de productiviteitswinst?

Binnen een functie vooral de minst ervaren medewerkers, in de economie als geheel vooral de grote technologiebedrijven. Een NBER-studie bij een Fortune 500-softwarebedrijf, met ongeveer 5.000 supportmedewerkers, vond gemiddeld 14% productiviteitswinst. Bij de minst ervaren en laagst presterende medewerkers lag het effect rond 35%, bij de top bijna op nul. AI tilt de vloer op.

Op macroniveau landt de winst ergens anders. Amazon, Microsoft en Google hebben samen ongeveer 70% van de Europese cloudmarkt (Synergy Research Group, 2026), dus een groot deel van wat bedrijven aan AI-infrastructuur uitgeven, gaat naar drie Amerikaanse partijen en hun aandeelhouders. De brede middenlaag van kenniswerk draagt intussen het aanpassingsrisico: verwerkers, analisten, junior consultants. De OECD en het WEF noemen toenemende ongelijkheid als een groot AI-risico.

Nederland adopteert snel: 74,4% van het mkb heeft AI in de bedrijfsvoering opgenomen. Hoe de winst binnen die bedrijven wordt verdeeld, meet dat onderzoek niet. De cijfers met bron staan op mijn pagina met AI-statistieken.

Stel de vraag voordat de scope vastligt

Een goede discovery bevat daarom deze vraag: als deze implementatie slaagt, wat gebeurt er met de mensen wier werk verandert?

Ik behandel dat als projectrisico. Een systeem dat mensen sneller maakt maar hun rol uitholt zonder dat iemand het benoemt, krijgt weerstand. Is vooraf duidelijk wie winst krijgt, wie ander werk krijgt en wie eigenaar blijft, dan wordt het systeem eerder gebruikt.

Dat past bij wat ik in projecten steeds zag: adoptie begint bij de probleemanalyse. Wie meedacht over het probleem, gebruikt de oplossing eerder. Een training na oplevering haalt dat niet meer in.

Wat houdt de klant over, en wat de leverancier?

Een AI-systeem dat alleen draait zolang de bouwer in beeld blijft, is lock-in met een projectprijs: de klant betaalt voor snelheid en houdt afhankelijkheid over.

Je herkent zo’n systeem aan wat ontbreekt. Er is geen eigenaar bij de klant, geen evaluatieset, geen runbook en geen overdracht, dus elke wijziging loopt weer via de bouwer. De post onderhoud groeit dan elk jaar, en die winst landt bij de leverancier.

Een betere implementatie maakt de klant zelfstandiger. Mijn overdracht is daarom een vaste lijst van vijf: één naam die eigenaar is, een evaluatieset die op de machine van de klant draait, een runbook van één pagina, een afspraak over wie ingrijpt bij een fout, en een pad voor de volgende modelversie. Die lijst is jonger dan de meeste projecten waar ik uit put. De eerste opdracht waarin alle vijf punten zijn afgevinkt, loopt nog.

Vier vragen voor elke AI-implementatie

Stel per partij die erbij wint of verliest één vraag:

• Medewerkers: wiens werk verandert, en is dat benoemd voordat de scope vastligt?
• Klanten: merken zij de tijdwinst, bijvoorbeeld in snellere afhandeling, of blijft die binnen?
• Aandeelhouders: welk deel van de besparing is gemeten tegen een nulmeting, en welk deel is een gevoel?
• Leverancier: draait het systeem nog als de bouwer vertrekt, en wie past het dan aan?

Met de antwoorden op die vier vragen kies je de scope, bepaal je wat je communiceert en wie je betrekt, en weet je wat je moet overdragen.