Goldman vindt geen brede AI-productiviteitswinst. Twee use cases halen 30%.

Goldman Sachs ging op zoek naar kunstmatige intelligentie in de productiviteitscijfers en vond niets. Na analyse van de earnings calls over het vierde kwartaal van 2025 binnen de S&P 500 concludeerde senior econoom Ronnie Walker dat er geen betekenisvol verband bestaat tussen AI-adoptie en productiviteit op macroniveau. Diezelfde analyse vond iets wat de meeste koppen oversloegen: een mediane productiviteitswinst van rond de 30 procent in precies twee functies.

Die tegenstelling is het hele verhaal. Op geaggregeerd niveau is AI-productiviteit statistisch onzichtbaar. Geconcentreerd is diezelfde productiviteit enorm. Het verschil tussen die twee feiten is niet de technologie. Het is waar bedrijven hem op richten.

Het nulresultaat is echt, en die 30 procent ook

Walkers team las wat het management zei en toetste dat aan wat de cijfers deden. Er werd veel gepraat. Volgens Goldmans analyse van de S&P 500 earnings calls besprak 70 procent van de managementteams AI. Slechts 10 procent kwantificeerde de impact op een specifieke use case. Maar 1 procent kon een getal op het effect op de winst plakken. De meeste bedrijven vertellen over een transformatie die ze niet kunnen meten.

Toch waren de resultaten bij de bedrijven die AI wel succesvol implementeerden allesbehalve bescheiden. De twee use cases met een mediane productiviteitswinst van ongeveer 30 procent waren klantenservice en softwareontwikkeling. Niet "AI door het hele bedrijf." Twee specifieke, afgebakende functies waar het werk zich herhaalt en de output telbaar is.

Waarom het gemiddelde de winst verbergt

Een macrogemiddelde is een bot instrument. Het mengt het bedrijf dat zijn supportwachtrij rond een AI-agent herbouwde met de honderd bedrijven die een chatbotlicentie kochten, een pilot draaiden en die stilletjes in de la legden. Winnaars en stilgevallen projecten heffen elkaar op, en de kop leest nul.

Het MIT NANDA-project vond dezelfde vorm vanuit een andere hoek. Het State of AI in Business 2025-rapport volgde 30 tot 40 miljard dollar aan GenAI-investeringen en concludeerde dat 95 procent van de pilots geen meetbaar rendement opleverde. De 5 procent die wel werkte had geen geluk. Die was gefocust. MIT vond ook dat ruim de helft van de GenAI-budgetten naar sales- en marketingtools ging, terwijl het grootste rendement opdook in backoffice-automatisering: uitbesteed proceswerk schrappen, bureaukosten verlagen en operatie stroomlijnen. Bedrijven gaven uit waar AI spannend leek en verdienden waar AI saai was.

Leg de twee studies naast elkaar en de les is ongemakkelijk. Het geaggregeerde nul is geen bewijs dat AI faalt. Het is bewijs dat de meeste implementaties te dun zijn uitgesmeerd om te registreren. Smeer AI over alles uit en je krijgt nul. Concentreer hem op een herhaalbare, meetbare taak en je krijgt 30 procent.

Klantenservice is geen toeval

Kijk naar wat de twee winnende use cases gemeen hebben. Klantenservice en softwareontwikkeling zijn allebei hoog in volume, repetitief en al gedocumenteerd. Het werk volgt bekende patronen. De output is te scoren: opgeloste tickets, reactietijd, opgeleverde code, gevonden fouten. Als een taak herhaalbaar en meetbaar is, heeft een AI-systeem duidelijke voorbeelden om van te leren en een duidelijk getal om aan afgemeten te worden. Is een taak vaag, dan produceert AI vage output die niemand kan bewijzen.

Voor iedereen die een ticket-zware operatie runt is klantenservice op die korte lijst het signaal om op te handelen. Een supportwachtrij is de zuiverste versie van de omstandigheden die de 30 procent opleveren. Hoog volume, terugkerende vormen, vastgelegde beslisregels en een cost per ticket die je al kunt uitrekenen. Het is het deel van het bedrijf dat het meest waarschijnlijk compoundt, en meestal het deel dat nog op mankracht draait omdat dat veiliger voelde dan gokken op een pilot.

Wat dit betekent als je een ticket-zware operatie runt

De strategische zet is het tegenovergestelde van het instinct. Het instinct, gevoed door elke vendor-deck, is om AI breed uit te rollen zodat geen team zich buitengesloten voelt. De data zegt dat brede uitrol precies is hoe je bij de 95 procent komt. Kies in plaats daarvan een ticketstroom. Maak het de stroom met het hoogste volume en met de beslisregels al op papier, meestal intake en triage in support, onderhoud of serviceoperatie.

Eis vervolgens een getal voordat je begint. Geen "completion rate," dat is een ijdelheidsmetric, maar een hard zakelijk cijfer: kosten per opgelost ticket, mediane reactietijd, percentage zaken dat sluit zonder dat een mens eraan komt. De succesvolle bedrijven in Goldmans data waren de 1 procent die de winstimpact kon kwantificeren. De uitkomst kunnen meten is geen rapportagedetail. Het is precies wat de 30 procent scheidt van de ruis.

Een waarschuwing zit in diezelfde Goldman-dataset. Bedrijven die AI bespraken naast personeelsbeslissingen sneden 12 procent in hun vacatures, steiler dan de 8 procent over alle bedrijven. AI als personeelsverhaal verkleint doorgaans het vermogen van de organisatie om de volgende golf werk op te vangen. AI als capaciteitsverhaal, waarin een agent de routinetickets oplost zodat mensen de uitzonderingen doen, doet het omgekeerde. Dezelfde tool levert een heel andere operatie op, afhankelijk van welk verhaal je eromheen bouwt.

Hoe concentratie er in de praktijk uitziet

Stel je twee operaties voor met identieke supportvolumes, zeg vierduizend tickets per maand. De eerste koopt een AI-assistent en rolt die uit als optionele hulp over elk team: support, sales, HR, finance. De adoptie is ongelijk, niemand is eigenaar van de uitkomst, en aan het einde van het kwartaal is de cost per ticket niet bewogen. Deze operatie wordt een regel in de 95 procent.

De tweede richt hetzelfde budget op een stroom. Ze brengt de tien tickettypes in kaart die het grootste deel van het volume vormen, schrijft de beslisregels op die de beste medewerkers al volgen, en zet een AI-systeem aan het roer van intake, triage en oplossing voor die types, met escalatie van alleen de uitzonderingen. Binnen een kwartaal sluit een meetbaar deel van de tickets zonder mens, daalt de reactietijd en zakt de cost per opgelost ticket. Dezelfde technologie, dezelfde uitgave, tegengesteld resultaat. De enige variabele die veranderde was focus, niet het budget en niet het model.

De softwareontwikkelingshelft van Goldmans bevinding werkt op dezelfde manier en versterkt het punt. Coding-assistenten compounden omdat de taak afgebakend is, de feedback direct is en kwaliteit testbaar is. De les is niet "AI is goed in code." Het is dat afgebakend, testbaar, hoogfrequent werk is waar AI inspanning omzet in meetbare output. Elke ticket-zware operatie heeft minstens een proces dat aan die beschrijving voldoet, en het is bijna nooit het proces dat de meeste aandacht krijgt in de AI-strategiedeck.

De herkadering

Het Goldman-nulresultaat wordt het komende jaar geciteerd als bewijs dat de AI-boom is oververkocht. Lees een laag dieper en het zegt het tegenovergestelde. De technologie werkt precies waar de omstandigheden kloppen, en hij werkt op een schaal, 30 procent, die bijna geen enkele andere operationele hefboom haalt. De bedrijven die niets zien gebruiken geen slechte AI. Ze gebruiken goede AI overal, smeren hem te dun uit om verschil te maken, en meten hem nergens. De bedrijven die 30 procent zien vonden de een of twee stromen waar het werk zich herhaalt, richtten er een agent op en telden het resultaat. De droom om mee te stoppen is de brede. De stroom om mee te beginnen is die al ieder uur tickets genereert, want daar zit de meetbare winst die de rest van de organisatie nog mist.