Waarom je eerste AI use case saai moet zijn

Het NANDA-initiatief van MIT analyseerde 300 enterprise AI-implementaties en vond dat 95% geen meetbare impact op de winst- en verliesrekening leverde. Slechts 5% versnelde de omzet. Die verliezende 95% bevat het meeste van wat in board decks wordt gepitcht: customer-facing chatbots, marketing copilots, sales agents, alles wat de hoofdrol speelt in een persbericht. De winnende 5% ziet er saai uit. Facturatie. Ticket routing. Wachtwoord resets. Document retrieval.

Die kloof is het echte verhaal voor elke ondernemer die beslist waar het volgende AI-budget naartoe moet. De kortste route naar waarde is niet het meest zichtbare project. Het is degene waar niemand een case study over zal schrijven.

De glamour-premie is een belasting

De mismatch tussen waar geld heen gaat en waar rendement verschijnt is opvallend. Volgens het GenAI Divide-rapport van MIT gaat meer dan de helft van de generatieve AI-budgetten naar sales- en marketingtools. Tegelijk vindt hetzelfde onderzoek dat de grootste ROI in back-office automatisering zit, waar succesvolle implementaties jaarlijks 2 tot 10 miljoen dollar aan kostenreductie genereren, vooral door het wegsnijden van outsourcing en externe bureaus.

Dit patroon herhaalt zich in studie na studie. PwC, Gartner en McKinsey rapporteren allemaal dezelfde vorm: customer-facing AI krijgt onevenredig veel budget, interne AI levert onevenredig veel rendement. De reden is niet dat de zichtbare use cases technologisch moeilijker zijn. Ze zijn organisatorisch moeilijker. Een chatbot die met een klant praat raakt tegelijk merk, juridisch, support, product en ops. Een factuur-extractor praat met één document en één ERP-veld.

Waar saai al werkt

De data over wat daadwerkelijk presteert is helder zodra je sorteert op categorie use case.

In de crediteurenadministratie laat de 2026-benchmark van Parseur zien dat ongeveer 75% van de AP-afdelingen inmiddels een vorm van AI of automatisering draait. Toppresterende teams halen 60 tot 80% touchless invoice processing. Facturen worden geëxtraheerd, geclassificeerd en gerouteerd zonder dat een mens ze ooit opent.

In klantenservice halen gestructureerde taken zoals facturatievragen, wachtwoord resets en account-updates 90% nauwkeurigheid in productie. FAQ-deflectie pakt routinematig 55 tot 70% van het inkomende ticketvolume af. Gesprekssamenvattingen verkorten escalatie-afhandeling met 35 tot 45%. Geen van deze zijn de demo-waardige AI-agent die je vlucht boekt. Het zijn stille winsten in support-queues.

In IT-operations identificeert het State of AI 2025-rapport van McKinsey service desk automatisering, technische triage en interne kennisretrieval als de categorieën waar AI-agents het vaakst als scaled of fully scaled worden omschreven. Engineering copilots staan ook op die lijst. Autonome customer-facing agents niet.

Waarom saai wint en glamour vastloopt

Drie structurele redenen verklaren het gat, en alle drie zijn relevant voor elk eerste AI-project.

Ten eerste hebben saaie use cases schone inputs en schone outputs. Een factuur heeft velden. Een wachtwoord reset heeft een vast aantal stappen. Een ticket heeft een categorie. Het AI-systeem wordt afgemeten aan een meetbare uitkomst die al in de workflow bestond voordat AI verscheen. Er is geen discussie of het werkte.

Ten tweede is het trainingsoppervlak klein. Hoe smaller de taak, hoe sneller het model zich aanpast aan de werkelijke data van het bedrijf. Het onderzoek van MIT wijst het onvermogen van corporate AI-systemen om feedback te onthouden, zich aan context aan te passen of in de tijd te verbeteren aan als de grootste oorzaak van pilot-falen. Een glamoureuze allesomvattende klantagent moet alles leren. Een document classifier hoeft één ding te leren.

Ten derde zijn de politieke kosten van falen laag. Als een AI factuur-extractor een rekening verkeerd labelt, corrigeert finance het en gaat verder. Als een customer-facing AI een fout antwoord geeft, eindigt het op social media. Glamoureuze projecten dragen verborgen risicopremies die teams zelden vooraf modelleren.

De build versus buy-val

Nog één patroon dat het noemen waard is. Dezelfde MIT-analyse vond dat AI-tools die bij gespecialiseerde leveranciers worden gekocht ongeveer 67% van de tijd succesvol zijn. Interne builds slagen ongeveer een derde zo vaak. Voor een eerste use case telt dit zwaarder dan de meeste leiders denken.

Saaie use cases hebben volwassen vendor-markten. Voor facturatie zijn er vijftig geloofwaardige leveranciers. Voor ticket triage een tiental. Voor kennisretrieval volop. Glamoureuze use cases vragen vaker om custom werk omdat de workflow uniek is voor het bedrijf. Dat custom-pad is exact waar de faalkans piekt.

Een saai eerste project kiezen is niet alleen een inhoudelijke keuze. Het is ook een inkoopkeuze die het werk in de richting van betere kansen duwt.

De praktische conclusie

De meeste bedrijven halen meer bedrijfswaarde uit het goed automatiseren van één saai back-office proces dan uit het lanceren van drie customer-facing AI-experimenten. Niet omdat de saaie use case strategisch belangrijker is, maar omdat hij daadwerkelijk afkomt.

Het patroon dat consistent ROI oplevert ziet er zo uit. Kies één repetitieve workflow met gestructureerde inputs, heldere outputs en een duidelijke kostenbasis. Koop een gespecialiseerde tool in plaats van iets op maat te laten bouwen. Meet tegen het bestaande proces. Zodra het werkt, ga aangrenzend door. Het saaie project wordt de geloofwaardigheid waarmee je het glamoureuze project gefinancierd krijgt zonder het budget op te branden.

De 5% van de bedrijven die wel rendement uit AI halen koos geen betere technologie. Ze koos kleinere doelen. De eerste AI use case die de moeite waard is, is degene waar niemand op je volgende borrel van onder de indruk zal zijn.