AI onder de loep: het rapport van Aptean over AI-adoptie in 2026

Artificial Intelligence-onderzoek 2026 van Aptean: een onderzoek naar de impact van AI onder 1.500 bedrijfsleiders

Het verhaal over kunstmatige intelligentie (AI) dat veel organisaties de afgelopen twee jaar hebben verteld, is er een van enthousiasme en momentum. Gedurfde investeringen, zelfverzekerde aankondigingen en de opdracht vanuit het management om te handelen, en snel. 

Het vertrouwen in deze technologie was niet ongegrond. De Aptean 2026 Artificial Intelligence Research, ons AI-adoptie rapport, een onderzoek naar de meningen en ervaringen met AI van meer dan 1.500 zakelijke beslissers, liet zien dat 86% van de organisaties het afgelopen jaar de operationele efficiëntie heeft verbeterd. 

AI is dus echt. De voordelen zijn echt. En bijna niemand keert terug. 

Spreek wat langer met mensen die nauw betrokken zijn bij AI-bedrijfsimplementaties, en u hoort de eerlijke versie van het verhaal. De organisaties die wij hebben ondervraagd en die voordelen melden, zeggen ook dat AI nog niet de volledige waarde heeft opgeleverd—en uit wereldwijd onderzoek van McKinsey blijkt dat slechts 39% van de organisaties enige winstimpact aan AI kan toeschrijven, waar de meesten het houden op minder dan 5%. 

De tools die in de pilot zo veelbelovend leken, tonen hun beperkingen in productie. Sommige van de bedrijven die het snelst handelden, zitten nu met de meest ongemakkelijke vragen: Waarom kunnen we dit niet opschalen? Waar is de ROI? En hebben we in eerste instantie wel de juiste tools gekozen? 

Onder de loep genomen: AI heeft niet gefaald, maar de kloof tussen wat is beloofd en wat is geleverd, is niet te negeren. 

Gelukkig is het bemoedigend wat de data achter de hoofdlijnen laat zien. De organisaties die het meest uit AI halen, hebben iets gemeen dat de sector nu pas begint te begrijpen. Ze hebben AI niet zomaar ingevoerd; ze kozen tools die specifiek zijn ontwikkeld voor hun branche, hun data en de manier waarop hun bedrijfsactiviteiten zijn opgezet. 

Dit rapport is niet het einde van het verhaal. Verre van dat. Het is verhelderend. Het dwingt een eerlijk gesprek af over wat AI-transformatie werkelijk vereist, en het stelt ter discussie hoe succes eruitziet. Want AI is de moeite waard—u moet het alleen doelgericht aanpakken, te beginnen met heldere doelstellingen en tools die werkelijk zijn toegerust om u die te laten bereiken. 

88% zegt dat branchespecifieke AI zeer belangrijk of cruciaal is. 

Over dit rapport over de impact van AI 

Dit rapport is gebaseerd op de Aptean 2026 Artificial Intelligence Research, een onderzoek in meerdere regio's naar hoe organisaties AI inzetten—waar het loont, waar niet, en waarom. Aptean gaf onderzoeksbureau Vanson Bourne opdracht om 1.535 besluitvormers te ondervragen bij bedrijven met een jaaromzet van $10 miljoen of meer, in zes markten: de Verenigde Staten, Canada, het Verenigd Koninkrijk, Nederland, Frankrijk en Duitsland. De respondenten zijn werkzaam in bedrijven in vijf verschillende sectoren: voedsel en dranken; kleding en textiel; transport en distributie; discrete en procesproductie; en dealer en equipment. 

De deelnemers waren bedrijfs- en IT-leiders, van C-level tot het management, met zicht op de AI-strategie van hun organisatie en directe betrokkenheid bij hun ERP- of supply chain-systemen. De AI-adoptie enquête met 25 vragen onderzocht hoe zij AI vandaag de dag benaderen, hoe het presteert, waar het tekortschiet en welke maatstaven zij gebruiken om het te beoordelen. Een doel van het onderzoek was het toetsen van een eenvoudige hypothese—dat AI die voor een specifieke branche is ontwikkeld, generieke tools overtreft—en de bevindingen die volgen, spreken die rechtstreeks aan. 

Om meer context te geven aan de uitkomsten, hield Vanson Bourne ook 10 diepte-interviews met leiders uit diezelfde sectoren en regio's. Die ervaringen leest u terug in dit rapport. De onderzoeksresultaten zijn getoetst op een significantieniveau van 5%, en geïnterviewden worden anoniem geciteerd. Het onderzoek is uitgevoerd over drie maanden in de eerste helft van 2026, terwijl de ontwikkeling en zakelijke inzet van AI doorliepen, maar ook kritische vragen opriepen. 

Hoofdstuk 1 — De stand van het vertrouwen (AI Adoption obstakels) 

Organisaties zijn eerlijker over hun AI-gaps dan er soms wordt vermoedt. Maar eerlijkheid en actie zijn niet hetzelfde. 

AI Adoption obstakels: belangrijkste conclusies 

Hier volgt een inventarisatie van waar organisaties staan naar aanleiding van dit onderzoek: 

• Adoptie is met 98% feitelijk universeel, maar slechts 46% heeft AI geïntegreerd in of essentieel gemaakt voor hun kernprocessen. De meerderheid bevindt zich in een brede middengroep. 

• 82,5% zegt dat de waarde van AI duidelijk is, maar heeft dit nog niet volledig gerealiseerd. 

• De drijfveer was kansen, geen angst—83% voerde AI in om te concurreren en sneller te kunnen handelen, slechts 17% uit angst om achterop te raken. 

• Deze gaps zijn geen mysterie. Organisaties kunnen ze benoemen, en ze zijn te herleiden tot eerdere beslissingen. Dat betekent dat ze op te lossen zijn. 

Het verhaal luidt dat de adoptie van AI versnelt, en op het eerste gezicht bevestigt de data dat ook. Het niet-adopteren is eigenlijk een statistische zeldzaamheid geworden: 98% van de organisaties gebruikt of implementeert AI al. Oftewel, de markt is duidelijk in beweging gekomen. 

Maar adoptie is een schaal, geen eindbestemming, en juist daar begint het vertrouwen af te nemen. Slechts 46% van de ondervraagde organisaties zegt dat AI is geïntegreerd in of essentieel is voor hun kernprocessen. De meerderheid bevindt zich in de middengroep. Ze gebruiken AI bijvoorbeeld in een specifieke functie of voor het testen van een use case, maar het raakt nog niet verankerd in de kernactiviteiten. We kunnen dus stellen op basis van onze gesprekken dat bedrijven zijn begonnen aan de adoptie van AI, maar dat zegt niets over hoe ver ze zijn gekomen. 

82,5% is het erover eens dat de waarde van AI duidelijk is, maar nog niet volledig is gerealiseerd. Dat is belangrijk, want het komt niet van sceptici of analisten die van buitenaf toekijken. Het komt van de mensen die AI-technologie al hebben aangeschaft, erin geloven en die gebruiken om hun bedrijf te helpen runnen. En zij tonen in dit onderzoek dat ze er nog niet zijn. 

Wat die erkenning des te duidelijker maakt, is dat de ambities zo hoog waren (en zijn). Het onderzoek vroeg naar wat hen ertoe bracht AI in te voeren, waarop 83% wees op kansen—de mogelijkheid om sneller te handelen, efficiënter te werken en sterker te staan ten opzichte van de concurrentie. Slechts 17% werd gedreven door de angst om achterop te raken. 

Dit was geen markt die uit angst opereerde. Het was een markt die naar iets reëels reikte. Maar bij de uitvoering wordt het ingewikkeld. 

U hoort de rode draad terug in hoe respondenten hun eigen traject beschrijven. Neem een MKB-kledingbedrijf uit de UK, dat AI niet als onderdeel van een strategie ging gebruiken, maar om een gat te dichten. 

‘We moesten helaas afscheid nemen van een van onze accessoireontwerpers’, legde een senior manager uit. ‘Dus gebruikten we AI in feite als ontwerper in de eerste fase.’ 

De tools werden nooit formeel uitgerold en er werd geen training gegeven. 

‘Ze zijn eigenlijk voortgekomen uit mijn eigen onderzoek’, zei ze. ‘Ik moest het zelf uitzoeken.’ Echte waarde, per toeval gevonden en in handen van één persoon, zonder fundament eronder. 

Dan is er de realiteit van twee snelheden binnen één bedrijf. Bij een grote kledingfabrikant gaf een senior manager aan dat een branchespecifieke forecasttool het bedrijf ‘aanzienlijk beter af’ maakt als het gaat om het voorspellen van de vraag op SKU-niveau over duizenden producten. Maar de generieke sales-assistent die ernaast draait, vertelt een ander verhaal. 

‘De implementatie voor sales heeft wisselende resultaten opgeleverd’, merkte hij op, en voegde toe dat het nuttig is voor nieuwe medewerkers met basisvragen, maar veel minder voor wie het werk al kent.  

Hetzelfde bedrijf, hetzelfde jaar, twee totaal verschillende uitkomsten. En de variabele was niet de inzet van de medewerkers; het was de mate waarin de tool paste. 

Dat wil niet zeggen dat AI de sales- en marketingafdeling niet van dienst kan zijn. De CEO van een kleine Britse machinefabrikant liet de omzet in een jaar met 23% groeien, terwijl het aantal leads met slechts 9% steeg, en schreef het verschil toe aan AI-ondersteunde content en conversie. 

Maar diezelfde bedrijfsleider is openhartig over de missers in het begin: een eerste websitebot ‘was waarschijnlijk een voorbeeld van bots die slecht waren ontwikkeld’, gaf hij toe, en ‘joeg klanten waarschijnlijk weg’. Achteraf wenste hij dat het bedrijf eerder was begonnen, de opties grondiger had onderzocht en zijn eigen scepsis sneller had overwonnen. 

Dat is de eerlijke uitgangssituatie. Adoptie is bijna universeel, het geloof is groot en er valt echte waarde te behalen. Maar de integratie is oppervlakkig, de waarde komt traag op gang en veel van wat werkt, is eerder bij toeval ontdekt dan bewust zo ontworpen. 

De organisaties in dit onderzoek ontkennen hun gaps niet; ze kunnen ze helder benoemen. Maar dat betekent dat de knelpunten die de rest van dit rapport behandelt, geen mysteries of gewoon pech zijn—ze zijn te herleiden naar eerdere beslissingen. U kunt dus andere keuzes maken als u die beslissingen herziet en de inzichten uit deze bevindingen toepast. 

82,5% zegt dat de waarde van AI duidelijk is, maar nog niet volledig is gerealiseerd. 

Diepte van AI-integratie, per branche

Welke van de volgende omschrijvingen past het best bij de status van uw organisatie met betrekking tot AI? 

Cijfers zijn afgerond en tellen per branche mogelijk niet op tot 100%. 

Aanbevolen acties 

Herkent u dat uw organisatie in de middengroep van AI-integratie zit? Start dan met deze aanbevelingen: 

1. Breng in kaart waar AI zit. Rangschik elke use case van ‘iemand experimenteert’ tot ‘het bedrijf is ervan afhankelijk’, en wees eerlijk over hoeveel zich waar bevindt. 

2. Scheid adoptie van waarde. Benoem voor elke use case het bedrijfsresultaat dat het heeft beïnvloed, niet alleen de taak die het uitvoert. 

3. Zoek naar de tweedeling binnen uw eigen organisatie. Waar presteert een branchespecifieke tool binnen uw organisatie beter dan een generieke, en wat zegt u dat? 

4. Leg de toevallige successen vast. Documenteer de ad-hoc successen, en de mensen die ze draaiende houden, voordat de kennis de deur uit loopt. 

5. Kies een paar use cases om te verdiepen. Bepaal waar u van oppervlakkig naar geïntegreerd gaat en zet daar bewust middelen op in, in plaats van uw middelen te dun te verdelen. 

Dit verandert een verzameling experimenten in een korte lijst waarop het de moeite waard is om in te zetten. 

Key Terms: Wat is vertical AI? 

Vertical AI is speciaal ontwikkeld voor één branche of functie en getraind op de data, terminologie en nalevingsregels die specifiek zijn voor dat domein. In tegenstelling tot generieke, of ‘horizontale’ modellen die zijn ontwikkeld om van alles een beetje te doen, verkleint vertical AI de scope om het werk van één branche goed te doen. Die focus maakt het nauwkeuriger, minder gevoelig voor misvattingen en in staat om rechtstreeks aan te sluiten op de techstack die een bedrijf al gebruikt. Alternatieve termen zijn ‘branchespecifieke AI’, ‘speciaal ontwikkelde AI’ en ‘gespecialiseerde AI’. 

Hoofdstuk 2 — Het probleem van het verkeerde tools (vertical AI versus horizontale AI) 

De AI tool die de meeste organisaties eerst kozen, was de meest beschikbare AI, niet de meest passende. 

Vertical AI versus horizontale AI: belangrijkste conclusies 

Waarom hebben grote investeringen in AI te weinig opgeleverd? Het patroon is moeilijk te missen zodra u het ziet: 

• De meesten grepen naar de meest beschikbare tool in plaats van de meest passende. Nu zegt 77% dat generieke AI grote, complexe organisaties niet aankan. 

• De honger naar het alternatief is bijna unaniem: 88% noemt speciaal ontwikkelde, branchespecifieke AI cruciaal of zeer belangrijk, en 99% zegt dat het op zijn minst enigszins telt. 

• Wanneer de intern goedgekeurde tools niet passen, omzeilen mensen ze en zoeken ze alternatieven. 40% van de respondenten gebruikt AI die hun organisatie nooit formeel heeft goedgekeurd. 

Wanneer u de kloof tussen de belofte en de prestaties van AI terugvoert naar de oorsprong, vindt u een handvol samenhangende zwaktes. Eén keuze ligt echter aan de basis van de rest: wat voor soort AI tool een bedrijf binnenhaalt. Maak een goede keuze, dan worden de andere barrières lager. Maakt u de verkeerde keuze, dan worden ze allemaal hoger. 

De afgelopen twee jaar, toen organisaties op zoek gingen naar AI, grepen de meesten naar wat voor hen lag: de generieke platforms die breed werden vermarkt, eenvoudig te testen waren en al in ieders browser stonden. Het was een keuze die snel werd gemaakt, voordat het bewijs dat we vandaag hebben bestond. 

Het blijkt dat niet alles wat ‘beschikbaar’ is, ook daadwerkelijk ‘passend’ is. 

De data weerspiegelt dat feit. Meer dan driekwart (77%) van de organisaties zegt dat generieke AI-tools ontoereikend zijn voor de behoeften van grote, complexe organisaties. En de voorkeur voor het alternatief is bijna unaniem: 88% zegt dat speciaal ontwikkelde, branchespecifieke AI – of vertical AI - cruciaal of zeer belangrijk is, en 99% zegt dat het op zijn minst enigszins telt. Dit wijst er op dat de markt een voorkeur heeft voor branchespecifieke AI, in plaatse van generieke AI-tools.  

77% zegt dat generieke AI ontoereikend is voor grote, complexe organisaties. 

Dit blijkt uit waarom ze branchespecifieke AI tools zo waarderen. De belangrijkste reden is geen slimmer algoritme—het is eenvoudigere integratie met de systemen die ze al gebruiken, zoals ERP- en supply chain-platformen (genoemd door 47% van degenen voor wie branchespecifieke AI cruciaal of zeer belangrijk is). Daarna volgen relevantere en nauwkeurigere output voor hun branche (42%) en betere strategische begeleiding door leveranciers die hun sector begrijpen (40%). Meer dan een derde (38%) wijst rechtstreeks op een sterkere ROI dan dat generieke tools opleveren. 

Het patroon is moeilijk te missen: passendheid is doorslaggevend. 

Bij een grote fabrikant van sportkleding zijn de eigen kernsystemen van het bedrijf het probleem bij het gebruik van een generieke tool. 

‘We streven er nog steeds naar om realtime informatie uit ons ERP beschikbaar te maken in onze ChatGPT omgeving, zodat de agent vragen kan beantwoorden waarvoor normaal iemand in het systeem moet inloggen’, legde de senior manager daar uit. Zolang die verbinding er niet is, kan de tool nooit meer dan de helft van de vraag beantwoorden. 

Sommige organisaties zijn al bezig hun koers bij te sturen. Een middelgrote fabrikant gebruikt ChatGPT en Copilot voor het generatieve werk waar ze goed in zijn, zoals het opstellen van e-mails en het samenvatten van contracten. Maar voor het werk dat het bedrijf werkelijk bepaalt, kozen ze een andere weg. 

De supply chain manager van het bedrijf gaf aan dat er een gespecialiseerd bureau werd ingeschakeld, en van daaruit ‘bracht het team het terug van zo'n 50 of 60 van hun agents’ naar één. Het eindresultaat was een op maat gemaakte demand-planning-agent, omdat de kant-en-klare generieke assistenten de complexiteit niet aankonden. Dat is de koerscorrectie die in realtime plaatsvindt. 

Soms loopt de breuklijn dwars door één bedrijf. Bij een productieonderneming werkt AI goed in customer relationship management, waar het feedback samenvat en sentimentanalyse uitvoert over markten heen. Maar diezelfde organisatie krijgt het daarentegen niet werkend voor demand planning. 

‘We kunnen AI niet implementeren in complexe omgevingen met veel variabelen en veel productlijnen’, gaven ze aan. ‘Daar krijgen we geen consistente resultaten.’ 

Eenvoudige en repetitieve taken doen de generieke tools goed. Complexe en branchespecifieke taken niet. 

Ongeveer 40% van de respondenten meldt AI-tools zelfstandig voor het werk te gebruiken, zonder formele goedkeuring van hun organisatie (bekend als ‘shadow AI’). Dat cijfer geldt vrijwel exact over alle senioriteitsniveaus; C-level en senior management doen het even vaak als het middenkader en het junior management. De mensen die de regels opstellen, omzeilen het dus net zo vaak als alle anderen. 

Het is verleidelijk om dat onder governance te scharen, wat een eigen hoofdstuk krijgt in dit rapport. Voorlopig is de urgentere zorg wat het zegt over passendheid. Wanneer de goedgekeurde tools het werk niet doen, gaan mensen op zoek naar tools die dat wel doen. Shadow AI is niet alleen een compliance probleem. Het is het personeel dat zegt dat de officiële set tools niet werkelijk aan hun behoeften voldoet. 

En om een nieuwe AI-tool formeel toe te voegen en goed te keuren, moeten organisaties de vereiste investering kunnen verantwoorden. Gevraagd welke factoren het meest bepalen hoe zij budget voor AI-initiatieven vrijmaken, noemden respondenten een heldere businesscase met gekwantificeerde ROI (57%), aansluiting op strategische doelen (52%) en implementatiegemak (49%). Shadow AI verspreidt zich zo snel omdat het al die criteria omzeilt. 

Het ‘probleem van de verkeerde tool’ gaat dus niet over slechte technologie. De generieke tools werken immers - vaak indrukwekkend - voor de taken waarvoor ze zijn gebouwd. De problemen beginnen wanneer u ze laat werken binnen de systemen, data en complexiteit van een specifieke branche. 

Waarom organisaties branchespecifieke AI waarderen 

Wat zijn de belangrijkste redenen dat uw organisatie AI-oplossingen waardeert die speciaal zijn ontwikkeld voor een specifieke branche? 

Aandeel van de respondenten dat elke reden koos. Respondenten konden meerdere redenen kiezen; de cijfers tellen niet op tot 100%. 

Meest bepalende factoren om AI-budget vrij te maken 

Aandeel van de respondenten dat de factor prioriteert. Respondenten konden meerdere factoren kiezen; de cijfers tellen niet op tot 100%. 

Gebruik van shadow AI per land 

Aandeel van de respondenten dat AI-tools gebruikt zonder formele goedkeuring van de organisatie. 

Belangrijke termen: Wat is shadow AI? 

Shadow AI verwijst naar AI-tools die medewerkers zelf invoeren en gebruiken—zonder goedkeuring, beveiligingscontrole of zicht van hun organisatie. Het is niet per se kwaadwillig; de meesten grijpen ernaar als noodoplossing wanneer goedgekeurde opties ontbreken of anderszins traag of beperkt werken. Maar omdat deze tools buiten governancekaders werken, bevindt de data die wordt ingevoerd en de output die het genereert zich in een blinde vlek. De risico's lopen uiteen van blootstelling van intellectueel eigendom en nalevingsovertredingen tot strategische beslissingen op basis van AI-gegenereerde content die niet is gecontroleerd. Alternatieve termen zijn ‘unsanctioned AI’, ‘unauthorized AI’ en ‘rogue AI’. 

Aanbevolen acties 

AI kiezen op passendheid in plaats van beschikbaarheid, verandert uw zoektocht naar een geschikte oplossing. Een checklist voor de koper: 

1. Begin met het probleem dat u wilt oplossen, niet met de tool. Bepaal uw doel voordat iemand een demo inplant. 

2. Stel de integratievraag als eerste. Kan het uw ERP- en operationele systemen bereiken, of beantwoordt het altijd maar de helft van de vraag? 

3. Waardeer passendheid boven de capaciteiten. Een model dat uw domein begrijpt, presteert beter dan een krachtiger model dat dat niet doet. 

4. Lees het gebruik van shadow AI als veelzeggende data. Waar medewerkers zelf hun eigen tools zijn gaan zoeken, hebt u een onvervulde behoefte gevonden die het waard is om goed te formaliseren. 

5. Toets de branchereferenties van de leverancier kritisch. Brengen ze vanaf dag één relevante context mee, of moeten ze uw bedrijf gaandeweg leren kennen? 

Passendheid is het goedkoopst om vooraf goed te doen en het duurst om achteraf alsnog in te bouwen. 

Hoofdstuk 3 — Het infrastructuurkloof (uitdagingen bij AI-implementatie) 

Zelfs de juiste tool kan een zwak fundament niet compenseren. Bij veel organisaties houden ook de onderliggende data en integraties de waarde van AI tegen. 

AI implementatie uitdagingen: Belangrijkste conclusies 

De barrières zijn hier ontmoedigend, en bijna iedereen loopt ertegenaan: 

• Data is de eerste horde. 81% zegt dat datakwaliteit of -toegang de allergrootste barrière is om AI te laten werken—vóór talent, budget of scepsis. 

• Integratie is tweede obstakel. 82% zegt dat het integreren van AI met hun kernplatformen een grotere uitdaging is dan AI zelf. 

• En het versterkt zichzelf: 75% is het ermee eens dat een gebrek aan governance een grote belemmering vormt voor succes met AI-oplossingen   

De juiste tool brengt een bedrijf naar de startlijn, maar of het de finish haalt, hangt in niet geringe mate af van de basis waarop het draait. Zelfs een speciaal ontwikkeld, branchespecifiek systeem kan alleen werken met de data die het kan bereiken en de oplossingen waarmee het verbinding kan maken. En bij veel bedrijven is dat fundament het zwakke punt—ruim 80% van de deelnemers zegt dat datakwaliteit of -toegang de allergrootste barrière is voor een succesvolle AI-implementatie. 

Het principe is oud maar geldt nog steeds: slechte input levert slechte output op, hoe geavanceerd het model ook is. Wat AI verandert, is de snelheid. Een systeem dat draait op gebrekkige data produceert niet één verkeerde forecast—het produceert er honderden, automatisch, voordat iemand kan bijsturen. Dat kan leiden tot overbelaste orders, gemiste leverdata en goedgekeurde uitgaven die er nooit door hadden mogen komen—de operationele prijs van een wankel datafundament. 

Integratie van AI met de bedrijfssystemen, vormen een ander deel van het probleem. 82% zegt dat het integreren van AI met hun kernsystemen een grotere uitdaging is dan AI zelf. En zodra ze richting integratie bewegen, wordt het probleem groter: 75% ziet een gebrek aan governance als een grote belemmering voor succes met AI. Dit is een gevestigde opvatting in de hele markt volgens het onderzoek, geen zorg van een kleine minderheid. 

82% zegt dat het integreren van AI met kernsystemen een grotere uitdaging is dan AI zelf. 

Deze knelpunten stapelen zich op en wijzen rechtstreeks terug naar het probleem van de verkeerde tool—de belangrijkste reden die organisaties geven om branchespecifieke AI te waarderen, is immers eenvoudigere integratie met hun systemen. De keuze voor de tool staat dus niet los van het infrastructuurprobleem; het is onderdeel van de oplossing ervan. 

Uiteraard zijn de problemen die voortkomen uit rommelige technologiefundamenten niet nieuw. Versnipperde data en systemen in silo's zijn al jaren bekende problemen, van het soort dat elke organisatie weet dit ooit te moeten oplossen. Maar AI zet de zaak op scherp. Het maakt van een stille, uitstelbare zwakte het grootste obstakel tussen een bedrijf en de waarde die het is beloofd. 

U ziet dat gebeuren in één mislukte pilot. Bij een grote voedsel- en drankenproducent wilde het team een AI-gestuurde planner voor commerciële promoties bouwen: een model dat jaren aan promotiehistorie, prijzen en distributeurvoorraden zou inlezen en vervolgens zou aanbevelen welke promotie te draaien, wanneer en voor hoeveel. 

Het overleefde de confrontatie met hun eigen data niet. 

‘We hadden te veel hoop gevestigd op de data die we hadden’, gaf een senior manager toe. De historische gegevens stonden in een legacy-ERP vol ‘sterk aangepaste, geavanceerde tabellen’, maar dezelfde datapunten stonden verspreid over meerdere systemen, versnipperd in de backend, waardoor ze onmogelijk volledig te vertrouwen waren. 

‘Het faalde meteen.’ 

De les die hij eruit trok, was botweg: harmoniseer eerst de data, voordat u experimenten met AI draait. 

Een omgekeerd geval bewijst hetzelfde punt vanuit de andere richting. Een voedsel- en drankenonderneming ontwikkelde een orderafwijkingsdetector die signaleert wanneer de bestelling van een restaurant er verkeerd uitziet, voordat de vrachtwagen het magazijn verlaat. Het werkte, en een leidinggevende daar was duidelijk over waarom. 

‘Het proces is heel goed gedefinieerd’, zei hij. ‘Alle data is heel goed gedefinieerd. Onze productdata is behoorlijk robuust.’ 

Later bracht hij het terug tot een principe: ‘AI heeft twee dingen nodig.’ Het heeft een heel goed gedefinieerd proces nodig, en het heeft goede data nodig. 

Wat dit obstakel zo hardnekkig maakt, is dat zelfs de organisaties die succes hebben met AI er telkens tegenaan lopen. De senior manager bij een grote kledingfabrikant, wiens branchespecifieke forecasttool al goed werkte, noemde integratie toch als het enige dat hij zou veranderen. 

‘Een duidelijker beeld van de eisen voor systeemintegratie’, overwoog hij, ‘en bewustere inspanningen om die verbindingen met onze systemen eerder tot stand te brengen, hadden snellere voortgang mogelijk gemaakt.’ 

De ongemakkelijke waarheid van ‘het  infrastructuurprobleem’ is dat het werk beloont dat niemand spannend vindt: data opschonen, systemen verbinden en processen definiëren zijn niet de onderdelen van AI die de krantenkoppen halen. Maar het is wat de pilots die succesvol zijn onderscheidt van de pilots die stilletjes doodbloeden. 

De organisaties die consistent waarde uit AI halen, kozen niet alleen betere tools. Ze deden ook het werk om het fundament voor te bereiden waarin die tools moesten groeien. 

Wat houdt de waarde van AI tegen? 

 Aandeel van de respondenten dat het met elke stelling eens was. Respondenten konden het met meer dan één stelling eens zijn. 

Aanbevolen acties 

Voordat u het model de schuld geeft, kijk kritisch naar het fundament waarop het draait: 

1. Controleer uw data voordat u de use case afbakent. Als de input versnipperd of onbetrouwbaar is, bespaart geen enkel model u het opschonen. 

2. Breng het integratiepad vroeg in kaart. Weet welke systemen AI moet bereiken en wat het kost om ze te verbinden, voordat u zich vastlegt. 

3. Kies use cases waar het proces al goed gedefinieerd is. AI beloont helderheid en worstelt waar het proces zelf vaag is. 

4. Herstel eerst het fundament, schaal dan op. De organisaties die slagen, brachten eerst hun data en systemen op orde en implementeerden daarna—niet andersom. 

5. Beschouw branchespecifieke tools als een hulpmiddel om deze obstakels te overwinnen. Ze zijn al afgestemd op de systemen van uw branche, waardoor integratie hun grootste voordeel is. 

Hoofdstuk 4 — Het meetvacuüm (de ROI van AI meten) 

Organisaties geloven dat AI werkt, maar kunnen het lastig aantonen.  

De ROI van AI meten: belangrijkste conclusies 

Het geloof in de waarde van AI loopt ver vooruit op het bewijs ervoor: 

• 82,5% zegt dat de waarde van AI duidelijk is, maar nog niet volledig is gerealiseerd—de verwachtingen lopen nog steeds vooruit op de werkelijke resultaten. 

• De maatstaven die vandaag de meeste prioriteit krijgen, zijn op hoofdlijnen: operationele efficiëntie (43%), daarna kostenbesparing (36%) en beslissingskwaliteit (34%). 

• Er is een framework nodig om ROI vollediger te kunnen meten. 92% zegt dat externe expertise of ondersteuning hen zou helpen meer uit AI te halen. Dit wijst erop dat de meeste bedrijven niet over de interne capaciteit beschikken. 

• Zonder een formele methode vallen metingen terug op wat het makkelijkst te tellen is, en dat is zelden wat er het meest toe doet. 

De verkeerde tool kiezen versterkt ook een probleem dat zichtbaar is in een van de meest opvallende bevindingen van dit onderzoek: meer dan vier op de vijf organisaties zegt dat de waarde van AI duidelijk is, maar nog niet volledig is gerealiseerd. Met andere woorden: ze geloven erin, maar kunnen het nog niet bewijzen. 

Die kloof tussen waarde en realisatie is het ‘meetvacuüm’. Een mismatch tussen generieke systemen en gespecialiseerde activiteiten vergroot het. Daarom lijken zoveel AI-programma's succesvol te zijn, terwijl organisaties dit niet cijfermatig kunnen onderbouwen. Noem het de AI-ROI-kloof. 

Het is niet zo dat organisaties helemaal geen verbeteringen kunnen meten. Bijna allemaal meten ze iets, en wat ze meten, zegt veel over wat telt. Operationele efficiëntie staat bovenaan de lijst met succesmaatstaven (door 43% in de top drie genoemd), gevolgd door kostenbesparing (36%) en beslissingskwaliteit (34%) als bepalend voor het succes of falen van hun AI-initiatieven. De intentie om succes te kunnen meten is helder en de dashboards bestaan. Echter, de meeste organisaties beschikken niet over een gestructureerde methode om deze afzonderlijke data om te zetten tot een helder bewijs van hun ROI. Zonder deze gestructureerde methode kan een leidinggevende niet precies aangeven hoeveel een AI-investering heeft opgeleverd. 

Nog een veelzeggende statistiek op dit vlak: 92% zegt dat externe expertise of ondersteuning hen zou helpen meer uit AI te halen. Dit wijst erop dat de meeste bedrijven niet over de interne capaciteit beschikken om een ​​meetkader te ontwikkelen en te interpreteren. Organisaties hebben budget vrijgemaakt voor AI en het ingezet, maar ze hebben niet dezelfde inspanning geleverd om het rendement ervan te meten als om de oorspronkelijke business case op te stellen. 

92% zegt dat externe expertise of ondersteuning hen zou helpen meer uit AI te halen. 

Zonder een formele methode valt die meting terug op wat het makkelijkst te tellen is. Voor de senior manager bij een fabrikant van sportkleding is dat het personeelsbestand. Investeringen worden hier goedgekeurd die het aannemen van nieuwe medewerkers overbodig maken, en tevens worden investeringen uitgesteld die dat niet doen, zelfs als AI op andere manieren wel degelijk waarde creëert. 

Als een voordeel kwam uit ‘het stroomlijnen van processen, maar zonder personeelsreductie’, legde hij uit, dan kan het finance-team ‘de investering niet gemakkelijk koppelen aan besparingen of omzetgroei’, waardoor het voorstel mogelijk niet wordt doorgevoerd. Organisaties focussen zich op de gemakkelijk meetbare indicatoren in plaats van op degenen die er het meest toe doen.  

Soms creëert AI daadwerkelijk waarde, maar die waarde is niet terug te vinden in een standaard ROI berekening. Bij een grote fabrikant verving AI dure externe consultants, maar de besparingen vertaalden zich niet in lagere totale kosten. 

‘Op dit moment zou ik niet zeggen dat we veel geld besparen. Maar het is een herverdeling geweest’, zei een leidinggevende daar. Het vrijgekomen geld ging rechtstreeks terug de organisatie in, in GPU's en infrastructuur. 

‘We geven misschien evenveel geld uit, maar we halen er veel meer uit.’ 

Op een standaard terugverdienberekening lijkt dit programma geen financiële voordelen op te leveren. In de praktijk doet het vijf tot tien keer zoveel werk, maar omdat er geen framework is waarmee we het kunnen waarnemen, kan er geen hard bewijs voor worden aangedragen. 

Neem een middelgrote distributeur die deze meetwaarden vanaf het begin heeft ingebouwd. Een crossfunctioneel comité met innovatie, IT, operations, finance en de CEO toetst elke AI-investering. Het bedrijf houdt zichzelf aan één helder, sectorspecifiek getal: het aantal verwerkte zendingen per persoon. 

Deze aanpak geeft een duidelijk resultaat. In dit geval haalt de AI tool van het bedrijf voor het inlezen van vrachtbrieven en douaneformulieren een nauwkeurigheid van meer dan 98%, en het aantal zendingen per medewerker is ongeveer verdubbeld. Die cijfers werken voor een terugverdienberekening, omdat ze direct bepalend zijn voor succes in de logistieke sector. Zendingen per medewerker is een van de maatstaven die er in de logistieke wereld het meest toe doen, en omdat de tool is ontworpen om vrachtdocumenten en douaneprocessen te begrijpen, kan die deze specifieke indicator daadwerkelijk helpen verbeteren. 

Het voordeel van branchespecifieke AI reikt dus dieper dan prestaties alleen. Het maakt prestaties makkelijker te bewijzen, omdat het is ontwikkeld rond de cijfers die succes bepalen in het bedrijf.  

De gaps in hoe er gemeten wordt, versterken tevens de obstakels die er al waren. Versnipperde data maakt nauwkeurig meten moeilijker. Een generieke tool levert u weinig op dat aansluit bij de cijfers waarop uw specifieke branche draait.  

De organisaties die dit probleem oplossen, delen doorgaans dezelfde aanpak van de distributeur: ze bepalen vooraf welk enkel resultaat succes zou bewijzen, en ze kiezen tools die dicht genoeg bij de operatie staan om dat te beïnvloeden. Het bewijzen van de waarde van AI draait niet om meer metingen, maar om te kiezen wat te meten en waarmee. 

Belangrijkste succesmaatstaven voor AI-initiatieven 

Aandeel van de respondenten dat zegt dat de gekozen maatstaf belangrijk is om het succes van AI-projecten te bepalen. Respondenten konden maximaal 3 maatstaven kiezen; de cijfers tellen niet op tot 100%. 

anbevolen acties 

Maak de waarde van AI aantoonbaar door de meetmethoden vanaf het begin in te bouwen: 

1. Bepaal wat succes zou bewijzen voordat u bouwt. Benoem het enkele resultaat dat, als het wordt geleverd, de investering rechtvaardigt. 

2. Kies maatstaven die er in uw bedrijf toe doen, niet alleen de maatstaven die makkelijk op te tellen zijn. Besparingen op arbeid zijn zelden het hele verhaal. 

3. Zet een datum op de ROI. De sterkste programma's stellen vooraf een terugverdienperiode vast en houden het project daaraan. 

4. Let op waarde die zich verbergt. Besparingen die elders worden geherinvesteerd of capaciteit die vrijkomt voor groei, verschijnen niet op een eenvoudige kostenregel. 

5. Geef de voorkeur aan tools die de KPI's van uw branche van nature volgen. Wanneer de maatstaf die succes bepaalt in de tool is ingebouwd, wordt bewijs een stuk makkelijker. 

Zonder framework blijven zelfs echte successen onzichtbaar—en in onzichtbare successen wordt geen tweede keer geïnvesteerd. 

Hoofdstuk 5 — De grens van de autonomie (governance van agentic AI) 

Tot nu toe heeft de verkeerde tool u mogelijk geld gekost. Hier begint het u mogelijk de controle te kosten. 

Governance van agentic AI: Belangrijkste conclusies 

AI neemt al zelfstandig beslissingen, sneller dan de beleidsregels die bedoeld zijn om het te reguleren: 

• 88% laat AI al ten minste enkele beslissingen nemen zonder een menselijke controle, van forecasting tot klantgerichte beslissingen. 

• Beleidsregels lopen achter: 96% zegt dat een formeel governance framework vereist is, toch heeft 36% er geen opgebouwd, en 75% noemt de afwezigheid ervan een grote barrière. 

• Het risico wordt groter wanneer de mens niet betrokken is bij het beoordelen van AI beslissingen. De fouten van een generieke tool werden voorheen namelijk bij zo’n beoordeling opgevangen. Wanneer het zonder toezicht draait in gereguleerde branches, kunnen fouten boetes of sancties opleveren. 

Terwijl organisaties nog discussieerden over de vraag of AI het waard was, begonnen ze het tegelijkertijd al te vertrouwen om zelfstandig beslissingen te nemen. Van de organisaties in dit onderzoek staat 88% AI al toe om op ten minste één gebied autonome beslissingen te nemen, zonder een menselijke controle in deze loep. Forecasting en planning is het proces dat het vaakst door AI wordt geautomatiseerd; 49% van de bedrijven geeft AI op dat gebied autonomie. Klantgerichte beslissingen worden door 48% van de respondenten geautomatiseerd, en zelfs strategische keuzes zoals leveranciersselectie en capaciteitsplanning worden in 42% van de gevallen aan AI overgelaten. Dit zijn geen mogelijkheden meer voor de toekomst. De meeste organisaties werken vandaag de dag al op deze manier. 

En wat gebeurt er als een agentic AI-tool kant-en-klaar van de plank komt en zich vervolgens moet zien te redden met complexe branchespecifieke cijfers en processen? Eerdere hoofdstukken lieten zien dat ongeschikte tools al zwakkere resultaten, minder betrouwbare data en een ROI opleveren die moeilijk te bewijzen zijn. Het weglaten van een menselijke controle maakt deze problemen nog ernstiger. 

Meestal is er iemand om de fouten van een generieke AI tool op te vangen en te herstellen. Maar wanneer die tool eenzijdig kan handelen, en dat doet zonder volledige context of deskundig oordeel, kunnen de gevolgen variëren van een kleine fout tot ernstige schade voor het hele bedrijf. 

Uiteraard hangen de kosten van de fout af van de beslissing. Een middelgrote distributeur gebruikt AI om douane- en overheidsformulieren in te vullen, en de leidinggevende daar is duidelijk over het risico. Een fout daarin kan ‘enkele zware sancties’ met zich meebrengen, zei hij, en in het ergste geval ‘artikelen doorlaten die verboden of niet toegestaan zijn binnen een land, of iets verzenden naar een land waartegen sancties gelden’. 

De kosten van zo'n fout worden gemeten in boetes, in beslag genomen goederen en risico’s rondom wet- en regelgeving. Niet alleen ondermaatse performance KPI's op het dashboard. 

En wanneer er iets misgaat, wie is dan verantwoordelijk? De meeste organisaties hebben dat niet bepaald. In het onderzoek werd gevraagd wie verantwoordelijk zou zijn als een autonome AI agent de verkeerde inkooporder zou aanmaken, gaf de supply chain-manager bij een middelgrote fabrikant een eerlijk, verontrustend antwoord: ‘In mijn beleving zou AI de verantwoordelijke dan zijn, omdat er geen mens bij betrokken was.’ 

36% heeft het AI-governance framework dat ze zelf essentieel noemen, niet opgebouwd. 

Zijn bedrijf had de criteria voor autonoom AI-gebruik tot aan de CFO goedgekeurd en aanvaard dat er fouten zouden worden gemaakt, maar had nooit vastgelegd waar de verantwoordelijkheid werkelijk ligt. Die vraag blijft in de meeste organisaties nog onbeantwoord. 

Governance zou hier de lijn moeten bewaken, en de data zegt dat dat meestal niet gebeurt. Driekwart van de organisaties noemt de afwezigheid van een governance beleid een grote barrière voor het succes van AI, en toch heeft meer dan een derde (36%) geen formeel framework opgebouwd hiervoor. 

Tegelijk erkent 96% dat AI governance een vereiste is. Het is dus niet zo dat organisaties het niet weten; ze hebben het simpelweg nog niet gedaan. 

Het is belangrijk om de oorzaak van deze kloof te achterhalen. Dit is een probleem van organisatorische discipline. Het kiezen van de verkeerde tool veroorzaakt de kloof niet, maar het maakt de consequenties wel groter. Het gebruik van autonome AI zonder governance is riskant met elke tool, maar met een tool die uw branche en processen niet begrijpt, neemt het risico aanzienlijk toe. 

Hoe krijgen de organisaties die autonomie verantwoord uitbreiden dat dan voor elkaar? Ze staan die autonomie langzaam toe, gebaseerd op een bewezen staat van nauwkeurigheid. Bedrijfsleiders bij twee afzonderlijke logistieke bedrijven kwamen zonder overleg vrijwel tot dezelfde regel: AI dient gedurende langere tijd vrijwel perfecte prestaties te leveren voordat het meer zelfstandigheid krijgt.  

Een bedrijfsleider van een groot transport- en distributiebedrijf wil ‘99%+’ nauwkeurigheid zien ‘gedurende een bepaalde periode’—ergens tussen zes maanden en een jaar—voordat hij de menselijke factor terugbrengt. De distributeur in het middensegment laat zijn document processing tool met slechts beperkt menselijk toezicht draaien, omdat deze 98% nauwkeurigheid behaalt op belangrijke formulieren.  

En dat vereist een hoge standaard: 98 of 99% nauwkeurigheid behalen op het werk dat een complexe, gereguleerde operatie bepaalt, is precies waar generieke tools moeite mee hebben. Het is de beperking die eerder werd geïntroduceerd als het probleem van de verkeerde tool. Een AI tool moet bij de branche passen en de bedrijfscontext begrijpen voordat een organisatie erop kan vertrouwen dat het zelfstandig handelt. 

De organisaties die op dit gebied het meest geavanceerd zijn, bouwen dat vertrouwen bewust op. Een grote fabrikant staat niet toe dat een model zijn eigen werk controleert—‘u laat dezelfde AI tool niet zijn eigen werk controleren; dat is een slecht idee’, zei de leidinggevende van het bedrijf. Elke autonome output bij dit bedrijf wordt door een separaat AI model beoordeeld. 

De senior manager bij het middelgrote Britse mode- en kledingmerk trekt de grens bij merk- en creatieve beslissingen, omdat ‘het niet alleen om cijfers gaat, maar ook om emoties die het product in feite verkopen’. 

Verschillende branches, maar dezelfde vuistregel: verleen autonomie alleen op de specifieke terreinen waar de tool de taak echt begrijpt en er goed voor geschikt is. 

De verkenning van de grens tot dit punt wijst op één belangrijke les. Autonomie staat bovenaan de stapel en rust op elke laag eronder: de juiste tool, betrouwbare data en eerlijke metingen. Wanneer aan deze drie voorwaarden is voldaan, kan een bedrijf AI steeds meer verantwoordelijkheid geven, omdat er bewijs voor is. Als dit niet het geval is, is de kans groot dat autonome AI mislukt. 

Waar AI autonoom mag handelen 

Aandeel van de respondenten van wie de organisatie AI toestaat autonoom te handelen op het betreffende gebied. Respondenten konden meerdere gebieden kiezen; de cijfers tellen niet op tot 100%. 

Aanbevolen acties 

Breidt de autonomie van AI geleidelijk uit, op basis van bewijs, in plaats van deze in één keer toe te kennen. Overweeg een gefaseerde aanpak: 

1. Bepaal wie verantwoordelijk is voordat u de beslissing overdraagt, niet pas nadat er iets misgaat. Als het eerlijke antwoord ‘de AI tool’ is die verantwoordelijk is voor beslissingen, bent u er nog niet klaar voor. 

2. Stel een standaard in voor de gewenste nauwkeurigheid die gedurende een bepaalde periode moet worden volgehouden. De organisaties die dit goed doen, willen maandenlang vrijwel perfecte prestaties zien voordat ze meer vertrouwen geven aan autonome AI. 

3. Laat een AI systeem niet zijn eigen werk controleren. Laat autonome AI output langs een onafhankelijke beoordeling lopen, of dat nu een persoon is of een apart AI model. 

4. Stem de mate van AI autonomie af op het risico. Geef de meeste autonomie aan repetitieve beslissingen met een laag risico en die regelmatig terugkerende taken uitvoeren; Vereis menselijke controle voor beslissingen met grote gevolgen. 

5. Definieer duidelijk welke beslissingen altijd een menselijke controle nodig hebben.  Dit omvat merkbeslissingen, ethische beslissingen en elke beslissing waarbij een fout ernstige schade zou kunnen veroorzaken aan een organisatie. 

Tot slot is het belangrijk te onthouden dat een goede match een voorwaarde is. Effectieve AI-autonomie vereist een tool die de taak die eraan is toevertrouwd daadwerkelijk begrijpt.   

Hoofdstuk 6 — Het oordeel over vertical AI 

Elke barrière in dit rapport is te herleiden tot één specifieke beslissing.  

Het oordeel over vertical AI: Belangrijkste conclusies 

De organisaties die succesvol zijn met AI hebben één gemeenschappelijke beslissing: 

• Ze kozen ervoor om branchespecifieke AI te combineren met de generieke tools die al in gebruik waren, en dat blijkt uit de cijfers. Over acht operationele KPI's lopen bedrijven die zowel branchespecifieke als generieke AI gebruiken voorop ten opzichte van gebruikers van alleen generieke AI. 

• De duidelijkste, statistisch significante verschillen zijn met name te zien bij deze KPI’s: betere net promoter scores (70,6% tegenover 56,8%), sterkere klantretentie (78,4% tegenover 71,2%) en nauwkeurigere forecasts (84,4% tegenover 76,5%). 

• De juiste AI tool kiezen is de eerste beslissing die alles beïnvloedt. De juiste tool maakt integratie sneller, meting duidelijker en autonomie veiliger. Met andere woorden: het maakt barrières makkelijker te overwinnen. 

• De urgentie is reëel—87% vreest overbodig te worden zonder een succesvolle AI-implementatie—maar het antwoord is niet meer AI. Het is de juiste AI. 

Dit hoofdstuk laat zien hoe belangrijk het is om die beslissing goed te nemen. Dit rapport heeft verschillende obstakels onderzocht voor een succesvolle implementatie van AI binnen organisaties: AI die niet is geïntegreerd in de kernprocessen, de keuze van de verkeerde tool, een zwak datafundament, onbewijsbare ROI en autonomie die sneller groeit dan governance. Onder al die obstakels lag één cruciale beslissing: welk type AI moet worden ingezet?  

Organisaties die deze obstakels overwonnen, namen die beslissing doorgaans op dezelfde manier. Ze kozen ervoor om AI die specifiek voor hun branche is ontwikkeld, te combineren met de generieke tools die al in gebruik waren. De data tonen de waarde van deze beslissing aan. 

Bedrijven die zowel branchespecifieke als generieke AI gebruiken, lopen voorop ten opzichte van gebruikers van alleen generieke AI op alle acht operationele maatstaven die in het onderzoek zijn gemeten.

Het onderzoek heeft de prestaties op acht operationele gebieden in het afgelopen jaar gemeten. Het maakt gebruik van de standaard bedrijfsstatistieken die de organisaties van de respondenten al bijhouden, in plaats van hen te vragen uitkomsten rechtstreeks aan AI toe te schrijven. Vervolgens werden organisaties die zowel branchespecifieke als generieke AI gebruiken, vergeleken met organisaties die alleen op generieke tools vertrouwen. 

De groep die beide tools gebruikte, kwam op alle acht gebieden bovenaan te staan. De marges varieerden, maar verschillende waren statistisch gezien significant. 

Organisaties die zowel branchespecifieke als generieke AI gebruiken, meldden veel vaker een stijgende net promoter score (NPS): 70,6% tegenover 56,8% voor organisaties met alleen generieke tools. Respondenten die beiden soorten AI-tools gebruiken, verbeterden ook de klantretentie in sterkere mate (78,4% tegenover 71,2% voor gebruikers van alleen generieke tools) en de forecastnauwkeurigheid (84,4% tegenover 76,5%). 

Deze resultaten zijn betekenisvol. Het is logisch dat juist deze KPI’s het grootste verschil laten zien. Een generieke tool kan in elke branche een e-mail opstellen of een contract samenvatten. Maar het verbeteren van de NPS, het behouden van klanten en het maken van nauwkeurige forecasts vereisen inzicht in uw specifieke branche: de producten, de cycli, de dingen die misgaan en waarom. Dat inzicht is precies wat een branchespecifieke tool heeft, en waar een generieke tool moeite mee zal houden. 

Het duidelijkste bewijs komt van een bedrijf dat beide AI tools tegelijk gebruikte. De grote kledingfabrikant uit hoofdstuk 1 had twee AI-implementaties naast elkaar: een generieke sales-assistent die, in de woorden van de senior manager, ‘wisselende’ resultaten leverde, en een bracnhespecifiek supply chain-platform dat de organisatie ‘aanzienlijk beter af’ maakte. 

Dat platform voorspelt de klantvraag en de inkoop bij leveranciers tot op SKU-niveau over duizenden producten, en deelt die forecasts vervolgens stroomopwaarts met leveranciers. Dat is werk dat een generieke tool simpelweg niet zou kunnen doen. De juiste afstemming tussen de tool en de taak maakte het verschil tussen winst en een nuloperatie. 

Dit betekent overigens niet dat generieke tools niet nuttig zijn. Het betekent dat ze beperkingen hebben. De organisaties die het meest succesvol zijn, zijn de organisaties die branchespecifieke AI hebben ingezet precies daar waar die beperkingen de meeste problemen veroorzaakten. Soms leren bedrijven dit al vroeg in het proces, tijdens het verkennen van hun opties voor AI. De supply chain manager bij een middelgrote fabrikant zocht naar een tool om het inkoopproces van het bedrijf te beheren: de combinatie van artikelen, leveranciers, staffelprijzen en bestelhoeveelheden in één offerteaanvraag (RFQ). Het bedrijf vond geen geschikte tool op de markt die dat exact begreep, dus ontwikkelt het team er zelf een. 

Het is het oordeel dat de klant zelf velde: ze zochten, kwamen met lege handen terug en concludeerden dat de enige tool die zou passen, er een was die ze zelf moesten ontwikkelen. Wanneer de markt niets passends biedt, ontwikkelen organisaties het zelf. En dat zijn niet zomaar een paar toevalstreffers voor branchespecifieke AI. 

Ze kwamen overal terug tijdens dit onderzoek: de middelgrote distributeur bij wie de documenttool het aantal zendingen per medewerker verdubbelde omdat die de douaneformulieren kent; de fooddistributeur waarbij de afwijkingsdetector een verkeerde restaurantbestelling opvangt, omdat die weet hoe restaurants bestellen. In uiteenlopende sectoren met uiteenlopende uitdagingen presteert branchespecifieke AI beter dan generieke tools. 

Het is echter belangrijk om te begrijpen dat het prioriteren van een goede aansluiting bij de branche niet zomaar één losse goede beslissing was. Het was de beslissing die succes mogelijk maakte. Een AI tool die specifiek voor uw systemen is ontwikkeld, verkort en stroomlijnt het integratiewerk. Een tool die is ontwikkeld rond de maatstaven van uw branche maakt bewijs herleidbaar, omdat die al bijhoudt wat succes in uw bedrijf bepaalt. Een tool die uw branche begrijpt, kan de nauwkeurigheidsstandaard halen die veilige autonomie vereist. 

De juiste AI tool vervangt geen goede data, een eerlijke meting of zorgvuldige governance. Het maakt elk van deze doelen gemakkelijker te bereiken. Daarom telt de keuze van de juiste tool zwaarder dan de urgentie. 87% van de organisaties gelooft dat ze het risico lopen achterop te raken, of zelfs overbodig te worden, zonder een succesvolle AI-implementatie. Ze voelen terecht de druk. Maar de oplossing is niet meer AI, snellere AI of AI die het makkelijkst te implementeren is. 

Het is de juiste AI tool die het verschil maakt; ontwikkeld voor uw branche, uw data en de manier waarop uw bedrijf werkelijk draait. Dat is de conclusie van dit rapport. Organisaties die een goede keuze maken, komen er wel. Organisaties die dat niet doen, zullen zich afvragen waarom AI de verwachtingen nooit helemaal waarmaakte. 

KPI-verbeteringen, branchespecifieke en generieke AI versus alleen generieke AI 

 Aandeel van de respondenten dat over het afgelopen jaar enige verbetering meldt in de betreffende KPI, uitgesplitst naar het type AI dat hun organisatie gebruikt. Geen meting voor hoeveel de betreffende KPI's zijn verbeterd, en evenmin een meting voor de KPI zelf. Steekproefgroottes: 218 branchespecifiek én generiek, 264 uitsluitend generiek. 

Aanzienlijke winst in operationele efficiëntie, per land 

Aandeel van de respondenten dat over het afgelopen jaar een aanzienlijke verbetering (>10%) in operationele efficiëntie meldt 

Aanbevolen acties 

Om deze bevindingen toe te passen, moet u branchegeschiktheid als standaardvereiste stellen, en niet als secundaire voorkeur: 

1. Maak ‘is dit ontwikkeld voor onze branche?’ de eerste vraag bij elke AI-evaluatie. 

2. Geef prioriteit aan de use cases waar branchegeschiktheid het meest cruciaal is—alles wat klantgericht is waar branchekennis de beste resultaten oplevert. 

3. Benchmark tegen maatstaven die er echt toe doen: klantretentie, NPS, forecastnauwkeurigheid, in plaats van adoptie- of activiteitentellingen. 

4. Wanneer er geen vertical tool bestaat, lees dat dan als nuttige informatie, niet als een doodlopende weg. Als u over de middelen en de expertise beschikt, kunt u er zelf een ontwikkelen, of u kunt samenwerken met externe AI-experts. 

5. Plan overige AI werkzaamheden rondom deze keuze. Zodra de juiste tool gekozen is, is data-, metingen- en governancewerk eenvoudiger af te bakenen.  

Verschillende beslissingen leveren verschillende resultaten op. De keuze is nog steeds aan u. 

Voorbij de obstakels – focus op lange termijn haalbaarheid 

De obstakels die dit AI-adoptie rapport beschrijft, blijven voortdurend veranderen. Naarmate autonomie zich uitbreidt en early movers hun voorsprong vergroten, wordt de afstand tussen de organisaties die goed kozen en de organisaties die dat niet deden, groter. De komende twaalf maanden gaat een duidelijke strategie belangrijker zijn dan snel handelen. 

De volgende stap is duidelijk. Het begint met een scherpere vraag dan ‘gebruikt u AI?’ De betere vraag is: ‘gebruikt u AI die is ontwikkeld voor de manier waarop u werkelijk werkt?’ 

Van daaruit volgt de due diligence: versterk het datafundament, ontwikkel een methode om AI’s waarde te meten, en breid autonomie alleen uit voor zover het vertrouwen is verdiend. Niets daarvan vereist perfectie, maar u moet bewust kiezen en branchegeschiktheid als een vereiste prioriteit zien, niet als een ‘nice to have’. 

Het potentieel van AI stond nooit ter discussie. Maar potentieel alleen verdient zichzelf niet terug. Om het om te zetten in resultaten, behandel AI dan als een reeks keuzes die u goed moet maken, te beginnen met de keuze waar dit rapport op focust. Die keuze blijft altijd beschikbaar voor elke organisatie; dit rapport maakt het alleen moeilijker om die te blijven uitstellen. 

Aptean 

Aptean is een wereldwijde aanbieder van branchespecifieke software die fabrikanten en distributeurs helpt hun bedrijf effectief te beheren en te laten groeien. Onze branchespecifieke oplossingen helpen bedrijven van elke omvang hun dagelijkse uitdagingen op te lossen en met vertrouwen het AI-tijdperk in te gaan. Aptean heeft haar hoofdkantoor in Alpharetta, Georgia en heeft kantoren in Noord-Amerika, Europa en Azië-Pacific. Wilt u zien hoe Aptean de kloof tussen AI-ambitie en AI-ROI dicht? Bekijk dan AppCentral, ons vertical AI-platform, gebouwd voor de branches die wij bedienen. 

Vanson Bourne 

Vanson Bourne is een onafhankelijk specialist in marktonderzoek voor de technologiesector. Onze reputatie voor robuuste en geloofwaardige, op onderzoek gebaseerde analyse berust op strikte onderzoeksprincipes en op ons vermogen om de meningen te peilen van senior besluitvormers in technische en zakelijke functies, in alle bedrijfssectoren en alle belangrijke markten. 

Ga voor meer informatie naar www.vansonbourne.com.