AI levert niets op: drie jaar bezig, wat is er bewogen?

Begin hier

Drie vragen over je eigen bedrijf.

Beantwoord deze voordat je het onderzoek leest, want daarna voelen ze alle drie vanzelfsprekend. Er zijn drie plekken waar de waarde weglekt en elk heeft een andere oplossing. Deze vragen vertellen je welke jij hebt.

Is de individuele output het afgelopen jaar gestegen? Mensen die dingen afronden die vroeger langer duurden.
Is er iets in je hoofdcijfers bewogen door AI? Omzet, doorstroom, levertijd, marge. Iets dat je aan een bestuur zou laten zien.
Kun je zeggen waar de bespaarde tijd heen ging? Eén zin, per team, die iemand zou kunnen nakijken.

1

De tijd is nooit ergens op gericht

De output is hoger, er is niets bewogen, en niemand kan zeggen waar de uren zijn gebleven. Twee derde van de mensen krijgt geen richting over wat te doen met de tijd die AI vrijmaakt.4 Dit is de meest voorkomende en de goedkoopste om op te lossen.

2

De winst is echt en de rij staat ergens anders

Mensen zijn sneller op hun eigen stap en het werk wacht nog steeds, want de beperking zit tussen teams in plaats van binnen één team. Een stap versnellen die nooit het knelpunt was verandert niets dat je kunt meten.

3

Je meet niet op een plek waar het zichtbaar kan worden

Er wordt adoptie geteld, er worden licenties geteld, en waar het bedrijf werkelijk op draait niet. Dan is het eerlijke antwoord aan het bestuur dat je het niet weet, en dat klinkt hetzelfde als er is niets gebeurd.

In het wild

Welke hiervan was jullie laatste directieoverleg?

Vier momenten. Herken je er twee, dan gaat deze pagina over jouw bedrijf.

Iemand liet zien hoeveel sneller een taak nu gaat, iedereen knikte, en niemand vroeg wat er met de vrijgekomen tijd is gebeurd.
De AI-uitgaven hebben een regel in de begroting. Het rendement heeft nergens een regel, en de laatste die ernaar vroeg kreeg een voorbeeld in plaats van een getal.
Het antwoord op “wat heeft het opgeleverd” duurde vier minuten en bevatte geen cijfer dat na te kijken viel.
Je besloot volgend jaar meer te investeren, op dezelfde redenering als vorig jaar, omdat stoppen riskanter voelde dan doorgaan.

Die laatste zou ik in de gaten houden. Besluiten door te gaan is prima. Besluiten door te gaan zonder te kunnen zeggen wat de vorige ronde je opleverde, betekent dat de volgende ronde net zo eindigt, en dan valt er een stuk meer uit te leggen.

Het gemeten deel

Drie onderzoeken, drie methodes, één antwoord.

Dit is niet iets wat jou in het bijzonder overkomt. Tussen eind 2025 en midden 2026 gingen drie losse onderzoeken op zoek naar het effect en kwamen ze met ongeveer dezelfde bevinding terug.

Andere steekproeven, andere vragen, dezelfde vorm. De 6% is in een jaar niet bewogen, terwijl investering en overtuiging bleven klimmen.1 2 3

Het NBER-werk is degene die ik zou lezen als je er maar één leest. Onderzoeksteams van de Federal Reserve Bank of Atlanta, de Bank of England, de Deutsche Bundesbank en Macquarie University legden tussen november en januari identieke vragen voor aan bijna zesduizend CEO’s, CFO’s en financieel verantwoordelijken in vier landen.1 Negenenzestig procent van die bedrijven gebruikt AI actief. Ruim negentig procent meldt in drie jaar geen effect op de werkgelegenheid, en negenentachtig procent meldt geen effect op de arbeidsproductiviteit.

Drie jaar zonder meetbaar effect, en dezelfde mensen verwachten dat de winst volgend jaar begint. Dat is hoop met een budget eraan. Paul Musters

Want dat is het deel van de NBER-gegevens dat bijna niemand citeert. Dezelfde bestuurders die in drie jaar niets zagen, verwachten de komende drie jaar 1,4% hogere arbeidsproductiviteit en 0,7% lagere werkgelegenheid.1 Daarvoor moet er iets veranderen, en in de meeste bedrijven staat er niets gepland.

Op welk level zit het lek?

Zes vragen, drie minuten, geen naam eraan. Je level, wat het je kost, en wat er een stap hoger verandert.

Doe de Culture Level scan

Waarom het gebeurt

De winst is individueel. Het resultaat moet organisatorisch zijn.

Iemand bespaart vier uur op een dinsdag. Wil dat een bedrijfscijfer bereiken, dan moeten er na die dinsdag drie dingen gebeuren, en in de meeste bedrijven gebeurt er geen van drie.

Tijd bespaard Echt, en al van jou.

Een richting gekregen Iemand zegt waar het uur voor is, of het vult zich met meer van hetzelfde werk. 66% krijgt hier niets4

Gericht op de rij Het landt op de stap die de levering echt ophoudt, in plaats van op een stap die al snel was. bijna niemand controleert dit

Je cijfers Het kwartaal waarin het eindelijk zichtbaar wordt.

Waar de waarde weglekt tussen de dinsdag van één persoon en het kwartaal van het bedrijf. Het eerste gat is vastgelegd in onderzoek.4 Het tweede kom ik tegen in vrijwel elk bedrijf waar ik binnenloop.

Niemand heeft gezegd waar de tijd voor was

BCG vond dat 42% van de regelmatige gebruikers minstens een hele werkdag per week bespaart, terwijl 66% weinig of geen richting krijgt over wat ermee te doen.4 Een uur zonder bestemming gaat op aan meer van hetzelfde werk. Het voelt die dag productief en is aan het eind van het kwartaal onzichtbaar. Dit lek zou ik als eerste dichten, want zeggen waar de tijd voor is kost één vergadering.

Het knelpunt was nooit het typen

De meeste AI-winst landt op de stap waar iemand iets maakt. Wat je levering echt ophoudt is meestal een overdracht, een goedkeuring, of één persoon waar alles langs gaat. Maak het schrijven twee keer zo snel en de rij voor de goedkeurder wordt gewoon langer. Je hebt snelheid gekocht op een plek die nooit de beperking was, en daarom merkt de klant niets.

Je telt het verkeerde

Licenties, logins, wekelijks actieve gebruikers. Allemaal makkelijk te tellen en geen ervan vertelt je iets over het bedrijf. MIT leest dit als een organisatorische in plaats van een technische barrière, en noemt het een leerkloof.2 Dat komt overeen met wat ik zie: de bedrijven met resultaat draaien geen betere modellen, ze hebben veranderd hoe het werk beweegt.

Een directie die naar de eigen cijfers op het scherm kijkt

Hoe je het ziet

Twee kolommen, twaalf maanden uit elkaar.

Geen project, geen adviseur, één pagina. Zet je belangrijkste bedrijfscijfers van twaalf maanden geleden naast die van vandaag, en zet je AI-adoptiegegevens naast allebei.

Wat je op de pagina zet.

De drie of vier cijfers waar je bedrijf echt op draait. Omzet per medewerker, levertijd, doorstroom, marge. De cijfers die je in een bestuursvergadering zou verdedigen.
Dezelfde cijfers van twaalf maanden geleden.
Je adoptiecijfers over dezelfde periode: wie gebruikt wat, hoe vaak.
Eén regel per team over waar de bespaarde tijd heen is gegaan. Kun je die regel niet schrijven, dan is dat de bevinding.

Is de individuele productiviteit gestegen en zijn de organisatiecijfers vlak, dan is de beperking structureel. Snelheid is niet wat ontbreekt, dus meer snelheid kopen dicht het niet.

Eén waarschuwing bij deze oefening. Het is verleidelijk om de vierde regel te vullen met iets plausibels. Doe dat niet. Een eerlijke lege regel is meer waard dan een stellige zin die niemand kan nakijken, en die lege regel maakt het volgende gesprek mogelijk.

Waar het zit

Individuele winst wordt bedrijfsresultaat op level 3.

01Campfire60%

02Wild West25%

03Blueprint10%Hier wordt winst resultaat

04Engine4%

05Ecosystem1%

Aandeel bedrijven per level. De vijf AI Culture Levels die we bij klanten gebruiken, van iedereen doet maar wat tot AI die onderdeel is van hoe het bedrijf draait.5

In de vijf AI Culture Levels die we bij klanten gebruiken is level 2 dagelijks individueel gebruik zonder gedeelde werkwijze. Iedereen heeft iets gevonden dat werkt en niemand werkt hetzelfde. Alles op deze pagina is hoe level 2 eruitziet in een winst-en-verliesrekening, en dat is: nergens.

Level 3 is waar de werkwijze wordt vastgelegd en de goede methode de gewone methode wordt. Dat is het eerste level waarop de dinsdag van één persoon een bedrijfscijfer kan bereiken, want de winst is dan niet meer persoonlijk. Ongeveer één op de tien organisaties zit daar, en dat past ongemakkelijk goed bij de 6% die McKinsey als koploper telt.3

Wat een meting toevoegt aan een spreadsheet

Een Operating Profile in gebruik. Persoonlijkheidstype en AI-niveau in één profiel, met de agents die daarbij passen.

De oefening met twee kolommen vertelt je dat de winst niet aankomt. Hij vertelt je niet waar in het bedrijf hij ophoudt, en dat heb je nodig voordat je nog een euro verstandig kunt uitgeven. Een totaal is hier nutteloos. Wat je wilt is de verdeling: welk team drie levels voorloopt, welk team nog niet is begonnen, en waar de overdracht tussen die twee zit.

We meten per persoon: de werkstijl van iemand, en hoe ver iemand is met AI. Dan heeft het lek een adres, en meestal blijkt het één overdracht tussen twee teams te zijn in plaats van een bedrijfsbreed probleem. Dat is veel goedkoper op te lossen dan het veranderprogramma dat iemand op het punt staat voor te stellen.

Over emaho

emaho meet één Operating Profile per persoon: persoonlijkheidstype en AI-niveau in één profiel. Daarop bouwen we een persoonlijke set AI-agents die past bij hoe iemand werkt, binnen de tools die hij al gebruikt. Vijftien minuten invullen, het eerste profiel is gratis, gemaakt voor bedrijven van 20 tot 500 mensen.

Bekijk je eigen profiel, gratis Vind je AI Culture Level

Vijftien minuten per persoon. Geen creditcard, geen verplichtingen.

Een team dat uitzoekt waar hun werk echt blijft hangen

Wat werkt

Vier stappen, en geen ervan is een grotere licentie.

Zeg waar de tijd voor is. Hardop, per team, dit kwartaal. “De extra dag gaat naar klantgesprekken.” “De extra dag gaat naar het verkorten van onze levertijd.” Elk helder antwoord verslaat de huidige situatie, want op dit moment heeft twee derde van je mensen niets gekregen en vult die ruimte met meer van hetzelfde werk.4

Zoek daarna de rij. Loop één stuk werk van verzoek tot geleverd en schrijf op waar het wacht. In elk bedrijf waar ik dit heb gedaan is het wachten langer dan het werken, en het wacht in een overdracht in plaats van binnen een taak. Daar zou snelheid zichtbaar worden, en daar ging het AI-budget vrijwel nooit heen.

Kies één bedrijfscijfer en houd het twee kwartalen stil. Levertijd, omzet per medewerker, waar je bedrijf ook op draait. Eén getal, twee kwartalen, geen definitie die halverwege verandert. De meeste AI-rapportage mislukt omdat het cijfer vaker bewoog dan het resultaat.

En meet de verdeling, per persoon en per team, zodat de volgende investering landt waar het gat zit. Dat is het verschil tussen een plan en een aankoop.

Twee kolommen ingevuld? Stuur me allebei

De bedrijfscijfers en de adoptiecijfers, twaalf maanden uit elkaar. Ik vertel je naar welk van de drie lekken het wijst en wat ik als eerste zou doen. Je krijgt een recht antwoord en er komt niets achteraan.

Stuur me een bericht op WhatsApp

Als je niets doet

Drie jaar uitgaven, en één ongemakkelijke vraag.

Het geld is het duidelijke deel en het kleinste. Nog een jaar licenties, nog een pilot, nog een ronde goedgekeurd op dezelfde redenering als de vorige. Pijnlijk in de begroting, te overleven.

Wat meer kost is de geloofwaardigheid. De tweede keer dat een directie belooft dat AI dit jaar in de cijfers verschijnt, luistert de kamer niet meer, en de mensen die het werkelijk beter maakten worden op één hoop gegooid met de hype. Daarna kost het jaren om iets met het woord AI erin voor te stellen en serieus genomen te worden.

En er is de concurrentiekant, die langzaam komt en dan ineens. Zes procent van de bedrijven haalt echt effect op de winst en dat getal is in een jaar niet bewogen.3 Ze draaien geen betere modellen dan jij. Ze hebben herbouwd hoe werk door het bedrijf beweegt, en dat kost ongeveer achttien maanden, dus het gat dat je vandaag ziet is anderhalf jaar geleden besloten.

Gevraagd en beantwoord

Wat mensen vragen als de cijfers weigeren te bewegen

Waarom levert AI geen meetbare productiviteitswinst op?

Omdat de winst individueel is en het resultaat organisatorisch moet zijn. Er zijn drie plekken waar het weglekt: niemand zei waar de bespaarde tijd voor was, de versnelling landde niet op het echte knelpunt, of er wordt gemeten op een plek waar het niet zichtbaar kan worden.

Wat zegt het NBER-onderzoek over AI en productiviteit?

Bijna 6.000 CEO’s, CFO’s en financieel verantwoordelijken in vier landen kregen identieke vragen. 69% van de bedrijven gebruikt AI actief, ruim 90% meldt in drie jaar geen effect op de werkgelegenheid en 89% geen effect op de arbeidsproductiviteit.

Klopt het dat 95% van de AI-projecten geen rendement oplevert?

Dat cijfer komt van MIT en gaat over organisaties die geen rendement melden op hun AI-investeringen, tegenover 30 tot 40 miljard dollar aan uitgaven. MIT beschrijft de barrière als organisatorisch in plaats van technisch, en noemt het een leerkloof.

Op welk niveau wordt individuele winst bedrijfsresultaat?

Vanaf level 3. emaho plaatst bedrijven op vijf AI Culture Levels, en Blueprint is waar de goede methode de gewone methode wordt. Ongeveer één op de tien organisaties zit daar, en dat past ongemakkelijk goed bij de 6% koplopers die McKinsey telt. De scan is zes vragen en drie minuten.

Hoe bewijs je dat AI iets oplevert?

Zet je belangrijkste bedrijfscijfers van twaalf maanden geleden naast die van vandaag, met je adoptiecijfers ernaast, en schrijf per team één regel over waar de bespaarde tijd heen ging. Kun je die regel niet schrijven, dan is dat de bevinding.

Wat moet je doen met de tijd die AI bespaart?

Er hardop een bestemming aan geven, per team, per kwartaal. Twee derde van de mensen krijgt daar niets over te horen en vult de ruimte met meer van hetzelfde werk. Elk helder antwoord is beter dan de huidige situatie.

Waarom is meer AI kopen niet de oplossing?

Omdat je dan snelheid koopt op een plek die vaak niet het knelpunt is. Wat de levering ophoudt is meestal een overdracht, een goedkeuring of één persoon waar alles langsgaat. Sneller schrijven maakt de rij voor de goedkeurder alleen langer.

Wat doet emaho aan uitblijvend AI-rendement?

Het lek een adres geven, en daarna de overdracht aanpakken in plaats van de tool. Dat is meestal goedkoper dan het veranderprogramma dat iemand op het punt staat voor te stellen. Begin met je eigen profiel, dat is gratis.

Welk cijfer moet je meten om AI-effect te zien?

Eén bedrijfscijfer, twee kwartalen stilgehouden, met dezelfde definitie. Levertijd, omzet per medewerker, doorstroom. De meeste AI-rapportage mislukt doordat de definitie vaker bewoog dan het resultaat.

Hoeveel bedrijven halen wel resultaat uit AI?

McKinsey telt 6% als koploper met echt effect op de winst, onder bijna 1.700 bestuurders wereldwijd, en dat getal is in een jaar niet bewogen. Die bedrijven draaien geen betere modellen, ze hebben herbouwd hoe het werk beweegt.

Hoe lang duurt het voordat AI in de cijfers zichtbaar wordt?

Bij de bedrijven waar het lukt gaat er ongeveer achttien maanden aan verbouwing van werkstromen aan vooraf. Dat betekent ook dat het gat dat je vandaag ziet anderhalf jaar geleden is ontstaan.

Waar past dit tussen de andere AI-challenges?

Het is er één van vijfentwintig, en de drie lekken op deze pagina hebben elk een eigen challenge. De volledige set van 25 AI-challenges geeft per challenge het onderzoek, het level en een test die je deze week kunt doen.

Is dit een technisch of een organisatorisch probleem?

Organisatorisch. Dat is de conclusie van MIT en het is ook wat het patroon laat zien: de tools werken, de tijd is echt, en er is geen route van de dinsdag van één persoon naar het kwartaal van het bedrijf.

Moet je stoppen met investeren in AI?

Doorgaan is prima. Doorgaan zonder te kunnen zeggen wat de vorige ronde opleverde betekent dat de volgende ronde net zo eindigt, en dan valt er meer uit te leggen. Het verschil zit in de vraag of je weet waar de winst blijft steken.

Wat is de AI-productiviteitsparadox?

De situatie waarin de individuele output stijgt en de output van de organisatie gelijk blijft. Losse taken gaan sneller, de hoofdcijfers bewegen niet, en beide waarnemingen kloppen.

Vlakbij

Drie plekken waar de winst blijft steken.

Elk hiervan is een van de lekken uit het schema hierboven, uitgewerkt op een eigen pagina.

06

De gebruikskloof

Driekwart van je mensen gebruikt al wekelijks AI en twee derde is niets verteld over wat met de tijd te doen. Het eerste lek, met de cijfers erachter.

Lees deze In de volledige set 11

Coördinatiekosten

Iedereen levert meer en het werk beweegt trager door het systeem dan eerst. Het tweede lek, en degene die de winst het snelst opeet.

Lees deze In de volledige set 21

De blinde vlek in het meten

Je telt licenties en logins omdat die telbaar zijn. Het derde lek: aantonen wat AI opleverde terwijl niemand had afgesproken wat als opgeleverd zou tellen.

Lees deze

Alle 25 AI-challenges, en wat je aan elk kunt doen

Vijfentwintig dingen die stukgaan in een bedrijf zodra mensen met AI gaan werken, elk met het onderzoek erachter en het level waarop het begint te bijten. Deze begint te bijten op Blueprint, en 7 andere beginnen daar ook.

Open de volledige set

Aan de slag

Volg het lek voordat je er nog een jaar voor betaalt.

De twee kolommen vertellen je dat de winst niet aankomt. Een profiel per persoon vertelt je waar in het bedrijf hij ophoudt, en dat heb je nodig voor de volgende budgetronde.

Neem één werkstroom en volg de winstUren die aan het bureau worden bespaard zijn makkelijk te vinden. Waar ze ophouden is het getal dat je nodig hebt.
Bepaal op welke verdieping hij blijft stekenZodra iedereen een profiel heeft zie je waar het bedrijf de winst opneemt in plaats van doorgeeft.
Bepaal waar het bespaarde uur voor isZegt niemand het, dan wordt het stilletjes meer van hetzelfde werk en verschijnt de winst nergens waar je hem kunt zien.

Begin met je eigen profiel, gratis Stel me eerst je vraag Plan een gesprek van 30 minuten

Eerste profiel gratis · geen creditcard · gemaakt voor bedrijven van 20 tot 500 · jij bepaalt wat je team te zien krijgt

Liever beginnen op bedrijfsniveau? De Culture Level scan is zes vragen, drie minuten, en vraagt niets van je.

Paul MustersOprichter van emaho

Paul Musters

Vijftien jaar leiderschaps- en teamontwikkeling in Nederlandse scale-ups. Die praktijk zit nu in software: één Operating Profile per persoon, met agents die echt passen. Hij schrijft deze pagina’s vanuit wat hij bij klanten tegenkomt, in plaats van vanuit een samenvatting van onderzoek.

LinkedIn · paul@emaho.world · WhatsApp

Bronnen en cijfers die op deze pagina staan

National Bureau of Economic Research, working paper Firm Data on AI, februari 2026. Identieke onderzoeksvragen uitgezet door onderzoeksteams van de Federal Reserve Bank of Atlanta, de Bank of England, de Deutsche Bundesbank en Macquarie University tussen november 2025 en januari 2026, beantwoord door bijna 6.000 CEO’s, CFO’s en financieel verantwoordelijken in de Verenigde Staten, het Verenigd Koninkrijk, Duitsland en Australië. Bron van: 69% van de bedrijven gebruikt AI actief, meer dan 90% meldt in drie jaar geen effect op de werkgelegenheid, 89% meldt geen effect op de arbeidsproductiviteit, en de verwachting van 1,4% hogere arbeidsproductiviteit en 0,7% lagere werkgelegenheid over de komende drie jaar.
MIT, 2025. Ondanks 30 tot 40 miljard dollar aan AI-investeringen door bedrijven meldt 95% van de organisaties geen rendement, met een barrière die als organisatorisch in plaats van technisch wordt beschreven en die een leerkloof wordt genoemd.
McKinsey, augustus 2026. Van bijna 1.700 bestuurders wereldwijd kwalificeert 6% als AI-koploper met echt effect op de winst, onveranderd ten opzichte van een jaar eerder, terwijl investering en overtuiging blijven klimmen.
Boston Consulting Group, AI at Work, vierde jaargang, 3 juni 2026. Wereldwijd onderzoek onder 11.749 werkenden in 14 markten. Bron van: 42% van de regelmatige gebruikers op de werkvloer bespaart minstens een hele werkdag per week, en 66% krijgt weinig of geen richting over wat met die tijd te doen.
emaho AI Culture Levels. Level 2 is dagelijks individueel gebruik zonder gedeelde werkwijze en telt ongeveer een kwart van de organisaties. Level 3, waar de werkwijze is vastgelegd, telt ongeveer één op de tien. Geijkt aan BCG 2025 en McKinsey 2025.

Cijfers staan zoals ze zijn gepubliceerd. De NBER-cijfers zijn bij de bron gecontroleerd. De cijfers van MIT en McKinsey komen uit het eigen onderzoeksdossier van emaho over de challenges.