85% van de B2B AI-use cases levert geen ROI op. Sommige hadden überhaupt geen AI nodig.

85% van de werknemers heeft geen toepassingsgebied voor AI dat zakelijke waarde oplevert. We vragen ons af „wat kan AI doen?“ voordat we ons afvragen wat er daadwerkelijk moet worden opgelost — nadat alle andere opties zijn uitgesloten.

De waarheid is: niet elke verbetering in het B2B-commerciële proces heeft AI nodig en niet elk probleem kan überhaupt met AI worden opgelost. En sommige bedrijven denken misschien dat ze een oplossing met AI hebben gebouwd, maar de zakelijke impact blijft uit.

Het resultaat: Er wordt veel tijd en middelen geïnvesteerd in iets dat geen impact heeft. Enerzijds hoort dit bij het leerproces dat we allemaal doormaken met AI, anderzijds heeft uw organisatie succesvolle AI-toepassingen nodig om een ‘AI-first’-bedrijfscultuur op te bouwen.

Nu populaire CRM-systemen zoals HubSpot allemaal tools ontwikkelen waarmee teams AI-agenten kunnen bouwen, context kunnen inbouwen en AI kunnen integreren in commerciële workflows (Agentic-workflows), verwacht ik dat veel teams zullen beginnen met het bouwen van AI-agenten in hun systeem. Laten we ervoor zorgen dat we oplossingen bieden die echt iets voor het bedrijf betekenen. Daar gaat dit artikel over.

Het veelvoorkomende patroon – Experimenteren versus geplande bedrijfsverbetering

AI is het standaardtrefwoord geworden nu bedrijven steeds meer ‘AI-first’ worden. We proberen in de bedrijfscultuur te verankeren dat mensen een ‘probeer het eerst met AI’-mentaliteit ontwikkelen.

Maar dit leidt tot een volgorde van handelingen die ook omgekeerd kan zijn — we vragen ‘wat kan AI doen?’ voordat we vragen ‘wat moet er eigenlijk worden opgelost, nadat alle andere opties zijn uitgesloten?’

Uit het AI Proficiency Report 2026 van Section blijkt dat 85% van de werknemers geen AI-toepassing heeft die bedrijfswaarde oplevert.

Mijn mening: dit is geen technologisch probleem. Het is een kwestie van AI-volwassenheid binnen de organisatie. We bevinden ons allemaal nog in de experimentele fase; we zijn aan het ontdekken wat elke tool kan doen.

Om problemen vanuit een zakelijk perspectief op te lossen, is een planmatige aanpak nodig. Niet alleen een mentaliteit van ‘laten we het eens met AI proberen’.

Wanneer moet je AI gebruiken om het probleem op te lossen en wanneer automatisering?

AI is geen doel op zich, maar een middel om een doel te bereiken. Zoals eenhoofd van ML, AI & Data bij een grote B2B-handelsmarktplaats , met wie ik onlangs sprak, het verwoordde (miljoenen dagelijkse datapunten, een technisch team van 50 personen):

"Ja, we bouwen AI-agenten. Maar 80% van wat we automatiseren – en we automatiseren heel veel – bestaat nog steeds uit geformatteerde data en if/then/else-constructies."

Dit was nu een groot team, dat uiteraard een zeer gestructureerde en geplande aanpak hanteert om met AI oplossingen voor het bedrijf te vinden.

Aan de andere kant sprak ik vorig kwartaal met een B2B-ondernemer van een start-up:

"Ik wil ons 'contact-to-cash'-proces volledig automatiseren met AI. Ik wil dat het 100% deterministisch en betrouwbaar is."

Mijn antwoord: „Dat kun je doen. Dat kon je al doen. Dat heet automatisering.”

De ene van deze mensen heeft al een scheidslijn getrokken tussen automatisering en AI. De andere greep naar het label ‘AI’ om iets te beschrijven wat automatisering al oplost.

In mijn ervaring met het bouwen van agentische workflows in de afgelopen zes maanden kan het ene niet zonder het andere. Maar bij het ontwerpen van de oplossing is het cruciaal om te bepalen wanneer welke functionaliteit voor wat moet worden gebruikt.

If/Then/Else – Automatisering die ‘tussen de regels door leest’

Het grootste deel van de automatiseringsmogelijkheden ligt hier nog steeds – zo’n 80%. Een ondertekend contract activeert verrijking, werkt de dealfase bij, wijst een verantwoordelijke toe en verstuurt een melding.

• Betrouwbaar — geen ‘gokmachine’
• Werkt foutloos met opgemaakte gegevens
• 100% deterministisch

AI – Automatisering die ‘tussen de regels door leest’

Binnen diezelfde workflow zitten subtaken die automatisering niet aankan: een situatie samenvatten, een team briefen, uitleggenwaarom een klant voor jou heeft gekozen.

AI bewijst zijn waarde wanneer het werk:

• Contextgedreven
• Repetitief is (zodat het effect zich opstapelt)
• Procesgestuurd (stap voor stap aan te leren)
• Op regels gebaseerd (gedrag en interpretatie kunnen worden gespecificeerd)
• Gericht op consistentie

De juiste volgorde van bewerkingen

1. Basis e — schone, gestructureerde gegevens; duidelijke segmentatie en fase-/statusbeheer
2. Automatiserings — deterministische if/then/else bovenop die basis
3. AI- — toegepast op wat overblijft: ongestructureerde context. Vaak de meest tijdrovende 20%. Verkoopmedewerkers verliezen nog steeds 6 tot 8 uur per week aan het vastleggen van notities in een CRM-systeem dat juist bedoeld was om dat werk overbodig te maken. Dat is precies waar AI context omzet in structuur.

Automatisering bovenop schone data en processen. AI daarbovenop, alleen waar de context dat vereist.

Wat menselijk moet blijven

Andrej Karpathy verwoordde het treffend: „Je kunt je denken uitbesteden, maar je kunt je begrip niet uitbesteden.”

Wat menselijk blijft: het oordeel over een werkelijk ambigue situatie. Het doorgronden van een moeilijk klantgesprek. Een strategische beslissing buiten de gedefinieerde context van een taak. Geen enkele agent is daarvoor gebouwd — en dat zou ook niet moeten.

We moeten dus heel bewust nadenken over waar we AI een plaats geven.

Begin bij de businesscase, niet bij de tool

Wat is dan de juiste weg naar ROI met AI? Dit is het stappenplan dat we altijd volgen:

1. Breng je huidige commerciële proces in kaart
2. Identificeer elk knelpunt
3. Filter alles eruit wat met traditionele automatisering kan worden opgelost (gestructureerde gegevens = automatisering, geen AI)
4. Stel een algemene businesscase op voor wat overblijft — tijdwinst × uurtarief, conversiestijging, verbetering van het sluitingspercentage. Maak een ruwe schatting, maak het niet te ingewikkeld
5. Kies de use case met de grootste impact. Begin daar
6. Stel een klein team samen: iemand die het gaat gebruiken, iemand die beslist, iemand die de instructies schrijft, iemand die het bouwt. Vier rollen. Geen RevOps-functie nodig.
7. Splits de use case op in subtaken — definieer de inputs/outputs bij elke stap. Bouw geen ‘duizendpoot’-agent; je hebt wellicht meerdere gespecialiseerde agents nodig
8. Ontwerp de infrastructuur voor de agent
9. Stel de instructies, scripts en kennisbank voor de agent op
10. Test, meet, herhaal
11. Definieer het beheer — wie is verantwoordelijk voor de prestaties, wie houdt de versiebeheer bij, wie controleert het en wanneer

Hoeveel van je drie belangrijkste AI-use cases leveren ROI op?

Als u meer wilt weten over hoe wij het bovenstaande stappenplan inzetten om bedrijven te helpen de stap te zetten van de 'experimentele fase' naar het creëren van impactvolle AI-oplossingen die concrete bedrijfsuitdagingen oplossen, laat het me dan weten!