Regelmatig valt er wel ergens in de media een artikel te lezen waarin wordt verteld hoe AI een bepaalde taak sneller heeft gemaakt. Een ontwikkelaar die anderhalf keer zo snel code kon schrijven. Een marketeer die in een paar minuten een eerste versie van een blogpost kon opstellen. Een productmanager die in slechts enkele seconden een eisendocument van 200 pagina’s kon schrijven. Dit zijn natuurlijk concrete voordelen. Maar het zijn niet de voordelen waar het eigenlijk om gaat.
Als we even een stapje terug doen en onszelf de lastigere vraag stellen – wat creëert nu eigenlijk waarde voor het bedrijf? – dan is de snelheid van een taak zelden datgene waar het eigenlijk om gaat. Waar het misgaat, zit bijna altijd eerder in het proces van waardecreatie, namelijk bij het stellen van de vraag die aan een taak voorafgaat:
- Het is niet “Wat moet IT bouwen?”, maar “Waarom willen we dat IT dat bouwt?”.
- Het is niet “Waarom hebben we die blogpost nodig?”, maar “Welke content zorgt voor zakelijke impact?”.
- Het is niet “Welk proces moet worden geoptimaliseerd?”, maar “Hoe pakken we de kwaliteitsproblemen aan die ervoor zorgen dat iets opnieuw geproduceerd moet worden en meer waste oplevert?” of “Hoe voorkomen we dat vertragingen in de toeleveringsketen ertoe leiden dat we onze leveringsafspraken niet kunnen nakomen?”.
Dit zijn allemaal vragen die AI nog steeds niet voor je kan beantwoorden. Het is deze kloof tussen het automatiseren van taken en het genereren van concrete resultaten die de juist de belangrijkste uitdaging is in dit tijdperk van agentic AI.
Op deze manier helpt AI niet
Harvard Business Review gaf deze AI-kloof al eerder in 2026 een naam: de ‘micro-productivity trap’ (de microproductiviteitsvalkuil). Bedrijven optimaliseren individuele taken, genereren sneller programmacode, vatten een rapport sneller samen, sturen sneller een supportticket door, zonder ooit opnieuw te kijken naar de workflows of waardecreatiemodellen waar die taken bij horen. Het resultaat is geïsoleerde productiviteitswinst die nooit uitgroeit tot daadwerkelijke zakelijke impact. Dit ik graag ‘een productiviteitsmirage’.
Uit het AI Performance-onderzoek van PwC uit 2026 bleek dat 74% van de economische waarde van AI wordt gerealiseerd door slechts 20% van de organisaties. Dat is die ‘micro-producitivity trap’ en dit is wat de AI-leiders onderscheidt van de rest. Die AI-koplopers zullen zich in de toekomst alleen maar nog maar meer gaan onderscheiden van de andere organisaties die AI alleen blijven toepassen voor geïsoleerde productiviteitswinsten. Gartner waarschuwde dat meer dan 40% van de agentic AI-projecten tegen het einde van 2027 zal worden gecancelled, omdat organisaties er niet in slagen om bij de start te definiëren wat het beoogde resultaat is. De bedrijven die succesvol zijn, zo constateerde PWC, richten zich op groei en op het realiseren van echte waarde. En dat omvat veel meer dan alleen productiviteit. Daarbij valt het me op dat veel organisaties moeite hebben met het stellen van prioriteiten. In feite vragen we AI om sneller de verkeerde kant op te gaan. Het is alsof je denkt dat het prima is om de verkeerde afslag op de snelweg te nemen, alleen maar omdat je in een Porsche rijdt.
Wat is dan de echte sleutel tot de waarde van AI?
De sleutel tot echte AI-waarde ligt in je kennis. Het is weten wélk blogonderwerp je doelgroep aanspreekt nog voordat je ook maar één woord hebt geschreven, of een document waarde zal opleveren nog voordat het is gemaakt, welk proces je moet aanpakken, welke datapunten je met elkaar moet verbinden.
Dit zijn allemaal beslissingen die al in een vroeg stadium genomen moeten worden. Ze vereisen kennis van het bedrijfsdomein en inzicht in wat ertoe doet, wat het meeste kost en wat een ingrijpende verandering op de werkvloer daadwerkelijk betekent voor de winst- en verliesrekening. Pure taakautomatisering kan dat niet bieden. Alleen mensen die zich op het snijvlak van business en technologie bevinden, kunnen dat.
De oplossing om elke cent waarde uit AI te persen is niet nieuw, het is slechts een verdere stap in de evolutie. Dan heb ik heb het bijvoorbeeld over fusion teams, een cross-functioneel team dat de domeinkennis van operationele en bedrijfsexperts combineert met het architectonische inzicht van professionele ontwikkelaars en dat kan bewegen met dezelfde snelheid als het probleem, in plaats van met de snelheid van de IT-backlog. Bij zo’n fusion team gaat het om het identificeren van problemen en om een snellere afstemming tussen bedrijfsdoelen en technologie, niet alleen maar om sneller werken. Dat concept moet worden doorgetrokken naar AI-agents: hoe ze worden gebouwd en hoe ze samenwerken in verschillende workflows.
Om ervoor te zorgen dat AI-agents echt werken en helpen om die microproductiviteitsvalkuilen te vermijden, moeten contextuele data gekoppeld worden aan goed werkende machine learning-modellen, zodat ze niet alleen ‘sneller’ kunnen werken, maar ook de beste beslissingen kunnen nemen.
Het zit hem allemaal in de vraag
Voor succes met AI (niet die schijnwaarde die microproductiviteit kan creëren) is het absoluut noodzakelijk dat domeinexperts (bijvoorbeeld fabrieksingenieurs, procesmanagers en supply chain-managers, business analisten, inkoopspecialisten, schade-experts, etc.) met IT- en datateams om de tafel zitten. Het vereist mensen die begrijpen welke productlijnen de laagste marges hebben, welke vertragingen bij leveranciers de grootste impact hebben op de verdere productie en welke stappen in de kwaliteitscontrole zorgen voor de langste cyclustijd. Met andere woorden: het gaat om de ‘fusion’-mentaliteit: eerst het resultaat definiëren voordat de oplossing wordt ontworpen en dat vervolgens meten aan de hand van bedrijfswaarde in plaats van de snelheid van afzonderlijke taken.
De organisaties die in 2026 het grootste deel van de economische waarde van AI voor zich opeisen, zijn niet de organisaties met snellere, AI-gestuurde processen. Het zijn de organisaties die als eerste de juiste operationele problemen hebben geïdentificeerd, die hun data goed genoeg hebben beheerd om erop te kunnen vertrouwen en die de organisatorische kaders hebben opgebouwd om actoren en mensen te coördineren met het oog op resultaten die het bedrijf daadwerkelijk vooruit helpen.
Stelt u zichzelf daarom deze vraag rond uw volgende AI-initiatief: werkt u toe naar een fundamenteel ander resultaat, of bent u slechts een taak aan het automatiseren?
###
Bio Aviva Fink: Aviva Fink is Chief Growth Officer bij Siemens Digital Industries Software en verantwoordelijk voor de bedrijfsonderdelen Mendix en Intelligence Center X. Ze heeft meer dan 15 jaar ervaring met het ontwikkelen van marktintroductiestrategieën voor enterprise-AI, low-code en industriële softwareplatforms.
Dit is een ingezonden bijdrage van Mendix. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.