MIT-onderzoek toont dat 95% van bedrijfs-AI-projecten geen meetbare ROI oplevert. De oorzaak is niet de technologie, maar waar teams beginnen. De Value-First AI-methode met 3 lenzen die dat oplost.
95% van alle bedrijfs-AI-projecten levert geen meetbare ROI op. Dat is geen pessimistische inschatting — het is de conclusie van MIT's State of AI in Business 2025, waarin onderzoekers 300+ bedrijven analyseerden die al actief met generatieve AI werken. Slechts 5% rapporteerde concrete omzet- of kostenresultaten.
Voor het Nederlandse MKB is dat een ongemakkelijke spiegel. De technologie is niet het probleem. De prijs is het niet. Zelfs de tijd is het niet. De meeste AI-projecten mislukken omdat teams starten bij de verkeerde vraag.
Dit artikel is geen how-to-lijstje. Het is een diagnose: drie patronen waarom MKB-AI-projecten stranden, gevolgd door de Value-First AI-methode — het raamwerk dat wij gebruiken om een project vóór de eerste euro te toetsen.
Het probleem: tool-first denken
Als je vandaag op LinkedIn scrolt, zie je dezelfde vraag honderd keer: "Welke AI-tool moet ik als MKB'er gebruiken?" Die vraag is het probleem. Niet het antwoord.
Tool-first denken werkt zo: je hoort over ChatGPT, Copilot of een AI-agent. Je probeert het uit. Je bouwt iets. En dan probeer je achteraf een use case te bedenken waar het van waarde is. In 95% van de gevallen vind je die nooit.
Value-first denken draait het om. Eerst bepaal je welk proces bewijsbaar waarde oplevert. Daarna pas kies je de tool. Het klinkt simpel, maar uit onze eigen analyse van 30+ Nederlandse MKB-trajecten bleek dat bijna iedereen het andersom doet.
De 3 faalpatronen die we steeds zien
Voordat we naar het raamwerk gaan — herken je een van deze drie patronen in je eigen bedrijf?
Patroon 1 — De "slimme assistent"-val. Je abonneert het hele team op ChatGPT Teams of Copilot. Iedereen gebruikt het soms. Niemand meet iets. Na 3 maanden vraagt iemand: "Wat heeft dit eigenlijk opgeleverd?" en blijft het stil. De kosten staan in je boekhouding; de baten nergens.
Patroon 2 — De losse proof-of-concept. Een enthousiaste medewerker bouwt een AI-flow in Make of n8n. Het werkt! Iedereen is onder de indruk. Vervolgens vertrekt die persoon, of de klantvraag verandert, en zes maanden later blijkt het scriptje niet meer te draaien — zonder dat iemand het merkte.
Patroon 3 — De "copy wat BigCorp doet"-illusie. Je leest dat Rabobank AI-agents inzet voor customer service. Je probeert dat ook, met 50 klanten per maand. Het schaalt nooit uit omdat jouw volume simpelweg geen enterprise-investering rechtvaardigt. Het MKB heeft een ander speelveld nodig.
De gemene deler: alle drie beginnen bij de oplossing, niet bij de waarde. Dat is precies wat de Value-First AI-methode voorkomt.
De Value-First AI-methode: 3 criteria vóór je iets bouwt
Elk potentieel AI-project in ons DaaS-traject toetsen we tegen drie criteria. Zakt het door één van de drie, bouwen we het niet. Zo simpel.
De criteria zijn cumulatief: een idee moet door alle drie heen. Één mislukt criterium is voldoende om het project te parkeren — niet af te schieten, maar te bewaren voor later, als de omstandigheden kloppen.
Criterium 1: Meetbaar — kun je het verschil hard maken?
Als je het resultaat niet in een getal kunt uitdrukken, is er geen AI-project. Punt. "Efficiënter werken" is geen meetbare uitkomst. "Offertes die nu 45 minuten kosten, straks 8 minuten" wel.
Vraag jezelf af:
- Wat is het huidige cijfer? (tijd, conversie, foutpercentage, wachttijd)
- Wat is het streefcijfer na implementatie?
- Hoe meet ik dat verschil zonder extra tooling?
Als je hier geen antwoord op hebt, ga niet verder. Je weet dan namelijk nooit of het werkt.
Criterium 2: Herhaalbaar — komt het proces genoeg voor om de bouw terug te verdienen?
Een AI-workflow kost typisch €2.000–€8.000 om goed op te leveren (met of zonder externe partij). Die investering moet je terugverdienen met volume.
Reken kort: als een taak 100 keer per maand voorkomt en je bespaart 15 minuten per keer, dan bespaart het 25 uur per maand. Bij €60 interne uurkosten is dat €1.500 per maand, dus binnen 3–5 maanden terugverdiend.
Komt de taak maar 5 keer per maand voor? Dan bespaar je 1,25 uur. Nooit terugverdiend. Automatiseer geen zeldzame taken — hoe irritant ze ook zijn.
Criterium 3: Beïnvloedbaar — ligt de bottleneck binnen jouw controle?
Sommige processen lopen vast op dingen buiten je bereik: een externe leverancier die geen API heeft, een klant die nooit op tijd reageert, of regelgeving die menselijke beoordeling vereist. AI lost dat niet op.
Goede kandidaten:
- Interne data-verwerking (offertes, facturen, rapportages)
- Communicatie-routing (e-mail-triage, lead-toewijzing)
- Klantenservice-antwoorden op bekende vragen
Slechte kandidaten:
- Onderhandelingen met leveranciers
- Compliance-beslissingen die een mens moet tekenen
- Processen die afhankelijk zijn van ongestructureerde externe input
Als je bottleneck extern ligt, is het geen AI-probleem — het is een inkoop- of relatievraag.
Een concreet voorbeeld: Value-First in 10 minuten
Laatst toetsten we drie ideeën van een installatiebedrijf (€3M omzet, 12 medewerkers). Geen uren aan strategiesessies — tien minuten met de drie criteria ernaast.
De uitkomst was verrassend: het idee dat de directeur het meest enthousiasmeerde, sneuvelde. De andere twee — ogenschijnlijk saai — gingen door.
| Idee | Meetbaar? | Herhaalbaar? | Beïnvloedbaar? | Beslissing |
|---|---|---|---|---|
| AI-chatbot op de website | Ja (conversie) | Ja (80+/maand) | Ja | Bouwen |
| AI offerte-generator uit e-mailintake | Ja (tijd per offerte) | Ja (120/maand) | Ja | Bouwen |
| AI-voorspelling welke klanten gaan opzeggen | Nee (te weinig data) | Ja | Deels | Niet nu |
Het derde idee klonk het sexiest — maar het viel door criterium 1. Zonder minstens 200 historische opzeggingen kun je geen betrouwbaar model trainen. Dat bewaren we voor volgend jaar.
De eerste twee leverden samen 48 uur per maand aan tijdsbesparing. Binnen 4 maanden terugverdiend.
Waarom het MKB structureel voordeel heeft (als je het goed doet)
Hier de contrarian plot-twist: voor de 5% die het wél werkt, is het MKB beter gepositioneerd dan enterprise. Drie redenen:
- Kortere beslislijnen — jij beslist vandaag, niet drie stuurgroepen over twee kwartalen
- Eén CRM, één ERP, één workflow — geen 40 legacy-systemen om te integreren
- Directe feedback-loop — je ziet binnen dagen of een flow werkt, niet in een jaarrapport
De sleutel is niet meer budget of meer tools. De sleutel is discipline in wat je niet doet. Value-First AI is geen methodologie om te versnellen; het is een filter om te stoppen met projecten die toch niks zouden opleveren.
Wat je deze week kunt doen
Geen 5-stappenplan dit keer. Eén opdracht:
Neem de drie laatst-besproken AI-ideeën in jouw bedrijf en toets ze tegen de drie criteria. Gebruik de tabel hierboven als template. Kruis af welke door alle drie de criteria komen. Dat is je lijst.
Als er niets overblijft: goed nieuws. Je hebt net €10.000–€30.000 aan verkeerde investeringen voorkomen.
Als er één idee overblijft: dát is je project. Niet de andere twee.
Wanneer het tijd is om hulp te halen
De drie criteria kun je zelf toepassen. De bouw, integratie en meting — dáár lopen MKB-teams vast, zoals ook beschreven in ons vorige artikel over het AI-Startklaar Model met 5 concrete stappen.
Bij Datapad begeleiden we MKB-bedrijven specifiek in deze fase: van idee-toetsing tot werkende flow met meetbare ROI. Of dat nu een CRM-AI-integratie is, een losse automatisering of doorlopende development op abonnement — we starten altijd met Value-First, nooit met tool-first.
Plan een gratis strategiegesprek als je wilt sparren over welke van je ideeën door de drie criteria komt. 30 minuten. Geen verkoop. Wel eerlijke analyse.