Een aanvaardbare kosten-batenverhouding voor een AI-toepassing is een verhouding waarbij de meetbare bedrijfswaarde die wordt gerealiseerd – of het nu gaat om kostenbesparingen, omzetgroei of productiviteitswinst – duidelijk opweegt tegen de totale investering die nodig is om de oplossing te ontwikkelen, te exploiteren en te onderhouden. In de praktijk streven de meeste organisaties naar een rendement van minimaal twee tot drie keer de totale kosten over een bepaalde periode, hoewel de juiste drempel sterk afhangt van het type toepassing, de risicobereidheid van de organisatie en hoe waarde wordt gedefinieerd. De onderstaande vragen gaan in op hoe die waarde gemeten kan worden, waar budgetten doorgaans tekortschieten en wanneer het beter is om af te zien van de toepassing.
Hoe bepaal je de waarde van een AI-toepassing?
Je bepaalt de waarde van een AI-toepassing door vast te stellen welke specifieke bedrijfsresultaten deze beïnvloedt en aan elk daarvan een financieel of operationeel cijfer toe te kennen. Dit betekent dat je verder kijkt dan technische prestatiemaatstaven en de output van de AI koppelt aan iets wat het bedrijf al bijhoudt: kosten per transactie, bespaarde werkuren, lagere foutenpercentages, gegenereerde omzet of verbeterde klantretentie.
Begin met het vaststellen van de uitgangssituatie. Wat kost het huidige proces aan tijd, geld of risico? Maak vervolgens een model van wat er verandert als de AI presteert zoals verwacht. Het verschil tussen deze twee, gecorrigeerd voor het vertrouwen in de betrouwbaarheid van de AI, is je verwachte waarde. Vervolgens kun je die verwachte waarde vergelijken met de totale kosten van het initiatief.
Een nuttig kader om deze meting te structureren omvat drie dimensies:
- Efficiëntiewaarde: Tijd of kosten die worden bespaard door een taak te automatiseren of te versnellen
- Waarde van de beslissingskwaliteit: Betere resultaten dankzij snellere of nauwkeurigere informatie
- Strategische waarde: Concurrentievoordeel, risicobeperking of vermogen dat toekomstige groei mogelijk maakt
Niet elke toepassing van AI levert in alle drie de dimensies waarde op, maar door in kaart te brengen welke toepassingen wel van toepassing zijn, kun je een eerlijkere en vollediger businesscase opstellen. Strategische waarde is het moeilijkst te kwantificeren, maar als je deze volledig buiten beschouwing laat, kan dit ertoe leiden dat toepassingen die het belangrijkst zijn voor de langetermijnkoers van de organisatie, worden ondergewaardeerd.
Wat is een aanvaardbare kosten-batenverhouding voor AI?
Een aanvaardbare kosten-batenverhouding voor een AI-toepassing wordt over het algemeen beschouwd als minimaal 2:1, wat betekent dat de gerealiseerde bedrijfswaarde ten minste het dubbele bedraagt van de totale investering. Voor gebruiksscenario's met een hoger risico of experimentele gebruiksscenario's leggen veel organisaties de lat hoger en streven ze naar een verhouding van 3:1 of zelfs 5:1, om rekening te houden met onzekerheid over de waarderealisatie en de kans op overschrijdingen bij de implementatie.
Dat gezegd hebbende, is de juiste verhouding niet universeel. Deze hangt af van factoren zoals de mate van volwassenheid van de gebruikte AI-technologie, de tolerantie van de organisatie voor onzekerheid en hoe snel er waarde wordt verwacht. Een use case die binnen zes maanden duidelijke, meetbare besparingen oplevert, kan een lagere verhouding rechtvaardigen dan een use case waarbij de waarde diffuus, op de lange termijn of moeilijk toe te schrijven is.
Een manier om na te denken over de aanvaardbaarheid is door de investering in AI te vergelijken met het op één na beste alternatief. Als een handmatige procesverbetering of een eenvoudigere softwareoplossing 80% aan waarde zou opleveren tegen 20% aan kosten, dan moet de AI-toepassing die meerprijs rechtvaardigen. Bij de kosten-batenverhouding gaat het niet alleen om de vraag of de AI op zichzelf waarde oplevert; het gaat erom of deze meer waarde oplevert dan de alternatieven.
In hoeverre beïnvloedt het soort AI-toepassing de verwachte verhouding?
Het soort AI-toepassing heeft een grote invloed op welke kosten-batenverhouding realistisch en aanvaardbaar is. Toepassingen die duidelijk omschreven, repetitieve taken automatiseren, zoals documentverwerking, het afstemmen van facturen of het opsporen van afwijkingen in gestructureerde gegevens, leveren doorgaans voorspelbare opbrengsten op en kunnen relatief snel een sterke verhouding realiseren. Toepassingen waarbij generatieve AI, complexe besluitvormingsondersteuning of nieuwe toepassingen betrokken zijn, brengen meer onzekerheid met zich mee en vereisen doorgaans een hogere verwachte verhouding om het risico te rechtvaardigen.
Toepassingsvoorbeelden van operationele automatisering
Deze toepassingen vervangen of versnellen handmatige processen en leveren een meetbare doorvoer op. De meerwaarde is doorgaans eenvoudig te berekenen: minder uren, lagere foutpercentages, kortere cyclustijden. De kosten-batenverhouding voor deze toepassingen is vaak al binnen 12 tot 18 maanden haalbaar, waardoor ze uitstekende kandidaten zijn voor een eerste investering in AI.
Beslissingsintelligentie en voorspellende toepassingen
Deze use cases verbeteren de kwaliteit van beslissingen in plaats van menselijke arbeid direct te vervangen. De meerwaarde komt tot uiting in de resultaten: betere inkoopbeslissingen, minder klantverloop, nauwkeurigere prognoses. Omdat het causale verband tussen de AI-output en het bedrijfsresultaat moeilijker te isoleren is, moet de verwachte ratio hoger zijn om de onzekerheid over de toeschrijving te compenseren. Organisaties moeten vóór de implementatie, en niet erna, duidelijke meetkaders opstellen.
Welke kosten worden doorgaans onderschat in de begrotingen voor AI-toepassingen?
De kosten die in de begrotingen voor AI-toepassingen het vaakst worden onderschat, zijn het voorbereiden van gegevens, het doorlopende onderhoud van modellen, de integratie met bestaande systemen en verandermanagement. De meeste organisaties houden wel rekening met de kosten voor het ontwikkelen of aanschaffen van een licentie voor het AI-model zelf, maar onderschatten alles wat nodig is om het model betrouwbaar te laten functioneren in een productieomgeving en daadwerkelijke bedrijfswaarde te genereren.
Tot de specifieke kostencategorieën die organisaties vaak verrassen, behoren:
- Gegevenskwaliteit en etikettering: AI-modellen hebben schone, gestructureerde en vaak handmatig gelabelde trainingsgegevens nodig; dit proces vergt meer tijd en specialistische inzet dan verwacht
- Infrastructuur en rekenkracht: Het op grote schaal uitvoeren van AI-modellen, met name grote taalmodellen, brengt aanzienlijke en doorlopende kosten voor cloudcomputing met zich mee
- Integratiewerk: Het koppelen van de output van een AI-model aan bestaande workflows, systemen en goedkeuringsprocessen vergt vaak evenveel technische inspanning als het model zelf
- Modelafwijking en hertraining: AI-modellen verliezen na verloop van tijd aan kwaliteit naarmate de werkelijkheid verandert; in de begrotingen moet rekening worden gehouden met voortdurende monitoring en periodieke hertraining
- Verandermanagement: Om ervoor te zorgen dat mensen de resultaten van AI vertrouwen en ernaar handelen, zijn opleiding, communicatie en vaak ook een herontwerp van processen nodig
Het onderschatten van deze kosten heeft niet alleen gevolgen voor het budget; het verstoort ook de kosten-batenverhouding en leidt tot AI-toepassingen die er op papier aantrekkelijk uitzien, maar in de praktijk niet het gewenste resultaat opleveren. A De FinOps-aanpak voor het beheer van cloudkosten kan organisaties helpen bij het bijhouden van de uitgaven voor rekenkracht en infrastructuur voor AI-workloads, waarbij dezelfde strakke aanpak wordt gehanteerd als bij ander cloudgebruik, waardoor wordt voorkomen dat onverwachte kosten het verwachte rendement ondermijnen.
Wanneer moet een AI-toepassing worden afgewezen op basis van de verhouding tussen kosten en waarde?
Een AI-toepassing moet op basis van de kosten-batenverhouding worden afgewezen wanneer de verwachte waarde niet op geloofwaardige wijze kan worden gemeten, wanneer de totale kosten hoger zijn dan wat de waarde binnen een aanvaardbare termijn realistisch gezien kan opleveren, of wanneer een eenvoudigere oplossing vergelijkbare resultaten zou opleveren tegen lagere kosten en met minder risico. Afwijzing is de juiste keuze wanneer de businesscase berust op aannames die niet kunnen worden getoetst voordat er aanzienlijke investeringen worden gedaan.
Concrete aanwijzingen dat een use case niet moet worden uitgevoerd, zijn onder meer:
- De waarde wordt uitsluitend in kwalitatieve termen gedefinieerd, zonder dat er een plausibele manier is om deze financieel te kwantificeren
- Er is nog maar weinig bekend over het basisproces, waardoor het onmogelijk is om de verbetering te modelleren
- De gegevens die nodig zijn om het model te trainen of te gebruiken, bestaan niet, zijn niet toegankelijk of het zou onbetaalbaar zijn om ze voor te bereiden
- Deze use case biedt dezelfde functionaliteit als die al in bestaande tools beschikbaar is, tegen een fractie van de kosten
- De verwachte terugverdientijd bedraagt meer dan drie jaar, zonder tussentijdse waardemijlpalen
Het afwijzen van een use case op basis van de verhouding tussen kosten en waarde is geen mislukking; het betekent juist dat het bestuursproces werkt zoals het hoort. Organisaties die een rigoureus evaluatieproces voor AI-investeringen opzetten, beschikken uiteindelijk over een sterker portfolio van initiatieven en vermijden de valkuil van ‘verzonken kosten’, waarbij projecten die geen resultaat opleveren toch blijven worden gefinancierd.
Hoe moet de waarde van AI-toepassingen na de implementatie worden bijgehouden?
De waarde van een AI-toepassing moet na de implementatie worden bijgehouden door dezelfde bedrijfsresultaten te meten die in de oorspronkelijke businesscase zijn gedefinieerd, deze te vergelijken met de uitgangssituatie vóór de implementatie en ze regelmatig, minimaal elk kwartaal, te evalueren. Het bijhouden moet bij de ingebruikname beginnen, en niet pas zes maanden later, zodat vroege signalen van ondermaatse prestaties aanleiding kunnen geven tot corrigerende maatregelen voordat de kosten verder oplopen.
Effectieve monitoring na de implementatie bestaat uit drie elementen. Ten eerste heb je een ‘metingseigenaar’ nodig: iemand die verantwoordelijk is voor het verzamelen van de gegevens en het rapporteren over de waarderealisatie, los van het team dat de oplossing heeft gebouwd. Ten tweede heb je overeengekomen meetcriteria nodig die vóór de implementatie zijn vastgesteld, en niet achteraf zijn aangepast om de resultaten er beter uit te laten zien. Ten derde is er behoefte aan een evaluatieritme met beslissingsbevoegdheid: als de waarde zich niet binnen de verwachte termijn manifesteert, moet de organisatie beschikken over een duidelijk proces om te beslissen of er moet worden bijgestuurd, teruggeschroefd of afgestapt.
Het bijhouden van de waarde wordt ook in realtime meegenomen in de kosten-waardeverhouding. Naarmate de werkelijke kosten duidelijker worden – inclusief de doorlopende kosten voor rekenkracht, onderhoud en ondersteuning, die in het begin vaak worden onderschat – moet de verhouding opnieuw worden berekend op basis van de daadwerkelijk geleverde waarde. Dit zorgt voor verantwoording en verbetert de kwaliteit van toekomstige AI-businesscases binnen de hele organisatie.
Hoe wij u helpen bij het beoordelen en beheren van de waarde van uw AI-investeringen
Om de juiste verhouding tussen kosten en waarde te vinden voor AI-toepassingen, zijn financiële discipline, duidelijk bestuur en het vermogen nodig om technologie-uitgaven te koppelen aan bedrijfsresultaten. Dat is precies wat wij organisaties helpen op te bouwen. Bij It’s Value werken we samen met leidinggevenden op het gebied van IT, financiën en bedrijfsvoering om de juiste structuren op te zetten:
- Het vaststellen van betrouwbare waardemaatstaven en referentiewaarden voordat er beslissingen over investeringen in AI worden genomen
- Transparantie creëren in de kosten van AI-workloads in de cloud en op locatie met behulp van FinOps en strategisch portefeuillebeheer praktijken
- Het opzetten van bestuurskaders die voor AI-toepassingen duidelijke verantwoordelijkheden en beoordelingsfrequenties vastleggen
- Het bijhouden van de gerealiseerde waarde na de implementatie, zodat de businesscase een levend document blijft en geen eenmalige rechtvaardiging
- AI-kostenbeheer integreren in het bredere kader van IT-financieel beheer met behulp van TBM- en FinOps-raamwerken
Als u binnen uw organisatie een meer rigoureuze aanpak wilt ontwikkelen voor het rechtvaardigen van AI-kosten en het bijhouden van de toegevoegde waarde, neem contact met ons op om te bespreken waar we moeten beginnen.