Bespaarde tijd is geen ROI

Vorige maand liet iemand me een businesscase zien: 30 minuten tijdwinst per medewerker per dag met Copilot. Indrukwekkend, op papier. Ik vroeg waar die 30 minuten op de begroting terugkwamen. Het bleef stil.

Dat is geen flauwe vraag. Dat is de enige vraag die telt.

Want tijdwinst voelt als rendement, maar het is het niet automatisch. Als een medewerker dertig minuten per dag bespaart en daarna dertig minuten iets anders doet, is er niets veranderd aan je kosten of je omzet. De tijd is verschoven, niet verzilverd. En toch staat die dertig minuten, vermenigvuldigd met het aantal medewerkers en een uurtarief, in vrijwel elke AI-ROI-berekening als harde besparing. Zo ontstaat een rendement dat nergens in de boeken terugkomt.

Het cijfer dat elke bestuurder zou moeten kennen

Als één cijfer laat zien hoe groot dit probleem is, is het dit. Uit onderzoek van het MIT NANDA-initiatief (opent in nieuw venster), getiteld The GenAI Divide, blijkt dat ongeveer 95% van de organisaties geen meetbaar resultaat haalt uit hun generatieve AI-pilots. Slechts ongeveer 5% bereikt een snelle omzetversnelling. De rest blijft steken met weinig tot geen aantoonbaar effect op de winst-en-verliesrekening.

Let op de formulering: geen meetbaar effect op de winst-en-verliesrekening. Dat betekent niet dat die 95% niets deed. Ze bouwden, ze testten, ze rolden uit. Wat ontbrak, was rendement dat je in de cijfers terugziet. En een groot deel van die kloof komt door hoe er gemeten wordt. Wie tijdwinst als besparing opvoert, meet een effect dat er in de boeken nooit was.

McKinsey vond iets vergelijkbaars. In hun State of AI 2025 (opent in nieuw venster) gebruikt 88% van de organisaties AI in minstens één functie, maar rapporteert slechts 39% enig effect op de EBIT, en bij de meesten van hen is dat minder dan 5%. Brede adoptie, smal rendement. Dat gat is het onderwerp van deze post.

Ik zet de drie cijfers naast elkaar.

Waarom tijdwinst zo verleidelijk is

Tijdwinst is populair als maatstaf omdat hij makkelijk te meten lijkt en altijd positief uitpakt. Je vraagt mensen hoeveel sneller ze iets doen, je vermenigvuldigt, en je hebt een indrukwekkend getal. Niemand hoeft een moeilijke keuze te maken.

Precies daar zit het probleem. Rendement dat geen enkele moeilijke keuze vereist, is meestal geen rendement. Bespaarde tijd wordt pas geld op twee manieren. Of je zet hem om in lagere kosten, wat betekent dat er ergens minder wordt ingehuurd, minder overgewerkt, of een taak niet meer wordt gedaan. Of je zet hem om in meer output tegen dezelfde kosten, wat betekent dat dezelfde mensen meer werk verzetten dat ook echt waarde heeft. Beide vragen een beslissing. Zolang die beslissing niet genomen is, is de tijdwinst een gevoel, geen resultaat.

Dit klinkt hard, en zo bedoel ik het niet. Tijdwinst is echt, en prettig, en soms genoeg reden om een tool te gebruiken. Maar noem het dan geen ROI. Noem het gemak, of werkplezier, of kwaliteit. ROI is een specifiek ding: euro's eruit tegen euro's erin.

Er is nog een subtielere val. Zelfs als tijdwinst wél in geld wordt omgezet, gebeurt dat zelden bij de eerste medewerker die vijf minuten bespaart. Het gebeurt op teamniveau, als genoeg kleine besparingen samen betekenen dat een taak anders wordt georganiseerd. Vijf minuten per persoon is ruis. Vijf minuten per persoon keer een heel team, waarbij je vervolgens het werk herindeelt, kan echt iets betekenen. Het verschil zit in of iemand die herindeling ook daadwerkelijk doorvoert. Zonder die stap blijft de besparing versnipperd over losse mensen die er niets mee doen, en versnipperde tijd is geen geld.

Hoe je de ROI van AI berekent: de formule is simpel, het eerlijk invullen niet

De ROI van AI is het bedrag dat je over een afgebakende periode méér overhoudt, gedeeld door wat de toepassing je in totaal kostte. Tijdwinst telt daarin alleen mee als iemand die tijd omzet in lagere kosten of in meer output tegen dezelfde kosten. Zolang jij die beslissing niet neemt, staat er niets in je boeken.

De ROI-berekening voor AI is zelf geen hogere wiskunde.

ROI = (baten in euro's min de volledige kosten in euro's), gedeeld door die volledige kosten.

De moeilijkheid zit niet in de formule. Hij zit in het eerlijk invullen van beide kanten. Aan de batenkant tel je alleen wat je in de boeken terugziet. Aan de kostenkant tel je alles, inclusief de verborgen posten. Ik schreef eerder over de volledige kostenkant, de total cost of ownership van AI, want als je alleen de tokenkosten meerekent, vergelijk je een halve kostenkant met een hele batenkant en valt elke businesscase te rooskleurig uit.

Er is nog een voorwaarde die vaak wordt overgeslagen bij het meten van AI-ROI: meet vooraf. Zonder nulmeting weet je achteraf niet of het effect er was, en dan geloof je het gewoon, want geloven is makkelijker dan meten. Kies dus een periode, leg de uitgangssituatie vast, en vergelijk daarmee. Anders is je ROI een verhaal, geen getal.

Wat de 5% die het wél lukt anders doet

Als 95% geen rendement haalt, wordt de vraag interessant wat de 5% anders doet. Uit hetzelfde MIT-onderzoek komen drie patronen, en geen ervan gaat over betere modellen.

1. Ten eerste: ze kopen vaker dan ze bouwen. Organisaties die een gerichte oplossing inkochten bij een specialist waren ongeveer twee keer zo vaak succesvol als organisaties die zelf een tool probeerden te bouwen. Zelf bouwen voelt goedkoper en klinkt slimmer, en het is de minst betrouwbare route gebleken.
2. Ten tweede: ze mikken op de back office, niet op de etalage. Het rendement zat in repetitieve, gestructureerde processen, niet in de zichtbare klantgerichte toepassingen waar de meeste budgetten heen gingen. Saai wint van sexy.
3. Ten derde, en dit komt uit de McKinsey-data: de kleine groep die echt opschaalt, herontwerpt werkprocessen in plaats van AI als een laagje boven het bestaande werk te leggen. Ze veranderen het werk, niet alleen het gereedschap. En daarmee ontstaat het effect dat je wél in de boeken terugziet, want een herontworpen proces heeft echt minder handen nodig of levert echt meer op.

"Maar niet alles is in euro's te vangen"

Op dit punt komt vaak een tegenwerping, en het is een goede. Niet alle waarde van AI is in euro's uit te drukken. Betere kwaliteit, minder saai werk, sneller kunnen reageren op een klant: dat telt, en het staat niet netjes op een regel in de begroting. Ben ik die waarde dan aan het wegdefiniëren?

Nee. Ik ben aan het zeggen dat je hem een andere naam moet geven. Er is rendement dat je in de boeken terugziet, en er is waarde die je op andere manieren merkt. Beide zijn echt. Maar ze verdienen een aparte behandeling, want ze leiden tot andere beslissingen.

Als een toepassing hard rendement oplevert, kun je hem verdedigen met een getal, en kun je erin blijven investeren op basis van dat getal. Als een toepassing vooral zachte waarde oplevert, moet je een oordeel vellen: is dit werkplezier of die snellere reactie het geld waard? Dat is een prima beslissing, mits je hem bewust neemt. Het misgaat pas als je zachte waarde verkleedt als hard rendement, want dan neem je een oordeelskwestie en doet alsof het een rekensom is. Dan claim je zekerheid die je niet hebt, en op een dag vraagt iemand waar die zekerheid in de cijfers staat. En dan blijft het stil, net als in mijn openingsanekdote.

AI-ROI eerlijk meten in vier vragen

Als iemand mij een AI-businesscase voorlegt, stel ik vier vragen. Ze zijn simpel en ze halen de meeste luchtbellen eruit.

1. De eerste: waar komt de baat terug in de cijfers? Niet in tijd, in euro's, op een regel die iemand kan aanwijzen.
2. De tweede: welke beslissing hoort bij die baat? Als de besparing "minder inhuur" is, wie besluit dan om minder in te huren? Zonder die beslissing is de baat theoretisch.
3. De derde: tel je de volledige kosten? Inclusief toezicht, integratie en herstel, niet alleen de factuur. Dat lukt alleen als je weet wat je überhaupt uitgeeft.
4. De vierde: heb je een nulmeting? Zodat je over drie maanden kunt bewijzen wat je nu belooft.

Vier vragen. Als een AI-businesscase ze alle vier overleeft, heb je waarschijnlijk echt rendement. Als hij bij vraag één al struikelt, heb je een gevoel, en gevoelens horen niet in een ROI-berekening.

Pilots meten anders dan productie

Nog een reden waarom zoveel ROI-cijfers niet kloppen: ze komen uit een pilot, en een pilot meet iets anders dan de werkelijkheid. In een pilot werkt een klein, enthousiast team met een toepassing die het zelf koos. De omstandigheden zijn ideaal, de motivatie is hoog, en de uitkomst is bijna altijd positief. Dat is prettig, maar het zegt weinig over wat er gebeurt als je hetzelfde over de hele organisatie uitrolt.

Bij bredere uitrol verandert alles. De gebruikers zijn niet meer allemaal enthousiast. De use cases zijn rommeliger. Het toezicht moet worden opgeschaald, en de kosten schalen mee. Een ROI die in een pilot glansde, kan in productie verdampen, simpelweg omdat de ideale omstandigheden verdwenen. Wie een pilotresultaat gebruikt om een grote uitrol te rechtvaardigen, projecteert het beste scenario op een situatie die dat scenario niet meer heeft. Meet daarom niet alleen of iets in de pilot werkte, maar of het blijft werken als de omstandigheden gewoon worden.

Waarom dit een bestuursgesprek is

Ik snap dat dit ongemakkelijk kan voelen. Je wilt vaart maken met AI, en dan komt er iemand die vraagt of de baten wel echt baten zijn. Maar dat ongemak is precies de waarde. De 95% die geen rendement haalt, zit niet vast omdat ze verkeerde modellen kozen. Ze zitten vast omdat niemand vooraf hard maakte hoe het rendement in de cijfers zou landen, en dat het achteraf ook echt landde.

Dat is een bestuursvraag, geen technische. Het bredere kader, van grip op je kosten tot de volledige rekening, staat in mijn gids over AI-kosten en ROI. Deze post gaat over het scherpste stuk daarvan: durf tijdwinst geen rendement te noemen, en meet wat de winst-en-verliesrekening ook herkent.

De businesscase met de dertig minuten? Die had ik zo omgebouwd. Niet door de tijdwinst te schrappen, maar door de vraag toe te voegen die ontbrak: en dan? Als het antwoord "minder overwerk in team X" was, hadden we iets. Als het antwoord uitbleef, was het een reden om de tool te gebruiken, geen reden om rendement te claimen. Dat verschil is het hele verhaal.

Update augustus 2026: wat de nieuwe cijfers laten zien

Sinds juli kwam er genoeg nieuwe data om te toetsen of de stelling van dit stuk overeind blijft. Dat doet hij. Gartner-analist John-David Lovelock (opent in nieuw venster) zei in mei 2026 dat organisaties vooral kiezen voor tactische AI-initiatieven met incrementele efficiencywinst, en dat CIO's het juist daardoor lastig vinden om de waarde van hun AI-investeringen aan te tonen. Dat is dezelfde tijdwinst-val die ik hierboven beschrijf, alleen dan geformuleerd door een analist.

Uit McKinsey's AI Trust Maturity Survey (opent in nieuw venster) van maart 2026, met ongeveer 500 organisaties, komt een verband dat ik interessant vind. Bedrijven die 25 miljoen dollar of meer in verantwoorde AI staken, melden vaker een EBIT-effect boven de 5 procent. Ik zeg er meteen bij dat dit een correlatie is en geen bewijs van oorzaak, want grote investeerders in governance zijn waarschijnlijk ook organisaties die hun rendement überhaupt beter meten. Maar het past wel bij mijn punt: rendement komt uit hoe je het werk rond de tool inricht.

De FinOps Foundation (opent in nieuw venster) vroeg in februari 2026 waar praktijkmensen tegenaan lopen bij AI-uitgaven. Naast zichtbaarheid en toewijzing stond het bepalen van de ROI in hun top drie, met de verzuchting van een deelnemer: "Is your AI providing value? No one can answer that question yet." Dat is een jaar na de eerste MIT-cijfers nog steeds het eerlijkste antwoord dat de meeste organisaties kunnen geven. De vier vragen uit dit artikel zijn daarmee relevanter geworden dan in juli.

Bronnen

* 95% van de organisaties haalt geen meetbaar resultaat uit generatieve AI-pilots (MIT NANDA, The GenAI Divide, via Fortune): fortune.com (opent in nieuw venster) * 88% gebruikt AI, slechts 39% ziet enig EBIT-effect (McKinsey, State of AI 2025): mckinsey.com (opent in nieuw venster) * Organisaties kiezen tactische AI-initiatieven en CIO's hebben moeite de waarde aan te tonen (Gartner, 19 mei 2026): gartner.com (opent in nieuw venster) * Investering van 25 miljoen dollar of meer in verantwoorde AI hangt samen met EBIT-impact boven 5% (McKinsey, AI Trust Maturity Survey, 25 maart 2026): mckinsey.com (opent in nieuw venster) * ROI-bepaling in de top drie van knelpunten bij AI-kostenbeheer (FinOps Foundation, State of FinOps 2026, 19 februari 2026): data.finops.org (opent in nieuw venster)