
Wat levert al die AI ons eigenlijk op? Die vraag hoort niet langer alleen bij de IT-afdeling, maar ook aan de bestuurstafel. De eerste fase van AI-adoptie heeft al terrein gewonnen: inmiddels gebruikt 43 procent van de Nederlanders AI in het dagelijkse werk (CBS). In die fase draaide het om kennismaken met de AI-technologie en het opbouwen van AI-vaardigheden bij medewerkers. Het gros van de Nederlandse organisaties is daarmee klaar voor een volgende stap, waarin ’tokenmaxxing’ plaatsmaakt voor ‘valuemaxxing’.
Veel organisaties hebben tot nu toe vooral op tokenmaxxing ingezet. Daarbij stem je prompts en interacties met een taalmodel zo slim mogelijk af, zodat je het beschikbare tokenbudget optimaal benut. Maar dat geeft geen antwoord meer op de vraag die nu telt. Het gaat er niet langer om hoeveel AI je organisatie gebruikt, maar om hoeveel waarde elke geïnvesteerde euro oplevert. Die overstap maak je geleidelijk, niet in één keer. Wil je op bedrijfsniveau rendement zien, dan betekent dat werkprocessen opnieuw ontwerpen en AI-agents inzetten precies daar waar de zakelijke beslissingen vallen.
Of een AI-agent goed functioneert, wordt bepaald door twee factoren: de kwaliteit van de data waarmee hij werkt en de helderheid van de regels die bepalen wat hij mag doen. Zijn de gegevens gebrekkig of de kaders vaag, dan neemt de agent verkeerde beslissingen, ongeacht hoe geavanceerd het onderliggende model is. Dat blijkt ook uit onderzoek van Accenture: organisaties waar de data gereed is voor geavanceerde AI-infrastructuur, boeken een EBIT-voordeel van 4,5 procent vergeleken met hun sectorgenoten.
Goede data en duidelijke kaders komen er echter niet vanzelf. Daarvoor moet een organisatie haar AI-infrastructuur onder controle hebben. Dat betekent weten hoe AI wordt ingezet, wat dat kost, hoe het wordt aangestuurd en wie tot welke onderdelen toegang heeft. In de eerste fase draaide het vooral om de vraag hoe AI-tools medewerkers productiever maken. In fase twee is het een kwestie voor het voltallige bestuur. Met één centraal overzicht breng je in beeld hoe AI-modellen en agents worden gebruikt, wat ze kosten, hoe ze worden bestuurd en welke waarborgen er gelden. Die inzichten, gecombineerd met centrale regie over alle AI-tools en agents in je organisatie, openen de weg naar ‘valuemaxxing’: het punt waarop AI-agents echt rendement gaan opleveren.
Valuemaxxing draait op AI-agents
Dat vraagt om een weloverwogen selectie van AI-agents. Start bij de processen waar de meeste efficiëntiewinst te behalen valt. In finance gaat het dan bijvoorbeeld om geautomatiseerde aansluitingen, prognoses en facturatie. In de supply chain liggen de kansen bij vraagplanning en voorraadbeheer. Binnen compliance gaat het om transactiemonitoring en het signaleren van risico’s.
Valuemaxxing in drie stappen:
1. Pak de bedrijfsdoelstellingen in plaats van het model als vertrekpunt. Breng in kaart waar AI tot meetbare resultaten leidt, bijvoorbeeld bij verkoopprognoses, sturing of kortere doorlooptijden. Spreek vooraf af hoe je succes meet en maak een team verantwoordelijk. Het eigenaarschap hoort bij de business, niet de IT-afdeling.
2. Bepaal tot welke data AI-agents toegang krijgen. Modellen kunnen niet zonder actuele bedrijfsgegevens, maar beheerrechten, kwaliteit en herkomst blijven in handen van de organisatie.
3. Zet per taak het passende model in. Het zwaarste model is niet per definitie het doeltreffendste. Kleinere modellen handelen routinewerk sneller en voordeliger af, zodat de krachtigste modellen beschikbaar blijven voor taken die echt om die capaciteit vragen. Het gaat om waarde, niet om rekenkracht.
Nederland heeft al eerder een grote digitale sprong gemaakt. Dankzij de pc-privéregeling ontstond in de jaren negentig een grote groep digitaal vaardige gebruikers. Zij vormden het fundament onder onze sterk gedigitaliseerde samenleving en onze succesvolle techsector. Met AI ligt er nu opnieuw zo’n brede basis. De volgende opgave is om er ook echt waarde uit te halen.
Kevin Jonkergouw, RVP Benelux bij Databricks










