Hoe berekent u de ROI van AI?

Waarom een gewone ROI-berekening bij AI tekortschiet

Bij een gewone investering, een machine, een extra medewerker, een marketingcampagne, is de opbrengst redelijk voorspelbaar. Bij AI ligt dat anders. De opbrengst zit deels in tijd die vrijkomt, deels in omzet die u anders niet had gehaald, en deels in fouten die niet meer gemaakt worden. Al die effecten zijn reëel, maar niet allemaal even hard te bewijzen voordat u begint.

Wie AI beoordeelt met dezelfde rekenmethode als een verkoopmachine, komt vaak op een businesscase die te optimistisch of juist te voorzichtig is. Te optimistisch, omdat tijdswinst op papier mooi optelt maar in de praktijk versnipperd blijft. Te voorzichtig, omdat de omzetimpact van snellere opvolging of betere personalisatie niet zomaar in een rekensom past. Een goed rekenmodel houdt met beide kanten rekening.

De vijf bouwstenen van een AI-businesscase

Om een use case eerlijk te beoordelen, telt u vijf elementen apart op. Niet gemengd, niet afgerond, maar los benoemd, zodat u later kunt zien waar de aannames kwetsbaar zijn.

Tijdswinst. Hoeveel uur werk verdwijnt er per week of maand, en bij wie? Tijdswinst is alleen waard wat de bespaarde uren daadwerkelijk opleveren: minder inhuur, meer capaciteit voor werk dat nu blijft liggen, of ruimte voor een taak die nu niet gebeurt. Tijdswinst die niemand invult, is geen opbrengst.

Omzetimpact. Zorgt de toepassing voor snellere opvolging van leads, betere prioritering van de pipeline, of meer relevante aanbiedingen aan bestaande klanten? Omzetimpact is de lastigste post om te onderbouwen, maar vaak wel de grootste. Schat conservatief en onderbouw met een redenering, niet met een los cijfer.

Foutreductie. Denk aan verkeerde offertes, gemiste opvolgmomenten, of data die niet klopt in het CRM. Foutreductie levert op twee manieren op: minder herstelwerk, en minder schade aan het klantvertrouwen. Beide zijn reëel, ook als u ze niet direct in euro's kunt vangen.

Implementatiekosten. Dit is meer dan de licentie. Reken mee: inrichting, koppeling met bestaande systemen, tijd van de mensen die het opzetten, en de leercurve van iedereen die ermee gaat werken. Dit is vaak de post die het meest onderschat wordt.

Adoptierisico. De vraag die de meeste businesscases fataal wordt: gaat het team de toepassing ook echt gebruiken? Een tool die op papier tijd bespaart maar in de praktijk naast het bestaande proces blijft liggen, levert niets op. Adoptierisico verdient een aparte plek in de berekening, niet een bijzin achteraf.

Rekenvoorbeeld

Een fictief voorbeeld ter illustratie: een bedrijf overweegt een AI-toepassing die offertes automatisch opstelt. De tijdswinst wordt geschat op 40 uur per maand, tegen een intern uurtarief van 50 euro, dus 2.000 euro per maand. De omzetimpact wordt voorzichtig geschat op één extra gewonnen deal per kwartaal van 3.000 euro, oftewel 1.000 euro per maand. Foutreductie levert naar schatting 500 euro per maand op aan voorkomen herstelwerk. Samen: 3.500 euro opbrengst per maand.

Daar staat tegenover: 6.000 euro eenmalige implementatiekosten en 300 euro maandelijkse licentiekosten. Zonder adoptierisico is de terugverdientijd ongeveer twee maanden. Reken echter met een adoptiefactor: als slechts zestig procent van het team de toepassing structureel gebruikt, daalt de opbrengst naar ongeveer 2.100 euro per maand, en loopt de terugverdientijd op naar bijna drie maanden. Nog steeds gunstig, maar een ander getal dan de eerste, te optimistische versie.

Waarom adoptie de uitkomst vaak halveert

Adoptierisico is geen kleine correctie, het is regelmatig de grootste variabele in de hele berekening. Een toepassing die door de helft van het team wordt gebruikt, levert bij benadering de helft van de berekende opbrengst op, ook als de techniek zelf perfect werkt. De oorzaak zit zelden in de tool.

Adoptie hapert meestal op drie plekken: het proces eromheen is niet aangepast, medewerkers zien niet wat het hun persoonlijk oplevert, of er is geen duidelijke eigenaar die op gebruik stuurt. Dit is dezelfde reden waarom wildgroei aan AI-tools ontstaat: iedereen probeert iets, niemand borgt het. Een realistische businesscase rekent daarom met een adoptiepercentage dat u onderbouwt vanuit hoe vergelijkbare veranderingen in uw organisatie eerder zijn verlopen, niet met de aanname dat iedereen vanaf dag één meedoet.

Hoe u use cases met elkaar vergelijkt

Zodra u meerdere use cases langs hetzelfde model legt, tijdswinst, omzetimpact, foutreductie, kosten en adoptierisico, ontstaat een eerlijke vergelijking. Niet de toepassing met de hoogste theoretische opbrengst wint, maar de toepassing met de beste verhouding tussen opbrengst en risico, inclusief hoe waarschijnlijk het is dat de organisatie hem ook echt gaat gebruiken.

Leg de uitkomsten naast elkaar in een overzicht: verwachte opbrengst per maand, eenmalige en doorlopende kosten, geschat adoptiepercentage, en het aantal maanden tot terugverdientijd. Zo wordt zichtbaar welke use case snel en zeker iets oplevert, en welke pas op langere termijn en met meer onzekerheid rendeert. Deze uitkomst is ook de basis om te bepalen welke AI-use cases interessant zijn om als eerste op te pakken.

Wat u doet als de businesscase twijfelachtig blijft

Als opbrengst en kosten dicht bij elkaar liggen, of als het adoptierisico onduidelijk is, is een kleine pilot vaak verstandiger dan een directe uitrol. Meet in de pilot niet alleen of de techniek werkt, maar vooral of mensen hem daadwerkelijk gebruiken zonder aandringen. Dat gegeven, niet de theoretische tijdswinst, bepaalt of de businesscase overeind blijft.

Deze berekening staat niet los van de rest van de organisatie. Een AI-toepassing die winst oplevert op papier, maar niet aansluit bij hoe commerciële KPI's al gemeten worden, of die niet past in de bredere AI-strategie, levert in de praktijk minder op dan de eerste rekensom belooft. Wie meerdere toepassingen tegelijk overweegt, doet er goed aan de businesscases in samenhang te bekijken in plaats van los per idee.