Skip to main content

AI onder de loep: het Aptean AI-rapport 2026

Page 1


Aanbevolen acties

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

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.

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

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?

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

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.

Het probleem van de verkeerde tool

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

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 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.

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 ERPen 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.2

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.

77%

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

‘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.

2 Respondenten konden hun top drie kiezen; percentages tellen niet op tot 100%.

Waarom organisaties branchespecifieke AI waarderen

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

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-enklare 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 AItools 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 patroon is moeilijk te missen: passendheid is doorslaggevend. 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.

Sterkere
Minder behoefte aan maatwerk
Eenvoudigere/ betere integratie

Het infrastructuurprobleem

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.

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 Integratie is 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 AIimplementatie.

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.

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

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.

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.

Wat houdt de waarde van AI tegen?

AI integreren met kernsystemen is moeilijker dan AI zelf

Datakwaliteit of -toegang is de grootste barrière voor AI-succes

Gebrek aan governance een grote belemmering vormt voor succes met AI-oplossingen 75%

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

‘We hadden te veel hoop gevestigd op de data die we hadden. Het faalde meteen.’

- Senior manager, voedsel- en drankenproducent, over waarom een AI-pilot mislukte

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.

De ongemakkelijke waarheid van ‘de infrastructuurkloof’ is dat het werk beloont dat niemand spannend vindt: data opschonen, systemen verbinden en processen definiëren.

‘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.

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.

Aanbevolen acties

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

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

Breng het integratiepad vroeg in kaart. Weet welke systemen AI moet bereiken en wat het kost om ze te verbinden, voordat u zich vastlegt. 1 2 3 4 5

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

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

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.

Het onaatrekkelijke werk maakt het verschil tussen pilots die opschalen en pilots die stilletjes doodbloeden.

Meetvacuüm: de kloof tussen waarde en realisatie

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

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 AIinvestering heeft opgeleverd.

92%

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

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.

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.

Belangrijkste succesmaatstaven voor AI-initiatieven

Operationele efficiëntie

Kostenbesparing

Kwaliteit en snelheid van besluitvorming

AI-ROI / terugverdientijd

Omzetgeneratie

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%.

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 AIinvestering. 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%,

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.

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 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%).

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

ׇ 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.

Aanbevolen acties

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

Zonder framework blijven zelfs echte successen onzichtbaar—en in onzichtbare successen wordt geen tweede keer geïnvesteerd. 1 2 3 4 5

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

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.

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

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

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.

HOOFDSTUK 5

De grens van AI-autonomie

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

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.

Wat gebeurt er als een generieke AI-tool complexe, branchespecifieke cijfers en processen moet verwerken zonder menselijke controle? 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.

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

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.

Waar AI autonoom mag handelen

Klantgerichte beslissingen

Tactische / operationele beslissingen

Strategische beslissingen

Personeelsbeslissingen

Financiële beslissingen

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%.

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.’

Zijn bedrijf had de criteria voor autonoom AIgebruik tot aan de CFO goedgekeurd en aanvaard dat er fouten zouden worden gemaakt, maar had

‘In mijn beleving zou dat AI zijn, omdat er geen mens bij betrokken was.’

- Supply chain manager, middelgrote fabrikant, over wie schuld heeft wanneer een AI Agent een fout maakt

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 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.

‘U laat dezelfde AI niet zijn eigen werk controleren; dat is een slecht idee.’

- Leidinggevende, grote fabrikant, over het beoordelen van AI-output

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.

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

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:

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. 1 2 3 4 5

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.

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.

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.

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.

Betere resultaten met branchespecifieke AI

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

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 57,2% voor organisaties met alleen generieke tools. Respondenten die beiden soorten AI-tools gebruiken, verbeterden ook de klantretentie in sterkere mate (78,3% tegenover 71,2% voor gebruikers van alleen generieke tools) en de forecastnauwkeurigheid (85,1% tegenover 77%).

Een generieke tool kan in elke branche een e-mail opstellen of een contract samenvatten. Uw
NPS verhogen en uw klanten behouden vereist begrip van de wereld van die klant.

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-score, 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.

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. teekproefgroottes: 218 branchespecifiek én generiek, 264 uitsluitend generiek.

Het duidelijkste bewijs komt van een bedrijf dat beide AI tools tegelijk gebruikte. De grote kledingfabrikant uit hoofdstuk 1 had twee AIimplementaties 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.

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.

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.

Aanzienlijke winst in operationele efficiëntie, per land

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

De juiste AI tool vervangt geen goede data, een eerlijke meting of zorgvuldige governance.

Het maakt elk van deze doelen gemakkelijker te bereiken.

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.

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 AIimplementatie—maar het antwoord is niet meer AI. Het is de juiste AI.

Aanbevolen acties

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

Plan overige AI werkzaamheden rondom deze keuze. Zodra de juiste tool gekozen is, is data-, metingen- en governancewerk eenvoudiger af te bakenen. 1 2 3 4 5

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

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

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

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.

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 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 leverancier van branchespecifieke software die fabrikanten en distributeurs helpt hun bedrijf effectief te managen en te laten groeien. De oplossingen en diensten van Aptean helpen bedrijven van elke omvang om Ready for What’s Next, Now® te zijn. Aptean heeft haar hoofdkantoor in Alpharetta, Georgia en heeft kantoren in Noord-Amerika, Europa en Azië-Pacific.

Ga voor meer informatie over Aptean en de markten die we bedienen naar www.aptean.com

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.

Turn static files into dynamic content formats.

Create a flipbook