Je weet dat AI iets kan betekenen voor je organisatie. Je collega's weten het ook. Maar zodra je budget wilt vrijmaken, verandert de toon. "Wat kost het precies?" "Wat levert het op?" "Wanneer verdienen we het terug?" Zonder een solide AI businesscase strandt elk initiatief bij de financieel directeur. En terecht. Investeren zonder onderbouwing is gokken. Een goede businesscase maakt van een vaag gevoel een helder verhaal met cijfers die standhouden.
Waarom de meeste AI businesscases falen
De grootste fout die organisaties maken: ze beginnen bij de technologie in plaats van bij het probleem. Een businesscase die opent met "we willen AI implementeren" heeft al verloren. De vraag is niet of je AI wilt, de vraag is welk bedrijfsprobleem je oplost en hoeveel dat probleem je vandaag kost.
De tweede valkuil is vaagheid. "AI bespaart tijd" overtuigt niemand. "AI bespaart 14 uur per week op het samenstellen van klantenrapportages, wat neerkomt op 62.000 euro per jaar aan vrijgemaakte capaciteit" overtuigt wel. Specifiek zijn is geen luxe, het is een voorwaarde.
Een derde veelgemaakte fout is het negeren van de zachte baten. Snellere doorlooptijden, consistentere kwaliteit, hogere medewerkerstevredenheid: ze zijn lastiger te kwantificeren, maar ze wegen mee in elke serieuze beslissing. Benoem ze expliciet, ook als je ze niet tot op de euro kunt berekenen.
Het framework: vijf bouwstenen van een sterke AI businesscase
Een overtuigende AI businesscase bevat vijf elementen. Geen enkel element mag ontbreken.
1. Het probleem en de huidige kosten. Beschrijf het proces dat je wilt verbeteren. Hoeveel mensen zijn erbij betrokken? Hoeveel uur per week of per maand kost het? Wat is het foutpercentage? Reken de huidige kosten door op jaarbasis. Dit is je nulmeting, de baseline waartegen je alles afzet.
2. De voorgestelde AI oplossing. Beschrijf wat je wilt bouwen of inzetten, in taal die je directie begrijpt. Geen technisch jargon, maar een helder verhaal. "We zetten een AI systeem in dat automatisch data uit drie bronnen combineert en een conceptrapportage genereert die een medewerker controleert en afrondt."
3. De verwachte baten. Splits deze op in harde en zachte baten. Harde baten zijn direct meetbaar: uren bespaard, fouten verminderd, doorlooptijd verkort. Zachte baten zijn indirect maar reëel: hogere klanttevredenheid, betere compliance, meer ruimte voor strategisch werk. Kwantificeer de harde baten in euro's. Beschrijf de zachte baten concreet genoeg om ze geloofwaardig te maken.
4. De investering. Wees eerlijk over alle kosten. Licenties, implementatie, training, beheer, interne uren voor begeleiding. Vergeet de verborgen kosten niet: data opschonen, procesbeschrijvingen maken, change management. Een eerlijke kostenschatting bouwt vertrouwen op. Een te optimistische schatting ondermijnt je geloofwaardigheid.
5. De terugverdientijd. Bereken wanneer de cumulatieve baten de investering overtreffen. Voor de meeste AI projecten bij middelgrote organisaties ligt de terugverdientijd tussen drie en negen maanden. Als je boven de twaalf maanden uitkomt, heroverweeg dan de scope of kies een ander startproject.
Een AI businesscase gaat niet over technologie. Het gaat over het verschil tussen wat je nu betaalt en wat je straks betaalt voor hetzelfde resultaat.
Rekenvoorbeeld: AI voor klantenrapportages
Een concreet voorbeeld maakt het tastbaar. Neem een accountantskantoor met 80 MKB klanten dat maandelijks rapportages samenstelt.
Huidige situatie. Twee medewerkers besteden samen 60 uur per maand aan rapportages. Bij een gemiddeld uurtarief van 90 euro kost dat 5.400 euro per maand, ofwel 64.800 euro per jaar. De doorlooptijd is tien werkdagen. Het foutpercentage ligt rond de 5%.
Na AI implementatie. AI genereert conceptrapportages automatisch. Medewerkers controleren en personaliseren. De tijdsinvestering daalt naar 20 uur per maand: 1.800 euro per maand, 21.600 euro per jaar. De doorlooptijd halveert naar vijf werkdagen. Het foutpercentage daalt naar 1% doordat AI consistenter werkt dan handmatig kopiëren.
Het resultaat. Jaarlijkse besparing: 43.200 euro aan directe kosten. Investering voor implementatie: 15.000 tot 25.000 euro (eenmalig) plus 500 euro per maand aan tooling. Terugverdientijd: vier tot zeven maanden. En dan zijn de zachte baten (snellere levering, hogere klanttevredenheid, minder frustatie bij medewerkers) nog niet meegerekend.
Hoe meet je de impact na livegang
Een businesscase is een voorspelling. Na livegang moet je meten of die voorspelling klopt. Stel vooraf drie tot vijf KPI's vast die je maandelijks bijhoudt.
De meest bruikbare KPI's voor AI projecten zijn: uren per proces (de directe tijdsbesparing), doorlooptijd (hoe snel het eindresultaat klaar is), foutpercentage (kwaliteitsverbetering) en medewerkerstevredenheid (gemeten via een korte maandelijkse enquête).
Meet minimaal drie maanden na livegang voordat je conclusies trekt. De eerste maand is een leerperiode waarin het team went aan de nieuwe werkwijze. Pas vanaf maand twee zie je de structurele verbeteringen. Na drie maanden heb je genoeg data om te bepalen of de businesscase standhoudt of bijgesteld moet worden.
Rapporteer de resultaten actief naar het management. Laat zien wat de investering oplevert. Dit bouwt draagvlak op voor volgende AI projecten en positioneert jou als iemand die resultaatgericht investeert.
Van stilstand naar stroming
De meeste organisaties blijven hangen in de oriëntatiefase. Ze lezen artikelen, bezoeken webinars en hebben interne gesprekken over AI. Maar er gebeurt niets concreets, omdat niemand de businesscase heeft gemaakt die het besluit rechtvaardigt.
Die businesscase hoeft geen document van dertig pagina's te zijn. Twee tot drie pagina's met de vijf bouwstenen die hierboven staan, onderbouwd met realistische cijfers, is genoeg om een eerste project goedgekeurd te krijgen. Begin klein, meet de resultaten en gebruik die als springplank voor het volgende project. Zo breng je de AI stroom op gang in je organisatie.
De eerste stap is altijd dezelfde: kies één proces, reken het door en leg het voor. De rest volgt vanzelf.