De verborgen ROI van interne AI-tools

Meer dan de helft van elk generatief AI-budget in het bedrijfsleven gaat naar sales en marketing. De grootste meetbare ROI, volgens onderzoekers van MIT, komt ergens anders terug: in de back office, waar geen klant het ooit te zien krijgt.

Die kloof tussen waar het geld heen stroomt en waar de winst landt, is de duurste misalignment in de huidige AI-cyclus. Het verklaart waarom 95% van de zakelijke GenAI-pilots geen meetbare financiële impact opleverde, terwijl een kleine minderheid stilletjes hele leverancierscontracten schrapte en duizenden uren administratief werk herrouteerde.

De hoofdverhalen over AI in 2025 en 2026 worden gedomineerd door klantgerichte implementaties: chatbots, aanbevelingssystemen, dynamische prijsstelling, AI-marketingassistenten. Die krijgen demo's, persberichten en aandacht in de boardroom. Ze krijgen ook het budget.

Interne AI-tools, de saaie categorie die een medewerker helpt een contract twee keer zo snel op te stellen of een financeteam de boeken voor de lunch te sluiten, krijgt de restjes. En toch, als onderzoekers kijken waar de euro's daadwerkelijk terugkomen, blijven de restjes winnen.

Het allocatieprobleem

MIT's NANDA-initiatief publiceerde het State of AI in Business 2025-rapport na interviews met 150 bedrijfsleiders, een enquête onder 350 medewerkers en analyse van 300 publieke AI-implementaties. Het hoofdcijfer is bekend: 95% van de pilots leverde geen meetbare P&L-impact op. De tweede bevinding is wat hier telt.

Uit de berichtgeving van Fortune over het MIT-rapport blijkt dat meer dan de helft van elk generatief AI-budget naar front-office toepassingen ging, sales- en marketingtools, terwijl de daadwerkelijke ROI verscheen in back-office automatisering: het beëindigen van business process outsourcing-contracten, het verlagen van externe bureaukosten, het stroomlijnen van repetitieve operaties.

Dezelfde MIT-data volgde ook bouwen versus kopen. Gespecialiseerde AI-leverancierspartnerschappen slaagden in 67% van de gevallen. Interne ontwikkelingen slaagden in slechts 33%. Beide bevindingen wijzen dezelfde kant op: wanneer bedrijven AI eerst als klantattractietool en pas daarna als interne productiviteitstool behandelen, vallen de resultaten tegen.

Wat saaie AI daadwerkelijk oplevert

De cases die kritisch onderzoek doorstaan, komen meestal van binnen het bedrijf, niet van de klantinterface.

McKinsey, in één lichaam zowel AI-koper als AI-verkoper, is ongebruikelijk transparant over zijn eigen interne gebruik. Volgens McKinsey's eigen workforce-analyse bespaarde het bedrijf in één jaar 1,5 miljoen uur aan zoek- en synthesewerk door dit via interne AI-agents te routeren. De output van de back office steeg met 10%, terwijl de personeelsbezetting in die functies daalde met 25%. Het bedrijf draait nu ongeveer 25.000 AI-agents naast zijn 40.000 menselijke consultants.

Het zorgbedrijf Omega Healthcare automatiseerde medische facturatie en verzekeringsclaim-workflows. Het verwerkt nu meer dan 100 miljoen transacties via interne automatisering, bespaart maandelijks meer dan 15.000 medewerkeruren, heeft de documentverwerkingstijd met 40% verkort en werkt op 99,5% nauwkeurigheid. De implementatie leverde ongeveer 30% ROI op de investering. Geen van deze winst hangt af van een klant die ooit met de AI in aanraking komt.

Klarna biedt een complexere les. De klantenservice-AI van Klarna verzette werk gelijkwaardig aan 853 voltijds medewerkers en kreeg de credit voor een besparing van 60 miljoen dollar. Dat cijfer kreeg de pers. Wat minder aandacht kreeg: Klarna heeft de klantgerichte inzet inmiddels teruggedraaid en menselijke agents teruggehaald voor genuanceerde gevallen, terwijl het stilletjes ChatGPT Enterprise heeft uitgerold naar 90% van zijn personeel, met dagelijkse adoptie van 93%, 88% en 86% bij respectievelijk Communicatie, Marketing en Legal. De besparingen bleven hangen waar medewerkers AI gebruiken om sneller te werken. De besparingen draaiden terug waar klanten er direct mee moesten omgaan.

Waarom interne AI-ROI beter meetbaar is

Er is een structurele reden waarom interne AI schonere returns oplevert. Interne use cases hebben meetbare baselines: hoeveel uur kostte dit proces vorig kwartaal, wat betaalden we de BPO, hoeveel contractors huurden we in om het volume aan te kunnen. Na implementatie dalen die cijfers wel of niet, en de vergelijking is eenduidig.

Klantgerichte AI-returns zijn rommeliger. Steeg de conversie door de AI-chatbot, de nieuwe homepage, het seizoen of de prijsverhoging van de concurrent? Zelfs als de ROI er is, blijft attributie discutabel. PwC's analyse van 1.217 bedrijven toonde aan dat 20% van de steekproef 74% van de totale AI-gedreven returns wegkaapt. De winnende 20% had één ding gemeen: zij koppelden AI-investeringen aan specifieke omzet- of kostendoelen en bouwden governance rond de meting, niet alleen rond het model.

Een aparte bevinding uit hetzelfde onderzoek is dat 66% van de organisaties productiviteitswinst rapporteert, maar slechts 20 tot 30% die winst weet om te zetten in financiële impact. Dat vertaalprobleem is grotendeels een intern versus extern probleem. Bespaarde uren in een financeteam laten zich zien als minder personeel of minder facturen van leveranciers in het volgende kwartaal. Door een marketingchatbot "bespaarde" uren laten zich zien als servicetickets die de chatbot heeft geëscaleerd en die het team alsnog moest opruimen.

De stille belasting van front office AI

Onder de budgetallocatie zit een verborgen kost die de meeste bedrijven niet bijhouden. Kenniswerkers die productie-AI gebruiken besparen gemiddeld 6,4 uur per week. Daarvan gaat ongeveer 37 tot 40% op aan het corrigeren van AI-output van lage kwaliteit. De nettobesparing is echt, maar kleiner dan de marketingclaim.

Bij interne implementaties wordt die correctiebelasting betaald door hetzelfde team dat de workflow bezit, waardoor de feedbackloop kort en zichtbaar blijft. Bij klantgerichte implementaties wordt die belasting betaald door support, retentie en merkreputatie, die allemaal ver van het team zitten dat de AI heeft uitgerold. De kosten zijn reëel maar accumuleren op een andere P&L-regel, waardoor ze zelden opduiken in de oorspronkelijke ROI-berekening.

Klarna's stille terugtocht is de publieke versie hiervan. De besparingsberekening zag er fantastisch uit gemeten op de AI-laag. Hij zag er minder goed uit gemeten op de klanttevredenheidslaag. Interne tools veroorzaken die asymmetrie zelden, omdat de gebruiker tevens de koper is.

Een praktische herformulering

De vraag voor een ondernemer die zijn AI-budget bekijkt is niet "waar zetten we AI in om klanten te imponeren." De vraag is "welke interne workflow heeft een meetbare baseline, bekende kosten en een duidelijke eigenaar die baat heeft bij die tijd terug."

Die lijst is in de meeste bedrijven langer dan de klantgerichte lijst. Contractopstellen. Factuurreconciliatie. Salescall-samenvattingen en CRM-hygiëne. Interne kennissearch. Pre-screening van sollicitanten. Compliance-documentatie. Dit zijn de plekken waar MIT, McKinsey en de cases het over eens zijn dat ROI als eerste verschijnt, en waar terugdraairisico het laagst is omdat de klant nooit de last van een half-uitgewerkte output draagt.

De 6% van bedrijven die in McKinsey's analyse meetbare EBIT-impact aan AI toeschrijft, kwam daar niet door betere technologie te kiezen, maar door eerst het operating model rond AI binnen het bedrijf te herontwerpen, voordat ze het op klanten richtten. De volgorde doet ertoe.

De marketingdollars gaan naar de AI die de klant ziet. De besparingen verschijnen in de AI die de medewerker gebruikt. Iedereen die in 2026 een AI-budget verdeelt, heeft twee jaar aan data tot zijn beschikking die hem vertelt welke kant van die balans als eerste gewicht verdient.