AI-productiviteit in het mkb: hype, uren en harde cijfers

Volgens het State of AI 2025-rapport van McKinsey gebruikt 88 procent van organisaties inmiddels AI in minstens één functie. Slechts 39 procent ziet daadwerkelijk verbetering in de EBIT, en meestal blijft die onder de 5 procent. Dat is het gat tussen de AI-revolutie die wordt verkocht en de AI-revolutie die zichtbaar wordt op de winst- en verliesrekening.

Voor ondernemers in het mkb is dit het belangrijkste cijfer in het hele verhaal, en bijna niemand heeft het erover. De pitchdeck van een leverancier laat 30 tot 40 procent productiviteitswinst zien. De realiteit binnen kleinere bedrijven is veel bescheidener. Begrijpen waarom is belangrijker dan de volgende tool najagen.

Wat de cijfers daadwerkelijk laten zien voor het mkb

Het 2026 Small Business AI Outlook Report van Business.com meet hoeveel tijd medewerkers besparen met generatieve AI. Een gemiddelde mkb-medewerker bespaart 5,6 uur per week. Managers besparen 7,2 uur, uitvoerende medewerkers 3,4. Op een werkweek van 40 uur is dat aan de bovenkant ongeveer 14 procent. Nuttig, maar ver verwijderd van de 40 procent productiviteitswinst die de grote modelaanbieders beloven.

Het beeld wordt complexer als je meeneemt wat die uren kosten. Een onderzoek uit 2025, behandeld door Tech.co, vond dat mkb-bedrijven ongeveer 26 procent van hun AI-tijd besteden aan herwerk: drafts redigeren, feiten checken, toon corrigeren, hallucinaties opsporen. Een deel van de bespaarde uren wordt gebruikt om die besparing terug te verdienen. De teams die de hoogste productiviteitswinst rapporteren, zijn ook de teams die het meeste tijd in review steken. Dat is geen tegenstelling, dat is een patroon.

Op macroniveau toont de monitoring van AI-adoptie door de Amerikaanse Federal Reserve een structureel gat. Eind 2025 had ongeveer 18 procent van Amerikaanse bedrijven AI ingevoerd. Bij bedrijven met meer dan 250 medewerkers ligt dat rond de 30 procent, bij de kleinste bedrijven onder de 9 procent. Kleine bedrijven lopen niet alleen achter in adoptie, ze zien ook nog eens een kleiner deel van het productiviteitsdividend.

Waar AI in mkb-werkstromen het meeste oplevert

De stevigste bewijzen op werknemersniveau komen van MIT. Een analyse uit 2025 van MIT Sloan over gerandomiseerde experimenten met 4.867 softwareontwikkelaars bij Microsoft, Accenture en een Fortune 100-bedrijf liet een gemiddelde stijging van 26 procent in afgeronde taken zien. Het detail onder die kop is belangrijker dan de kop zelf. Junior ontwikkelaars en recent aangenomen mensen gingen 27 tot 39 procent vooruit. Senior ontwikkelaars boekten 8 tot 13 procent winst.

Hetzelfde patroon zie je in klantenservice. Een eerdere studie van MIT en Stanford in Science mat een gemiddelde productiviteitswinst van 14 procent voor supportmedewerkers met AI-ondersteuning, met de winst geconcentreerd bij nieuwere en minder ervaren werknemers. Topmedewerkers boekten bijna nul verbetering.

Voor het mkb is dit de praktische conclusie die in het onderzoek verstopt zit. Senior leiders en senior specialisten, de mensen wier tijd het duurst is, zijn de mensen voor wie AI het minste verschil maakt. De grootste meetbare winst landt waar junior medewerkers hoog-volume routinewerk doen: drafts, supportreplies, ticket-triage, eerste research, planning. Daar hoort het budget eerst heen.

Leverancierscijfers versus jouw cijfers

Een reden dat het gat zoveel mkb-eigenaren verrast, is dat leveranciersclaims en interne productiviteitsmetingen zelden hetzelfde meten. Leveranciersbenchmarks komen meestal uit gecontroleerde experimenten op geïsoleerde taken: de tijd om een mail te schrijven, de tijd om een functie te coden, de tijd om een transcriptie samen te vatten. Interne metingen, voor zover ze bestaan, vangen iets anders: totale doorlooptijd, kwaliteit van output, klanttevredenheid, omzet per medewerker.

De IBM EMEA-studie van 2025 illustreert dit netjes. Twee derde van de ondervraagde organisaties rapporteert significante productiviteitswinst, maar slechts een fractie daarvan heeft zich vertaald naar meetbare kostenreductie of omzetgroei. Werknemers voelen zich sneller, dashboards blijven vlak. Dat sluit aan bij wat McKinsey, MIT en de OESO allemaal zien: snelheidswinst per taak is reëel, uitkomsten op organisatieniveau lopen achter, en dat verschil wordt groter naarmate het bedrijf kleiner is.

De echte bottleneck is niet het model

Als de tools de beperkende factor waren, zou meer uitgeven het gat dichten. Dat is niet zo, en dat doet het ook niet. McKinsey beschrijft hoe 30 tot 40 procent van de potentiële AI-waarde verloren gaat aan slecht uitgelijnde incentives, gefragmenteerde systemen, of onvoldoende herontwerp van het operating model. In gewone taal: het meeste van de gemiste productiviteit zit opgesloten achter werkstroomwijzigingen die niemand heeft doorgevoerd.

De cijfers van de Federal Reserve bevestigen dit. Eind 2025 vond 42 procent van bedrijven AI nog te onvolwassen om in te investeren, 36 procent zegt dat hun mensen er niet voor zijn opgeleid en 36 procent noemt privacyzorgen. Dit zijn geen technologieproblemen. Het zijn organisatieproblemen in een technologiekostuum.

Het OESO-rapport 2025 over AI-adoptie in het mkb komt tot dezelfde conclusie. Het gat in productiviteitsuitkomsten tussen kleine en grote bedrijven is terug te voeren op verandercapaciteit, niet op toegang tot modellen. Grote bedrijven steken meer tijd in procesherontwerp, training, governance en integratie. Ze halen er meer uit. Kleinere bedrijven plakken AI bovenop het bestaande proces. Dat is precies het recept voor een teleurstellend rendement.

Wat dit betekent als je een mkb runt

Drie dingen volgen uit de cijfers. Ten eerste: budgetteer niet tegen de leveranciersdemo. Een realistische bovenkant voor een goed ingezette AI-tool in een mkb is vandaag 5 tot 15 procent productiviteitswinst, geen 30 tot 40. Past je verdienmodel in dat bereik, dan loont AI absoluut. Werkt je model alleen bij 30 procent, dan loopt het project stilletjes vast.

Ten tweede: kies eerst de saaie, hoog-volume taak. Klantantwoorden opstellen, calls samenvatten, declaraties sorteren, eerste-versies copy, ticket-triage. Daar zien mkb-bedrijven de grootste meetbare winst, deels omdat junior teamleden de eigenaar zijn, deels omdat het volume hoog genoeg is dat kleine besparingen per taak optellen. Glanzende use cases zoals AI-strategieadvies of autonome agents die complexe besluiten nemen, doen het goed in pilots en zelden in productie.

Ten derde: reken op de 26 procent herwerk. De teams die echte productiviteitswinst halen, slaan de review niet over, ze plannen ervoor. Als je nul review aanneemt, krijg je nul kwaliteitscontrole, en de bespaarde uren worden in stilte klantklachten, sales-mails met verkeerde getallen en beslissingen op gehallucineerde data. De bespaarde uren zijn echt. Ze zijn alleen niet gratis.

De herkadering

De AI-productiviteitsrevolutie is echt, maar de vorm is niet wat de marketing suggereert. Het is geen sprong die je bij een leverancier koopt. Het is een trage, samengestelde winst die landt in werkstromen waar het volume hoog is, de output reviewbaar is en iemand bereid is het werkproces opnieuw te ontwerpen. De bedrijven met dubbele cijfers aan productiviteitswinst hebben niet de fraaiste tech-stack. Het zijn bedrijven die één werkstroom kozen, die rond het model herontwierpen, en lang genoeg volhielden om de winst zichtbaar te laten worden. Het verschil tussen de cijfers van de leverancier en jouw cijfers is geen bug. Het is de prijs van het saaie deel goed doen.