Het verschil tussen vrijgekomen capaciteit, betere dienstverlening en uitgaven die daadwerkelijk kunnen verdwijnen.<\/em><\/p>\n Een financieel directeur krijgt een businesscase voor kunstmatige intelligentie (AI) met een aantrekkelijke berekening: bespaarde minuten, vermenigvuldigd met het aantal transacties en een uurtarief.<\/p>\n De operationeel directeur herkent de verbetering. Mensen kunnen een deel van hun werk sneller afronden. Toch blijven de personeelskosten gelijk, hebben klanten ondersteuning nodig en brengt het nieuwe systeem eigen kosten met zich mee.<\/p>\n Beide observaties kunnen kloppen. De taak is verbeterd. De geclaimde financi\u00eble besparing is nog niet aangetoond.<\/p>\n In mijn vorige editie van Artificial Mind Insights onderzocht ik wie verantwoordelijk is voor het werkproces na een succesvolle pilot. Deze editie gaat over de volgende beslissing: op welke waarde kan die eigenaar zich geloofwaardig vastleggen?<\/p>\n Vrijgekomen capaciteit geeft mensen tijd die zij mogelijk anders kunnen inzetten. Een beter dienstverleningsresultaat betekent dat er iets voor de ontvanger van het werk is verbeterd. Een financi\u00eble besparing vraagt om aantoonbaar lagere uitgaven ten opzichte van een geloofwaardige vergelijking.<\/p>\n Deze voordelen kunnen elkaar overlappen, maar mogen niet automatisch worden opgeteld. Hetzelfde uur kan niet tegelijkertijd uit de betaalde personeelsinzet verdwijnen \u00e9n beschikbaar blijven om meer werk te leveren.<\/p>\n Ook hoeft niet iedere verbetering als kostenreductie te worden gepresenteerd. Meer tijd voor complexe klantvragen, betrouwbaardere beslissingen of minder structurele overbelasting kunnen waardevolle doelstellingen zijn. Voor iedere doelstelling is passend bewijs nodig.<\/p>\n De managementkeuze is om eerlijk te benoemen welke opbrengst wordt nagestreefd en vervolgens vast te stellen hoe die daadwerkelijk ontstaat.<\/p>\n Gedocumenteerd openbaar onderzoek.<\/strong> TNO beschreef in juni 2026 onderzoek bij vier organisaties waarin tijdwinst wordt onderscheiden van een hogere productiviteit of omzet. Wat er met de vrijgekomen tijd gebeurt, is belangrijk. De bevindingen laten ook zien dat gewijzigde taken invloed kunnen hebben op de werkdruk en de kwaliteit van het werk. Vier casussen bieden nuttige voorbeelden, maar geen representatieve schatting voor iedere organisatie. [1]<\/p>\n Er bestaat geloofwaardig bewijs voor positieve operationele effecten. Brynjolfsson, Li en Raymond onderzochten in een studie, gepubliceerd in mei 2025 in The Quarterly Journal of Economics<\/em>, de invoering van een AI-assistent bij 5.172 klantenservicemedewerkers. Zij rapporteerden gemiddeld 15% meer afgehandelde vraagstukken per uur, met aanzienlijke verschillen tussen medewerkers. Dat is bewijs voor een bepaalde operationele maatstaf in een specifieke context, niet voor een overdraagbare belofte van 15% lagere budgetkosten. [2]<\/p>\n Bewijs moet bovendien actueel blijven. In februari 2026 legde METR uit dat selectie-effecten het vervolgonderzoek naar ontwikkelaarsproductiviteit bemoeilijkten. De eerdere bevinding dat ontwikkelaars met hulpmiddelen uit begin 2025 langzamer klaar waren, mag niet worden gepresenteerd als een algemeen oordeel over de huidige AI-tools. Het vervolg leverde evenmin een zuiver, universeel toepasbaar vervangend percentage op. [3]<\/p>\n Mijn conclusie is praktisch: gebruik extern onderzoek om te bepalen wat je moet onderzoeken, maar baseer je toezegging op het werk en de kosten die je daadwerkelijk in je eigen organisatie kunt waarnemen.<\/p>\n Rekenvoorbeeld. Alle bedragen en aantallen hieronder zijn verzonnen aannames, geen klantresultaat of prognose.<\/strong><\/p>\n Een serviceteam behandelt iedere maand 1.000 vergelijkbare verzoeken. Stel dat het bestaande proces twaalf minuten menselijk werk per verzoek vraagt. Dat is 200 uur.<\/p>\n Voordat AI wordt ingezet, verbetert het team het intakeformulier en verwijdert het onnodig dubbel invoerwerk. Stel dat de volledige afhandeltijd daardoor tien minuten wordt. Dan bedraagt de maandelijkse personeelsinspanning ongeveer 167 uur.<\/p>\n Van een AI-ondersteunde variant wordt verwacht dat die de tijd terugbrengt naar acht minuten, inclusief menselijke controle en gebruikelijk correctiewerk. Neem aan dat slechts 60% van de verzoeken geschikt is en daadwerkelijk op die manier wordt verwerkt. De overige 40% blijft tien minuten kosten.<\/p>\n Dat betekent 600 verzoeken van acht minuten en 400 van tien minuten: ongeveer 147 uur. Ten opzichte van het verbeterde proces zonder AI levert dat 20 uur per maand<\/strong> extra tijdwinst op. De totale daling ten opzichte van de oorspronkelijke situatie bedraagt ongeveer 53 uur. Alle 53 uur aan AI toeschrijven zou de bijdrage ervan overschatten.<\/p>\n Bij een verondersteld integraal arbeidskostentarief van \u20ac 50 per uur vertegenwoordigen die 20 uur \u20ac 1.000 aan capaciteitswaarde. Dat betekent niet automatisch dat \u20ac 1.000 van het budget kan worden afgehaald.<\/p>\n Als salarissen en personeelsbezetting gelijk blijven, is de directe besparing op loonkosten in dit voorbeeld nul. Het team kan nog steeds waarde cre\u00ebren door de dienstverlening te verbeteren of extra vraag op te vangen, maar moet aantonen wat er met die capaciteit gebeurt.<\/p>\n Stel dat het team daadwerkelijk 20 uur betaalde externe ondersteuning van \u20ac 50 per uur kan vermijden, zonder kwaliteitsverlies of werk naar elders te verschuiven. Dan wordt \u20ac 1.000 aan uitgaven voorkomen. Bij veronderstelde extra operationele AI-kosten van \u20ac 600 per maand bedraagt het doorlopende nettovoordeel \u20ac 400, v\u00f3\u00f3r eenmalige implementatie- en transitiekosten. Ook die kosten en de duur van het voordeel tellen mee.<\/p>\n De operationeel verantwoordelijke neemt het besluit over de dienstverlening. Medewerkers helpen vast te stellen of het werk beheersbaar blijft. Finance verifieert of de uitgaven echt verdwijnen. Het technologieteam levert de volledige extra kosten van het exploiteren van de oplossing.<\/p>\n De berekening is slechts zo betrouwbaar als de aannames waarop zij berust.<\/p>\n Als maar 30% van de verzoeken met AI wordt verwerkt, komt bij dezelfde verbetering van twee minuten slechts tien uur vrij. Zelfs als ieder uur daadwerkelijk \u20ac 50 aan externe kosten voorkomt, blijft het voordeel van \u20ac 500 onder de veronderstelde operationele kosten van \u20ac 600 per maand, nog zonder implementatiekosten.<\/p>\n Als controle en correcties de AI-ondersteunde afhandeltijd weer op tien minuten brengen, verdwijnt het extra tijdsvoordeel. De toepassing kan de kwaliteit nog steeds verbeteren, maar dat is een ander type voordeel dat ander bewijs vraagt.<\/p>\n Ook complexiteit van verzoeken, het werkaanbod, ervaring van medewerkers en andere veranderingen kunnen een schijnbare verbetering verklaren. Een uitzonderlijk drukke maand vergelijken met een rustigere maand is onvoldoende om het AI-effect te isoleren.<\/p>\n Vergelijk in een echte dienst voldoende gelijksoortig werk en neem de tijd voor foutcorrectie, uitzonderingen en ondersteuning van de toepassing mee. Registreer of klanten terugkomen met niet-opgeloste problemen. Houd gevoelige gegevens binnen goedgekeurde systemen en behoud menselijke bevoegdheid bij ingrijpende antwoorden en uitzonderingen.<\/p>\n Doe geen toezeggingen over personeelsreductie op basis van een kort pilotgemiddelde zolang kwaliteit, vraagontwikkeling en blijvende adoptie onzeker zijn.<\/p>\n Kies \u00e9\u00e9n materieel voordeel dat al in een AI-voorstel wordt geclaimd. Vraag de verantwoordelijke om de gemeten uitgangssituatie, de realistische verbetering zonder AI en het bewijs voor de aanvullende bijdrage van AI.<\/p>\n Stel vervolgens \u00e9\u00e9n financi\u00eble vraag: welke uitgave verandert er daadwerkelijk?<\/strong><\/p>\n Als het antwoord ‘geen’ is, kan het voorstel nog steeds de moeite waard zijn. Benoem dan het beoogde effect op dienstverlening, capaciteit of medewerkers en beoordeel het voorstel op die basis. Is er wel een vermijdbare kostenpost, toets dan het mechanisme en tel de kosten mee die nodig zijn om het voordeel vol te houden.<\/p>\n De relevante beslissing is of je investeert, bijstuurt of stopt, op basis van een voordeel dat de organisatie kan uitleggen en verifi\u00ebren.<\/p>\n Als een volgende investeringsbeslissing op tijdwinst berust, bespreek ik graag een gerichte beoordeling van de businesscase, het betrokken werk en het bewijs dat nog ontbreekt. Een eventueel assessment krijgt een vooraf overeengekomen scope en oplevering.<\/p>\n Milo Izzinosa \u2014 Founder & AI Transformation Lead, Artificial Mind Solutions; Founder & Enterprise Transformation & Execution Lead, eXcelleRes.<\/em><\/p>\n 1. TNO, 10 juni 2026 \u2014 AI biedt veel kansen voor productiviteitswinst, maar gevolgen voor werknemers vragen om aandacht<\/a>. Vier organisatiecasussen en literatuur; contextafhankelijk bewijs, geen algemene besparingsnorm. De bronnen zijn op 15 oktober 2026 gecontroleerd. Het rekenvoorbeeld is hypothetisch en staat los van deze studies. Het laat het onderscheid tussen verschillende opbrengsten zien; het is geen rendementsprognose, boekhoudkundig oordeel of bewijs van gerealiseerde klantresultaten.<\/p>\n Oorspronkelijk gepubliceerd op LinkedIn op 15 oktober 2026 als onderdeel van Artificial Mind Insights.<\/em> Lees het oorspronkelijke LinkedIn-artikel<\/a>.<\/p>\n Bekijk AI ValueForge<\/a> of neem contact op<\/a> voor een gerichte beoordeling van de businesswaarde.<\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":" AI time savings are not necessarily budget savings. A practical distinction between capacity, better service and expenditure that genuinely disappears.<\/p>","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[],"class_list":["post-1585","post","type-post","status-publish","format-standard","hentry","category-artificial-mind-solutions"],"_links":{"self":[{"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/posts\/1585","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/comments?post=1585"}],"version-history":[{"count":4,"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/posts\/1585\/revisions"}],"predecessor-version":[{"id":1603,"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/posts\/1585\/revisions\/1603"}],"wp:attachment":[{"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/media?parent=1585"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/categories?post=1585"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/artificialmindsolutions.com\/nl\/wp-json\/wp\/v2\/tags?post=1585"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Benoem de opbrengst voordat je er een bedrag aan koppelt<\/h2>\n
Wat het onderzoek wel en niet onderbouwt<\/h2>\n
Een fictief gesprek over het budget<\/h2>\n
Houd rekening met een tegenvallende uitkomst<\/h2>\n
Neem \u00e9\u00e9n claim mee naar het volgende overleg<\/h2>\n
Bronnen en beperkingen<\/h2>\n
\n2. Brynjolfsson, Li en Raymond \u2014 Generative AI at Work, The Quarterly Journal of Economics, mei 2025<\/a>. Onderzoek naar gefaseerde introductie van AI-ondersteuning; operationele productiviteit is niet gelijk aan financi\u00eble besparing.
\n3. METR, 24 februari 2026 \u2014 We are Changing our Developer Productivity Experiment Design<\/a>. Update uit primair onderzoek over beperkingen door selectie en meting.<\/p>\n
\n