Een jaar geleden maakte ik een uitgebreid voorstel voor een ondernemer die een groot deel van zijn bedrijfsvoering wilde automatiseren. Van aanvragen en productconfiguraties tot offertes, facturen en de controle daarop. Het systeem zou hem naar verwachting minimaal één en mogelijk twee voltijdsbanen aan terugkerend administratief werk besparen.

Technisch kon het. Financieel kon het ook uit. De geschatte terugverdientijd was maximaal een jaar. Toch ging het project niet door.

Dat was geen onbegrijpelijke beslissing. De investering was aanzienlijk en de ondernemer onderzocht op dat moment de mogelijke verkoop van zijn bedrijf. Bovendien bestond de oplossing uit zeven verschillende platforms die allemaal met elkaar moesten communiceren. Omdat AI niet altijd voorspelbaar handelt, hadden we controles, vangnetten en extra verificatiestappen nodig. Het systeem mocht immers niet zelfstandig een verkeerde offerte versturen of een onjuiste berekening bij een klant neerleggen.

Onlangs kwam ik dat voorstel toevallig weer tegen. De zakelijke redenering stond nog overeind, maar de technische architectuur voelde alsof ik naar een plan van jaren geleden keek. Wat toen zeven verschillende tools, complexe koppelingen en meerdere controlelagen vereiste, zouden we nu waarschijnlijk met twee platforms kunnen realiseren. Eenvoudiger, stabieler en voor een fractie van het oorspronkelijke bedrag.

Je zou daaruit kunnen concluderen dat de ondernemer destijds verstandig heeft gehandeld. Door een jaar te wachten, kan hij nu voor veel minder geld ongeveer hetzelfde laten bouwen.

Toch is dat maar de helft van het verhaal.

De verkeerde manier om de kosten van AI te berekenen

Bij investeringen in automatisering kijken ondernemers meestal naar twee bedragen: wat kost het systeem en hoeveel arbeidsuren bespaart het? Als de besparing groter is dan de investering en de terugverdientijd acceptabel lijkt, ontstaat er een positieve businesscase.

Maar bij AI ontbreekt in die berekening vaak een derde factor: de waarde van de ervaring die een organisatie tijdens het gebruik opbouwt.

De ondernemer uit mijn voorbeeld heeft mogelijk geld bespaard door het project uit te stellen. Tegelijk heeft zijn organisatie een jaar lang niets geleerd over het automatiseren van offertes, het structureren van data, het opvangen van uitzonderingen en het verdelen van verantwoordelijkheden tussen mens en systeem. Ook bleef al het bestaande handwerk gewoon doorgaan.

Niemand heeft bijgehouden hoeveel tijd er in dat jaar verloren ging aan het overtypen van informatie, het corrigeren van fouten, het controleren van facturen of het najagen van ontbrekende gegevens. Evenmin weten we hoeveel aanvragen sneller hadden kunnen worden beantwoord of hoeveel klanten beter hadden kunnen worden opgevolgd.

Daar zit het werkelijke dilemma. Wie wacht, krijgt later vrijwel zeker toegang tot betere en goedkopere technologie. Maar de uren, fouten en gemiste leermomenten uit het tussenliggende jaar komen niet meer terug.

Een technologische achterstand kun je kopen

De meeste AI-technologie is niet exclusief. Als een concurrent vandaag een beter taalmodel, automatiseringsplatform of AI-agent gebruikt, kun jij morgen in veel gevallen toegang krijgen tot dezelfde technologie. Misschien zelfs goedkoper.

Wat je niet kunt kopen, is het jaar waarin die concurrent heeft geleerd hoe de technologie binnen zijn eigen bedrijf moet functioneren.

Hij heeft dan al ontdekt welke informatie ontbreekt, waar medewerkers weerstand ervaren, welke uitzonderingen het proces verstoren en bij welke beslissingen menselijke controle noodzakelijk blijft. Zijn mensen hebben geleerd hoe ze met het systeem moeten werken. Klanten zijn gewend geraakt aan snellere reacties. De organisatie heeft fouten gemaakt, bijgestuurd en opnieuw geprobeerd.

Een concurrent die pas een jaar later begint, koopt misschien dezelfde software, maar begint organisatorisch alsnog op nul.

De belangrijkste voorsprong zit daarom niet in de tool, maar in de opgebouwde kennis over de eigen bedrijfsvoering. Welke handelingen voegen werkelijk waarde toe? Welke controles bestaan alleen omdat het proces slecht is ingericht? Welke informatie wordt op drie plaatsen opgeslagen? En welke medewerker bewaart cruciale kennis uitsluitend in zijn hoofd?

AI legt dergelijke zwaktes genadeloos bloot. Dat is soms ongemakkelijk, maar het is ook precies waar de waarde ontstaat.

Druk zijn is niet hetzelfde als waarde creëren

Neem een makelaarskantoor dat ik ken. De eigenaar en zijn vier medewerkers zijn voortdurend druk. Foto’s worden geüpload, objectgegevens worden op verschillende plaatsen ingevoerd en documenten worden op een server opgezocht. Facturen worden handmatig aangemaakt en verstuurd. Als betaling uitblijft, moet iemand eraan denken om de klant na te bellen. Voor een kwartaalrapportage worden eerst gegevens verzameld en vervolgens opnieuw in Excel ingevoerd.

Van buitenaf lijkt dat op een bedrijf waarin iedereen hard nodig is. Dat zijn de medewerkers waarschijnlijk ook, maar niet noodzakelijk voor alles waaraan zij hun tijd besteden.

Een makelaar voegt waarde toe door de markt te begrijpen, verwachtingen te begeleiden, verkopers te adviseren, kopers goed te informeren en tijdens een spannend proces vertrouwen te bieden. Het handmatig kopiëren van een adres naar verschillende systemen voegt nauwelijks waarde toe. Datzelfde geldt voor het zoeken naar een standaarddocument of het controleren of een factuur al betaald is.

Het probleem zit niet bij de medewerkers. Zij voeren het proces uit zoals het in de loop der jaren is ontstaan. Iedere extra controle, spreadsheet of map had ooit waarschijnlijk een reden. Opgeteld vormen al die oplossingen echter een bedrijfsvoering waarin veel tijd verdwijnt zonder dat iemand bewust heeft besloten dat het zo moet.

Hier simpelweg “AI overheen leggen” zou een fout zijn. Dan automatiseer je niet alleen het werk, maar ook de rommel.

Begin niet met AI, begin met één proces

Wanneer ik dit makelaarskantoor zou helpen, zou ik niet beginnen met de vraag welke AI-oplossing het moet aanschaffen. Ik zou eerst één concrete werkstroom kiezen, bijvoorbeeld het traject vanaf een ondertekende verkoopopdracht tot het moment waarop een woning gereed is voor publicatie.

Vervolgens zouden we precies volgen wat er gebeurt. Welke informatie komt binnen? Waar wordt die opgeslagen? Wie controleert haar? Welke gegevens worden opnieuw ingevoerd? Waar blijft het proces liggen? Welke uitzonderingen komen regelmatig voor en welke fouten moeten later worden hersteld?

Pas wanneer dat duidelijk is, kun je bepalen welk deel door gewone automatisering kan worden uitgevoerd en waar AI werkelijk iets toevoegt. Een vast bedrag uit een database overnemen vraagt geen intelligent systeem. Een grote hoeveelheid aangeleverde documenten lezen, ontbrekende informatie signaleren en een eerste objectbeschrijving opstellen, kan juist een geschikte toepassing van AI zijn.

De mens blijft verantwoordelijk voor de publicatie, de juridische juistheid, de waardering en het contact met de klant. AI ondersteunt de voorbereiding en verwerkt terugkerende informatie. Zo ontstaat geen autonoom systeem dat het hele bedrijf bestuurt, maar een beheersbare samenwerking tussen menselijke beoordeling en technische uitvoering.

Dit onderscheid is belangrijk. Voorspelbare stappen met vaste regels kun je doorgaans het beste traditioneel automatiseren. AI wordt vooral interessant wanneer informatie ongestructureerd is of interpretatie vereist. ManagementSite beschreef dat onderscheid onlangs ook in een artikel over AI-agents en traditionele software.

Automatiseer eerst de irritatie, niet het hele bedrijf

Een van de fouten in mijn oorspronkelijke voorstel was achteraf bezien dat we meteen een complete architectuur ontwierpen. De oplossing was inhoudelijk goed en financieel verdedigbaar, maar ook groot. Daardoor werd de beslissing voor de ondernemer bijna automatisch een keuze tussen alles of niets.

Als ik hetzelfde voorstel nu opnieuw zou maken, zou ik kleiner beginnen. Niet omdat de ambitie minder groot hoeft te zijn, maar omdat een organisatie sneller leert van een werkend onderdeel dan van een omvangrijk toekomstplan.

Bij het makelaarskantoor zou een eerste proef bijvoorbeeld alleen betrekking kunnen hebben op de intake van een nieuw object. Binnenkomende gegevens en documenten worden centraal verzameld. Het systeem herkent wat is aangeleverd, signaleert wat ontbreekt en maakt een eerste dossierindeling. Een medewerker controleert de uitkomst voordat iets verdergaat.

Vooraf meten we hoeveel tijd deze intake gemiddeld kost, hoe vaak informatie ontbreekt en hoeveel correcties later nodig zijn. Na enkele weken vergelijken we de resultaten. Wordt de doorlooptijd korter? Ontstaan er minder fouten? Hoeveel menselijke controle blijft noodzakelijk? En gebruiken medewerkers de vrijgekomen tijd werkelijk voor klanten en verkoop?

Als het proces aantoonbaar verbetert, kan de volgende stap worden toegevoegd. Als het tegenvalt, is de schade beperkt en weten we waarom. Ook een mislukte proef kan waardevol zijn, mits de organisatie er concreet van leert.

De opbrengst zit niet vanzelf in minder mensen

Automatisering wordt al snel vertaald naar personeelsbesparing. Als een systeem veertig uur werk overneemt, zou er blijkbaar iemand minder nodig zijn. Die redenering is begrijpelijk, maar te beperkt.

De vraag is wat er met de vrijgekomen tijd gebeurt.

Wanneer een makelaar minder administratie hoeft te verwerken, kan hij sneller reageren op nieuwe aanvragen, meer bezichtigingen begeleiden, klanten beter informeren en actiever nieuwe opdrachten verwerven. Dan ontstaat de opbrengst niet alleen door lagere kosten, maar ook door betere dienstverlening en extra omzet.

Als de bespaarde uren verdwijnen in nog meer interne drukte, levert automatisering weinig op. De invoering van AI vereist daarom ook een managementbeslissing over de menselijke capaciteit die beschikbaar komt. Welk werk krijgt voortaan meer aandacht? Wat gaan medewerkers doen dat eerder bleef liggen? Hoe merkt de klant dat de organisatie slimmer is gaan werken?

AI verbetert een onderneming niet vanzelf. Het creëert ruimte. Het management bepaalt of die ruimte wordt omgezet in kostenbesparing, groei, kwaliteit of simpelweg meer adem binnen de organisatie.

Wachten is soms verstandig

Niet ieder proces moet vandaag worden geautomatiseerd. Als de data onbetrouwbaar is, verantwoordelijkheden onduidelijk zijn of fouten grote juridische en financiële gevolgen kunnen hebben, is terughoudendheid verstandig. Ook privacy, informatiebeveiliging en de afhankelijkheid van leveranciers verdienen serieuze aandacht.

Het is eveneens onverstandig om achter iedere nieuwe AI-tool aan te rennen. Veel toepassingen zullen verdwijnen, worden overgenomen of binnen korte tijd achterhaald raken. Een onderneming die haar hele werkwijze aan één jonge leverancier ophangt, kan zichzelf juist kwetsbaarder maken.

Maar er is een groot verschil tussen bewust wachten met een omvangrijke investering en helemaal niets doen.

De ondernemer uit mijn eerste voorbeeld hoefde destijds niet noodzakelijk het volledige systeem te laten bouwen. Hij had wel met één klein en meetbaar deel kunnen beginnen. Dan had hij nu niet alleen toegang gehad tot goedkopere technologie, maar ook tot een jaar eigen ervaring.

Dat is achteraf de belangrijkste les uit die offerte. Het plan was misschien te groot voor het moment, maar de keuze werd daardoor onnodig binair. Beginnen betekende een forse investering. Niet beginnen betekende dat alles bleef zoals het was. Er zat geen gecontroleerde leerroute tussen.

De echte voorsprong ontstaat vóór de techniek volwassen is

Ondernemers hoeven niet te voorspellen welke AI-platforms over drie jaar de markt domineren. Ze hoeven evenmin vandaag hun volledige bedrijfsvoering opnieuw te ontwerpen. Ze moeten wel leren herkennen waar herhaling, vertraging, fouten en frustratie zich opstapelen.

Kies één proces dat vaak voorkomt, voldoende tijd kost en waarvan een fout nog kan worden onderschept. Breng eerst de huidige werkwijze in kaart. Meet wat die kost. Automatiseer daarna een beperkt deel, houd een mens verantwoordelijk voor de uitkomst en beoordeel wat er werkelijk verbetert.

Zo bouw je geen kostbaar technologisch monument dat bij oplevering alweer verouderd is. Je bouwt het vermogen om mee te veranderen.

Over een jaar is AI vrijwel zeker beter en goedkoper dan vandaag. Dat is geen reden om een jaar te wachten. Het is een reden om ervoor te zorgen dat je organisatie tegen die tijd weet wat zij ermee moet doen.

De technologieachterstand kun je later misschien in één aankoop inhalen.

De leerachterstand niet.