De meeste bedrijven versnellen alleen kapotte workflows met AI

Slechts 21% van de bedrijven die generatieve AI gebruiken heeft ook maar één workflow herontworpen. Dat getal, weggestopt in McKinsey's laatste State of AI rapport, verklaart waarom de meeste bedrijven de beloofde productiviteitswinst niet zien.

De belofte klonk simpel. Stop AI in het werk en de output stijgt. De data zegt iets anders. McKinsey testte 25 verschillende organisatorische kenmerken op hun effect op EBIT-impact van generatieve AI. Workflow-herontwerp eindigde bovenaan. Het correleert sterker met financieel rendement dan personele veranderingen, modelkeuze, trainingsbudget of bestuurlijke betrokkenheid. Toch slaan vier van de vijf bedrijven die stap volledig over.

De 21% die het anders aanpakt

Bij de kleine groep high performers, door McKinsey gedefinieerd als de ongeveer 6% van organisaties die 5% of meer van hun EBIT aan AI toeschrijven, ligt het herontwerppercentage op 55%. Dat is bijna drie keer zoveel als bij de rest van het veld. De high performers kopen geen betere modellen en huren geen extra data scientists in. Ze doen het ondankbare werk van het opnieuw indelen van hoe het werk zelf stroomt.

Tegelijk meldt slechts 39% van de organisaties enige EBIT-impact op ondernemingsniveau van generatieve AI. Het gat tussen 'we gebruiken AI' en 'AI verandert onze P&L' is precies het gat tussen losse taken versnellen en de workflows waarin die taken zitten herontwerpen. De meeste bedrijven zitten aan de verkeerde kant, en die kant wordt elk kwartaal structureel zwakker.

Waarom snellere taken niet leiden tot sneller werk

De rekensom is ongemakkelijk. Stel je een proces met tien stappen voor, waarbij elke stap ongeveer 10% van de doorlooptijd kost. Zet AI op één stap en verdubbel de snelheid. De totale doorlooptijd daalt met 5%. Dat is het volledige rendement op een tool die de operatie zou transformeren.

Dit patroon zie je overal terug zodra je ernaar zoekt. Een marketingmanager gebruikt AI om een briefing van twee weken in te korten tot een middag. De creatief directeur heeft nog steeds één review-slot per week. Legal doet er nog steeds vijf dagen over. Inkoop heeft nog steeds vier handtekeningen nodig. De campagnebriefing gaat alsnog drie weken door het systeem, alleen met een marketingmanager die zich het grootste deel van die tijd verveelt. De bottleneck verschoof. Hij verdween niet.

Onderzoek naar de AI-productiviteitsparadox van Asana laat hetzelfde patroon zien op schaal. AI slaagt in ongeveer 58% van de eenvoudige taken, maar slechts in 35% van de processen met meerdere stappen. Hoe complexer de workflow, hoe duidelijker het wordt dat winst op taakniveau het contact met het operationele model niet overleeft. De bottleneck zit zelden waar de AI op werd gericht.

Hoe herontwerp er echt uitziet

Bedrijven die dit goed doen beginnen niet bij AI. Ze beginnen bij de workflow. Leaf Home, een Amerikaans bedrijf in woningdiensten, gebruikte task mining om dertien bedrijfsonderdelen door te lichten voordat ze besloten waar ze automatisering inzetten. Die exercitie legde inefficiënties bloot ter waarde van $120.000 aan besparingen. De AI-tools kwamen daarna. De diagnose stond voorop.

Nestlé volgde een vergelijkbare route binnen SAP Concur voor expense management. In plaats van een assistent vast te schroeven aan het bestaande proces, bouwden ze de flow opnieuw op rond wat AI nu kon. Het resultaat was een verdrievoudiging van de efficiëntie bij het maken van declaraties, niet omdat de AI drie keer slimmer was dan mensen, maar omdat het proces eromheen niet meer het grootste deel van zijn output verspilde. De inkoopstappen, de goedkeuringsroutering en de auditcontrole werden tegelijk met de AI hertekend.

Het patroon is consistent. Herontwerp betekent een workflow uit elkaar trekken in zijn samenstellende taken, beslissen welke daarvan het beste door AI worden gedaan, welke door mensen, en welke gewoon kunnen worden geschrapt. De workflow wordt vervolgens opnieuw opgebouwd rond die nieuwe verdeling. Dit ligt dichter bij industriële procesengineering dan bij software-adoptie, en daarom mijden de meeste bedrijven het. Industriële engineering vraagt om een eigenaar, een budget en een mandaat dat afdelingen overstijgt. Software-adoptie kun je in een dinsdagochtend goedkeuren.

Het AI-waardeverschil wordt groter, niet kleiner

De prijs van herontwerp overslaan loopt snel op. BCG's Widening AI Value Gap rapport, gebaseerd op een onderzoek onder 1.250 senior executives in 25 sectoren, laat zien dat AI-koplopers nu twee keer zo snel hun omzet laten groeien als achterblijvers en 40% meer kostenbesparingen realiseren. De koplopers zijn niet een beetje vooruit. Ze stapelen voordelen op.

Slechts 5% van de bedrijven in het BCG-onderzoek kwalificeert zich als future-built voor AI, de groep die de operatie systematisch hertekent in plaats van tools eroverheen te leggen. Die bedrijven zijn van plan 26% meer aan IT uit te geven en tot 64% van dat budget naar AI te sturen. De investering veroorzaakt het verschil niet. De bereidheid om werk te herstructureren veroorzaakt het verschil. De investering is wat herstructurering nu eenmaal vereist.

Voor iedereen die nu nog niet beweegt is de inhaalslag lastiger dan hij lijkt. Een achterblijver die meer AI-tools toevoegt aan het bestaande operationele model haalt er marginale winst uit. Een koploper die zijn workflows al heeft herontworpen kan elke nieuwe AI-capaciteit aansluiten op een proces dat erop is gebouwd om die capaciteit te absorberen. Elke nieuwe AI-golf vergroot het voordeel van de koploper en raakt de achterblijver nauwelijks. Het gat is niet alleen aanwezig. Het wordt elk kwartaal groter.

Het organogram-probleem

Er is een structurele reden waarom de meeste bedrijven dit missen. AI-tools worden meestal beheerd door IT, een functie of een innovatieteam. Workflow-herontwerp vereist autoriteit over functies heen, omdat echte workflows afdelingen kruisen. Weinig bedrijven hebben een bestaande rol met zowel het mandaat als de capaciteit om een afdelingsoverstijgend proces opnieuw te tekenen. Het gevolg is dat AI wordt ingezet waar iemand het budget heeft om het in te zetten, niet waar het proces de meeste speling heeft om weg te halen. De belangrijkste beslissing in een AI-programma, namelijk wat er herontworpen wordt, eindigt bij wie toevallig autoriteit had over de kleinste eenheid van het werk.

Dit verklaart ook waarom agentic AI dit niet vanzelf gaat oplossen. Een agent die over bestaande rails rijdt blijft door diezelfde rails geremd. De beperking is niet de intelligentie die beschikbaar is bij elke stap. De beperking is het operationele model waarin de stappen leven. Slimmere agents toevoegen aan een ongewijzigd operationeel model versnelt het verkeerde patroon, het doorbreekt het niet.

Hoe je het patroon herkent voor je tekent

Voor ondernemers die willen weten of hun AI-investering rendement gaat opleveren is de diagnose eenvoudig. Drie vragen voor je de volgende AI-tool goedkeurt.

Eén. Welke stap van welke workflow richt deze tool zich op, en welk percentage van de totale doorlooptijd kost die stap vandaag? Als het antwoord 10% is en de tool verdubbelt de snelheid van die stap, dan is het maximale voordeel voor de hele workflow 5%. Dat is je plafond, voordat integratiekosten en adoptiefrictie er nog vanaf gaan.

Twee. Waar gaat het werk heen nadat deze stap sneller is? Als de volgende fase een hogere doorvoer niet kan absorberen, blijven de besparingen theoretisch. De bottleneck is verschoven, niet weggehaald. Breng de absorptiecapaciteit van elke downstream-overdracht in kaart voordat je een contract tekent.

Drie. Wie is verantwoordelijk voor het herontwerp van de workflow zelf, niet alleen voor de uitrol van de tool? Als het antwoord niemand is, of dezelfde persoon die de tool beheert, dan zal het project zich aansluiten bij de 79% die geen meetbare EBIT-impact bereikt. Een workflow zonder eigenaar wordt niet hertekend, ongeacht welke software eroverheen gaat.

Deze drie vragen filteren de projecten eruit die spannend ogen in een leveranciersdemo en niets opleveren op een P&L. Ze laten ook zien waar herontwerp wel rendement zou opleveren, en dat ligt bijna altijd stroomopwaarts van waar de meeste AI-gesprekken beginnen.

De herframing

De bedrijven die met AI uitlopen hebben geen betere modellen of grotere budgetten. Het zijn de bedrijven die AI hebben gebruikt als reden om een lastiger vraag te stellen. Is deze workflow het waard om te versnellen, of is hij het waard om te herbouwen? In de meeste gevallen, wanneer een workflow genoeg handmatige stappen heeft verzameld om AI aantrekkelijk te maken, is het eerlijke antwoord herbouwen. De 21% die vorig jaar naar dat antwoord handelde is nu de 6% met meetbaar financieel rendement. De rest laat een kapot proces sneller draaien en kijkt hoe de bottleneck één stap stroomafwaarts opschuift.