Acht op de tien voelen het. Minder dan vier op de tien kunnen het laten zien.
Tel je nog steeds logins?
De meetblinde vlek is dat je voelt dat AI werkt zonder het te kunnen laten zien. Het gebruik stijgt, licenties worden verlengd, en niemand heeft een getal dat een wedervraag overleeft.
Je mensen vertellen je dat het ze tijd bespaart, en ze hebben gelijk. Dan vraagt de raad van commissarissen wat het het bedrijf heeft opgeleverd, en het eerlijke antwoord is een slide over gebruik.
Op de werkvloer“Het scheelt me een dag per week.”In de bestuurskamer“Laat maar zien waar.”
Eerst één vraag
Vink aan wat je werkelijk bijhoudt.
Doe dit voordat je de rest leest, want de rest verklapt het. Acht dingen waar bedrijven over rapporteren. Vink aan waarvoor je bedrijf nu een getal heeft, zonder het iemand te vragen.
De eerste vijf tellen wat mensen met de tool doen. De laatste drie zeggen of het bedrijf er beter van wordt. Allebei zijn ze het bijhouden waard. Maar één ervan geeft antwoord aan de raad.
De meeste directieteams waar ik bij zit vinken er drie of vier aan uit de bovenste helft en niets uit de onderste. Dat is in 2026 een gewone plek om te staan, en het is ook waarom het gesprek over budget in het tweede jaar ongemakkelijk wordt.
Hoe het eruitziet
Vier dingen die bij jullie waarschijnlijk zijn gebeurd.
Vink aan wat je herkent. Er wordt niets gescoord en niets verstuurd. Het is een snellere manier om te zien waar je staat dan nog drie alinea’s lezen.
Drie of vier daarvan en je zit in het gewone geval, en dat is het waard om hardop te zeggen, want de versie van dit gesprek waarin iemand er slordig uitziet is de versie die nergens toe leidt.
De meetblinde vlek betekent dat je niet kunt zeggen of het AI-geld werkt, in welke richting dan ook.
Acht op de tien mensen zegt dat AI ze productiever maakte. Zevenendertig op de honderd bedrijven kan enig effect op de winst aanwijzen.1
Wat het onderzoek laat zien
McKinsey vroeg dit voorjaar 1.719 mensen in 97 landen. 80% zegt dat AI de eigen productiviteit verbeterde. 37% zegt dat het iets met de winst van het bedrijf heeft gedaan, hetzelfde aandeel als een jaar eerder.1
De 6% die wél echt financieel resultaat haalt heeft twee keer zo vaak een vastgelegde manier om het effect van wat ze bouwen te meten. Meten is een van de dingen die ze daar brengt.1
Geld volgt wat makkelijk te tellen is. Meer dan de helft van de AI-budgetten gaat naar sales en marketing, waar de cijfers op een slide passen, terwijl de achterkant van het bedrijf beter terugbetaalt.2
Het beroemde cijfer dat 95% van de AI-pilots mislukt komt uit 52 interviews en is nooit door vakgenoten getoetst. Op een pagina over meten is dat het waard om te weten voordat je het weer aanhaalt.2
Drie getallen lossen het meeste hiervan op, en je kunt maandag met alle drie beginnen. Ze staan verderop.
De reden dat deze pagina je vond
De verlenging komt eraan en je wilt een betere reden dan “iedereen vindt het fijn”
Iemand uit je raad vroeg wat de AI-uitgaven hebben opgeleverd en je vertelde over gebruik
Je hebt gelezen dat 95% van de AI-projecten mislukt en je weet niet of jij daarbij hoort
Je wilt hier meer aan uitgeven en je weet dat je huidige onderbouwing een gesprek met finance niet overleeft
Wat je meeneemt
Drie getallen waarmee je maandag kunt beginnen, met waarom elk lastig te verfraaien is
Het huidige onderzoek naar wat bedrijven werkelijk terugkrijgen, met de steekproeven erbij
Waarom het meest aangehaalde cijfer over AI-rendement minder waard is dan je denkt
Waar meten zit in de vijf AI Culture Levels, en wat je daarheen brengt
In gewone woorden
Begin bij het cijfer dat iedereen je voorhoudt.
Als je het afgelopen jaar in een vergadering over AI hebt gezeten, heeft iemand gezegd dat 95% van de AI-projecten mislukt. Het wordt gebruikt om een budget tegen te houden en om er een te rechtvaardigen, afhankelijk van wie het zegt.
Dat cijfer komt uit een rapport van Project NANDA van MIT, gepubliceerd in juli 2025. Erachter zitten 52 interviews met bestuurders, 153 enquêtereacties en een blik op ongeveer 300 openbare projecten. Zesentwintig pagina’s, door de auteurs zelf gemarkeerd als voorlopige bevindingen, nooit door vakgenoten getoetst. Succes was smal gedefinieerd als direct effect op omzet of winst, dus een project dat kosten verlaagde of klanten vasthield telde als mislukt.2
Ik zeg niet dat het cijfer fout is. Ik heb geen idee, en degene die het aanhaalt ook niet. Dat is het punt. Het meest herhaalde feit over de vraag of AI iets oplevert is zelf nauwelijks gemeten, en het vulde een gat dat niets beters vulde.
Een getal dat niemand kan controleren reist sneller dan een getal dat je wel kunt controleren. Het vult de plek waar jouw eigen getal had moeten staan.
Paul Musters
Er staat in datzelfde MIT-rapport één ding dat je wel wilt bewaren, en het verklaart veel over waar AI-geld heen gaat. Meer dan de helft van de AI-budgetten landt bij sales en marketing, want die afdelingen hebben al dashboards en hun cijfers komen zonder veel werk op een slide. De achterkant van het bedrijf krijgt minder. Het rapport zag daar betere opbrengsten, en dat aantonen kost werk waar niemand tijd voor heeft.2
De uitgaven volgen dus wat makkelijk te tellen is. Niet wat werkt. Dat is de hele challenge in één zin, en hij geldt voor jouw bedrijf net zo goed als voor die in het rapport.
Het gemeten deel
Tachtig voelen het. Zevenendertig kunnen het laten zien.
Voor het echte beeld is het beste dat nu beschikbaar is het wereldwijde onderzoek van McKinsey, gepubliceerd op 25 augustus 2026. Ze vroegen het aan 1.719 mensen in 97 landen tussen 4 mei en 8 juni. Twee van die antwoorden, naast elkaar gelegd, zijn deze hele pagina.1
Zegt dat AI de eigen productiviteit verbeterde
80%
Zegt dat AI iets heeft bijgedragen aan de winst van het bedrijf
37%
Haalt 5% of meer van de winst uit AI en noemt het effect aanzienlijk
6%
Hetzelfde onderzoek, dezelfde 1.719 respondenten. Het eerste getal gaat over degene die antwoordt. De andere twee gaan over het bedrijf waar diegene werkt.1
Die 37% is in een jaar niet bewogen, terwijl het aandeel bedrijven dat AI door de hele organisatie uitrolt van 38% naar 44% ging. Meer bedrijven rollen het uit. Hetzelfde aandeel kan een resultaat aanwijzen.1
2×
zo vaak, bij de bedrijven met echt financieel resultaat, een vastgelegde manier om het effect van AI-initiatieven te meten
Lees die eerste nog een keer, want die verandert wat je maandag doet. Meten staat in hetzelfde rijtje als betrokkenheid van de leiding en het opnieuw inrichten van het werk. Het hoort bij de oorzaken en niet bij het papierwerk achteraf.
Wat logisch is zodra je het hardop zegt. Als je niet kunt zien welk van je vijftien AI-experimenten werkt, kun je er ook geen geld naartoe verplaatsen, en dan financier je alle vijftien een beetje en geen enkele goed.
Waarom niemand het merkt
Logins tellen was makkelijk, en makkelijk werd de maatstaf.
De tool geeft je een dashboard, dus gebruik je dat
Elke leverancier levert gebruikscijfers mee. Licenties, logins, opdrachten, minuten. Het komt gratis binnen, het ziet eruit als meten, en het gaat rechtstreeks de kwartaalupdate in. Niemand heeft gekozen om activiteit te meten. Het zat gewoon in de doos, en iets anders bouwen kost een week die niemand heeft.
Niemand heeft opgeschreven hoe succes eruit zou zien
Vraag wat het doel was van je grootste AI-investering, in bedrijfstermen, van voordat het begon. In de meeste bedrijven is die zin nooit geschreven. Daarna zoek je bewijs voor iets dat je nooit hebt gedefinieerd, en dat spel verlies je ongeacht wat de tool deed.
Je kunt achteraf niet bewijzen dat je een doel haalde dat je nooit hebt gesteld. Dat is geen meetprobleem. Dat is in de aftrap gebeurd.
Paul Musters
Iedereen is een beetje bang voor het antwoord
Deze wordt me onder vier ogen verteld en nooit in de vergadering. Degene die AI erdoor duwde wil geen getal dat zegt dat het niets deed. Het team dat het dagelijks gebruikt wil zijn licentie niet kwijt. Finance kan nog een kwartaal wachten. Dus wordt de eerlijke meting steeds niet gebouwd, en iedereen is voor zijn eigen deel volstrekt redelijk.
De uitweg is de werkstroom meten in plaats van de tool. Niemand voelt zich beoordeeld als je klokt hoe lang een order erover doet om bij een klant te komen, en het vertelt je meer dan welke enquête over bespaarde uren ook.
Nog een getal voor de raad
Drie minuten, zes vragen, zonder naam. Je level, de rekening die eraan hangt, en wat een trede hoger oplevert.
Drie getallen. Je kunt maandag met alle drie beginnen.
Geen raamwerk. Drie dingen om in een spreadsheet te zetten, één keer per kwartaal naar te kijken, en aan je raad te laten zien in plaats van de gebruiksslide.
1
Hoe lang één werkstroom duurt
Kies er één. Van het moment dat een klant iets vraagt tot het moment dat hij het heeft. Meet het deze maand, en over drie maanden opnieuw. Dit is het getal waar niet omheen te praten valt, want de klant is degene die wacht.
2
Hoeveel mensen het dagelijks voor echt werk gebruiken
Dagelijks, aan iets dat ertoe doet, niet ingelogd. In de meeste bedrijven is dat ongeveer de helft van het aantal licenties. Dat verschil kennen vertelt je of je meer licenties moet kopen of de mensen die je hebt moet helpen.
3
Eén bedrijfsgetal per afdeling
Afhandeltijd bij support, scoringspercentage bij sales, dagen om de maand af te sluiten bij finance. Eén per afdeling waar je AI neerzet, gekozen voordat je begint, en elk kwartaal hetzelfde zodat de vergelijking klopt.
Drie getallen, een uur per kwartaal, en je kunt de vraag van je raad beantwoorden. Zet dat naast het meetprogramma van zes maanden dat in plaats daarvan wordt voorgesteld en nooit wordt gebouwd.
Eén waarschuwing uit het doen hiervan bij klanten. Het eerste kwartaal ziet er slecht uit, en dat hoort. Je vergelijkt met een nulmeting die je pas net eerlijk bent gaan bijhouden. Zeg dat vooraf, anders gebruikt iemand de eerste meting om het geheel af te schieten.
Waar het bijt
De bedrijven die meten zijn de bedrijven die het verst zijn.
We lezen bedrijven op vijf levels, van iedereen doet maar wat tot AI hoort bij hoe de zaak draait. Hier is de hele ladder, met hoeveel bedrijven op elke trede staan.
01Campfire60%
02Wild West25%
03Blueprint10%
04Engine4%Hier een getal en een eigenaar
05Ecosystem1%
Aandeel bedrijven per level. De vijf AI Culture Levels die we bij klanten gebruiken, van iedereen doet maar wat tot AI hoort bij hoe het bedrijf draait.3
Level 4, Engine, is waar AI in de manier zit waarop het bedrijf draait in plaats van ernaast. Dingen die bij de bedrijfsvoering horen worden gemeten, zoals je een productielijn of een salesteam meet. Dingen die ernaast staan krijgen een gebruiksrapport.
Op level 2, Wild West, werkt iedereen op zijn eigen manier, dus is er niets gedeelds om te meten. Op level 3, Blueprint, staat de methode opgeschreven en kun je op zijn minst tellen wie hem volgt. Op level 4 heeft iemand een bedrijfsgetal in eigendom dat AI moet bewegen, en moet dat getal elk kwartaal uitleggen. Ongeveer één op de vijfentwintig bedrijven staat daar, en dat ligt dicht bij de 6% die McKinsey vond met echt financieel resultaat.13
Het waard om te zeggen, want het is een terecht tegenwerping. Meten brengt je op zichzelf geen trede omhoog. Wat het wel doet is voorkomen dat je nog een jaar gokt. Elke klant die ik een trede zag klimmen begon met iemand die een eerlijk getal aan de muur hing, en dat eerste getal viel meestal tegen.
Wat een meting per persoon toevoegt
Een Operating Profile in gebruik. Persoonlijkheidstype en AI-niveau in één profiel, met de agents die daarbij passen.
Een gebruiksrapport vertelt je dat een team de tool vorige maand 400 keer gebruikte. Het kan je niet vertellen of dat vier mensen met serieus werk waren of veertig mensen die een mail lieten inkorten. Die twee vragen totaal verschillende vervolgstappen, en één licentierapport ziet er voor allebei hetzelfde uit.
Het meten gebeurt per persoon: hoe iemand zijn werk indeelt, en zijn AI-niveau. Je krijgt een beeld van je bedrijf op persoonsniveau, en dat vertelt je waar de volgende euro heen moet. Meestal blijkt dat twee teams opleiden te zijn in plaats van tachtig licenties erbij kopen.
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.
Vijftien minuten per persoon. Geen creditcard, geen verplichtingen.
Het antwoord
Gebruik een overleg dat je al hebt.
Schrijf op hoe succes eruitziet, voordat het volgende begint. Eén zin, in bedrijfstermen, met een getal en een datum. “Afhandeltijd bij support 15% omlaag voor maart.” Doe het in de aftrap, waar het je vijf minuten kost, en niet een jaar later, waar het je de discussie kost.
Kies daarna je drie getallen uit het lijstje hierboven en begin deze maand met tellen. De eerste meting is je nulmeting en die ziet er niet goed uit. Zeg dat tegen je raad voordat je hem laat zien, zodat het eerste getal niet het oordeel wordt.
Geef elk getal een naam. Eén persoon die het elk kwartaal rapporteert, in hetzelfde moment, of het nou bewoog of niet. Getallen zonder eigenaar worden getoond als ze vleien en overgeslagen als ze dat niet doen, en dan hou je een grafiek over die alleen maar omhoog gaat.
En wees bereid ergens mee te stoppen. Deze hele oefening is niets waard als het antwoord nooit verandert wat je financiert. Kies één tool of één project waar het getal twee kwartalen stilstaat, stop ermee, en zeg op de bijeenkomst waarom je gestopt bent. De eerste keer dat iemand dat doet, gaat iedereen de getallen serieus nemen.
Welke drie zou jij tellen?
Stuur me de werkstroom die je als eerste zou klokken en ik vertel je wat ik eromheen zou meten en waar het meestal misgaat. Eén bericht terug, geen deck, geen belafspraak.
Het verlengseizoen komt en er is niets te laten zien.
De eerste kosten zijn geld dat naar de verkeerde plek gaat. Meer dan de helft van de AI-budgetten landt waar de dashboards al bestaan, en dat zijn marketing en sales, terwijl de achterkant van het bedrijf stilletjes beter terugbetaalt.2 Niemand heeft dat besloten. Het gebeurde omdat de ene kant een grafiek kon laten zien en de andere niet.
Dan is er het jaar dat je verliest. Achtentwintig procent van de bedrijven stopt nu meer dan een tiende van het IT-budget in AI, en 60% is van plan volgend jaar meer uit te geven.1 Geef dat uit zonder een getal en je herhaalt vorig jaar op grotere schaal. Ondertussen verschuiven een paar van je concurrenten geld naar de dingen die werkten.
Wat het meeste pijn doet is wat er met de discussie binnen je bedrijf gebeurt. Zonder bewijs wordt het een kwestie van geloof, en geloofsdiscussies wint degene die het hardst praat of het hoogst zit. Ik heb een goed AI-programma zien sneuvelen omdat degene die het verdedigde gebruikscijfers had en degene die het aanviel een verhaal over een slecht antwoord. Een saai getal over afhandeltijd had dat in een minuut beslecht.
Gevraagd en beantwoord
AI meten, in vragen
Hoe meet je wat AI oplevert?
Met drie getallen. Hoe lang één werkstroom duurt van vraag tot klant, hoeveel mensen het dagelijks voor echt werk gebruiken, en één bedrijfsgetal per afdeling waar je AI hebt neergezet. Een uur per kwartaal is genoeg.
Waarom telt bijna iedereen logins?
Omdat het meekomt in de doos. Elke leverancier levert licenties, logins en opdrachten mee. Het is gratis, het ziet eruit als meten, en iets anders bouwen kost een week die niemand heeft.
Klopt het dat 95% van de AI-projecten mislukt?
Dat cijfer komt uit een rapport van MIT Project NANDA uit juli 2025, gebaseerd op 52 interviews, 153 enquêtereacties en zo’n 300 openbare projecten, door de auteurs zelf voorlopig genoemd en nooit door vakgenoten getoetst. Succes was smal gedefinieerd als direct effect op omzet of winst.
Wat meet je als een gebruiksrapport niets zegt?
De mensen. emaho meet één Operating Profile per persoon: hoe iemand zijn werk indeelt, en zijn AI-niveau. Dat vertelt je of die 400 opdrachten vier mensen met serieus werk waren of veertig mensen die een mail lieten inkorten.
Hoeveel bedrijven zien effect van AI op hun winst?
Zevenendertig op de honderd, in het onderzoek van McKinsey onder 1.719 mensen in 97 landen. Dat is hetzelfde aandeel als een jaar eerder, terwijl het aandeel bedrijven dat AI breed uitrolt van 38% naar 44% ging.
Wat doen de bedrijven die het wel terugverdienen anders?
Ze meten. De 6% die 5% of meer van de winst aan AI toeschrijft heeft twee keer zo vaak een vastgelegde manier om het effect van AI-initiatieven te meten, en twee keer zo vaak betrokkenheid van de hoogste leiding.
Waarom gaat AI-geld naar sales en marketing?
Omdat daar de dashboards al staan. Meer dan de helft van de budgetten landt bij de zichtbare afdelingen, terwijl de achterkant van het bedrijf beter terugbetaalt. Uitgaven volgen wat makkelijk te tellen is, niet wat werkt.
Op welk niveau wordt AI gemeten als bedrijfsvoering?
Op level 4. emaho plaatst bedrijven op vijf AI Culture Levels, en Engine is waar AI in de bedrijfsvoering zit en dus wordt gemeten zoals je een productielijn meet. Ongeveer 4% van de organisaties zit daar.
Welke werkstroom meet je als eerste?
Eén die bij een klant eindigt. Van het moment dat iemand iets vraagt tot het moment dat hij het heeft. Daar valt niet omheen te praten, want de klant is degene die wacht.
Hoeveel mensen gebruiken AI werkelijk dagelijks?
In de meeste bedrijven ongeveer de helft van het aantal licenties. Dat verschil kennen vertelt je of je licenties moet bijkopen of de mensen die je hebt moet helpen.
Wat schrijf je op voordat een AI-project begint?
Eén zin in bedrijfstermen, met een getal en een datum. Afhandeltijd bij support 15% omlaag voor maart. In de aftrap kost dat vijf minuten. Een jaar later kost het je de hele discussie.
Waar past dit tussen de andere AI-challenges?
Het is er één van vijfentwintig, en hij ligt naast AI die niets oplevert en de coördinatiekosten. De volledige set van 25 AI-challenges geeft per challenge het onderzoek, het level en een test die je deze week kunt doen.
Waarom ziet de eerste meting er slecht uit?
Omdat je vergelijkt met een nulmeting die je pas net eerlijk bijhoudt. Zeg dat vooraf tegen je raad, anders gebruikt iemand de eerste meting als oordeel over het geheel.
Op welk niveau krijgt AI een eigen getal?
Op level 4. Daar heeft iemand een bedrijfsgetal in eigendom dat AI moet bewegen, en legt dat elk kwartaal uit. Ongeveer één op de vijfentwintig bedrijven staat daar, wat dicht ligt bij de 6% met echt financieel resultaat.
Wat kost het als je niet meet?
Geld dat naar de afdeling gaat met het mooiste dashboard. Een jaar waarin je vorig jaar op grotere schaal herhaalt. En een discussie binnen je bedrijf die wordt gewonnen door wie het hardst praat, omdat er geen saai getal ligt om hem mee te beslechten.
Waar dit heen loopt
Zodra je het kunt zien, komen er drie dingen bij.
Deze komen in hetzelfde kwartaal langs, meestal in dezelfde vergadering.
Heb één eerlijk getal voor de volgende vergadering met je raad.
Begin bij je eigen bedrijf op persoonsniveau. Je krijgt een beeld van wie werkelijk met AI werkt en wie niet, en dat is het getal onder elk ander getal op deze pagina.
Laat het licentieaantal losHet meet inkoop. Niemand heeft er ooit een besluit door veranderd.
Haal één eerlijk getal, per persoonEcht dagelijks gebruik per team in plaats van verkochte licenties, en het blijft actueel tussen vergaderingen door.
Zet er één stuk werk naastEén werkstroom, voor en na, met de uren opgeschreven door de mensen die het doen.
Neem ze allebei mee de kamer inEén getal over mensen en één over werk is een verdedigbaar antwoord op de vraag wat de uitgaven hebben opgeleverd.
Eerste profiel gratis · geen creditcard · gemaakt voor bedrijven van 20 tot 500 · jij bepaalt wat je team te zien krijgt
Nog niet toe aan iets voor je team? Begin dan bij het level van het bedrijf. De Culture Level scan is zes vragen, drie minuten, en vraagt niets van je.
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, niet vanuit een onderzoekssamenvatting.
McKinsey, The state of AI in 2026: On the road to ROI, gepubliceerd op 25 augustus 2026. Online onderzoek van 4 mei tot 8 juni 2026, 1.719 respondenten in 97 landen, gewogen naar het aandeel van elk land in het wereldwijde bbp; 36% werkt bij organisaties met meer dan een miljard dollar jaaromzet. Bron van: 80% zegt dat AI de eigen productiviteit verbeterde en 50% zegt dat het helpt betere besluiten te nemen; 37% schrijft ten minste enig effect op het bedrijfsresultaat toe aan AI, vrijwel onveranderd ten opzichte van 2025; 6% zijn AI-koplopers, die 5% of meer van het bedrijfsresultaat aan AI toeschrijven en het effect aanzienlijk noemen, eveneens onveranderd; 44% meldt dat AI door de hele organisatie wordt opgeschaald, tegen 38% eerder; koplopers hebben twee keer zo vaak vastgelegde processen om het effect van AI-initiatieven te meten en twee keer zo vaak betrokkenheid van de hoogste leiding; 28% geeft meer dan 10% van het IT-budget uit aan AI en 60% verwacht de AI-investeringen te verhogen; 20% meldt dat de draaikosten het AI-gebruik beperken.
MIT Project NANDA, The GenAI Divide: State of AI in Business 2025, juli 2025, door Aditya Challapally, Chris Pease, Ramesh Raskar en Pradyumna Chari. 52 gesprekken met bestuurders, 153 enquêtereacties en een blik op meer dan 300 openbare toepassingen; 26 pagina’s, door de auteurs gemarkeerd als voorlopige bevindingen en niet door vakgenoten getoetst. Bron van de veel aangehaalde stelling dat 95% van de organisaties geen meetbaar rendement haalt, en van de bevinding dat meer dan de helft van de budgetten voor generatieve AI naar zichtbare afdelingen als sales en marketing gaat terwijl gebruik aan de achterkant meer oplevert. Gepubliceerde kritiek op het rapport gaat over de smalle definitie van succes, het korte venster waarin rendement is gemeten, en het feit dat de auteurs afsluiten met een aanbeveling voor hun eigen NANDA-project.
emaho AI Culture Levels. Aandeel organisaties per level, geijkt aan BCG 2025 en McKinsey 2025. Level 4, Engine, bevat ongeveer 4% van de organisaties.
Cijfers zijn overgenomen zoals ze zijn gepubliceerd. De vier regels in het herkenningsblok zijn samengesteld uit klantsituaties en komen niet uit transcripten.
