De credibility gap in de AI-industrie
De afgelopen jaren heeft de AI-industrie een extreem overtuigend verhaal verkocht:
- AI zal productiviteit exploderen
- AI zal kosten verlagen
- AI zal kenniswerk automatiseren
Maar de cijfers om heden tonen een genuanceerder en minder sexy beeld.
De AI-paradox: massale adoptie, maar beperkte businessimpact
Volgens recente studies:
- Meer dan 80% van bedrijven experimenteert met generatieve AI, maar slechts een minderheid ziet meetbare impact op omzet of winst (McKinsey).
- Slechts ~38% van organisaties rapporteert duidelijke EBIT-impact van AI-initiatieven (McKinsey Global Survey).
- Maar 30% van CEO’s is tevreden over de ROI van AI-projecten (Gartner).
- Gartner voorspelt dat meer dan 40% van agentic-AI projecten tegen 2027 stopgezet wordt wegens kosten, governanceproblemen of onduidelijke businesswaarde.
- Tegelijk groeit de wereldwijde AI-investering richting honderden miljarden tot triljoenen euro’s per jaar (IDC, PwC, McKinsey).
De paradox paradox zit hem in:
👉 ongeziene investeringen
👉 beperkte bewezen businessimpact
Dit is geen falen van individuele bedrijven. Organisaties doen vandaag precies wat hen werd beloofd: experimenteren, investeren en implementeren. Het structurele probleem ligt elders. De sector heeft AI gepositioneerd als een bijna gegarandeerde productiviteitsmachine, terwijl de realiteit veel complexer is. De kloof tussen marketingbeloften en enterprise-realiteit creëert nu teleurstelling, budgetdruk en cynisme. Met andere woorden: dit is minder een enterprise-execution probleem en meer een industry-level expectation failure.
AI is cheap. AI projects are not.
Een van de grootste misverstanden in de markt is dat AI goedkoop is. De focus ligt vaak op tokenkosten, Copilot-licenties of API-prijzen. Dat zijn zichtbare kosten, maar ze vormen meestal minder dan 10% van de totale investering.
De echte kosten zitten in alles wat nodig is om AI bruikbaar, veilig en schaalbaar te maken binnen een organisatie.
In enterprise-omgevingen loopt de totale kost per AI-project vaak richting €1–5 miljoen, met een gemiddelde rond €1,9 miljoen per use case gesuggereerd door analyses van consultancy- en onderzoeksrapporten.
Waar gaat al dat AI-budget eigenlijk naartoe?
1) Cloud, compute en data-infrastructuur (€200k – €1M+)
Zelfs zonder eigen AI-model zijn de infrastructuurkosten significant:
- GPU-gebruik en training
- vector databases en embeddings
- data lakes, pipelines en storage
- enterprise LLM-licenties en platformkosten
Voor grotere bedrijven kan de serverkost alleen al zes- of zeven-cijferig per jaar worden, zeker bij grootschalige interne copilots of automatiseringsworkflows (agents).
2) Integratie en software engineering (€300k – €2M+)
AI zonder integratie is een demo. Met integratie is het een organisatieverandering.
De kosten zitten hem in:
- data engineering en data quality
- integratie met ERP, CRM, legacy applicaties
- custom middleware en AI-applicaties
- monitoring, observability en MLOps tooling
Dit is dus het echte technische werk. Hier gaat vaak het grootste deel van het budget naartoe, vooral in organisaties met verouderde IT-systemen.
3) Governance, legal en security (€100k – €500k+)
Met GDPR en de EU AI Act zijn governancekosten geen nice-to-have meer (en maar goed ook).
Typische kostenposten:
- AI risk assessments
- legal frameworks en policies
- security audits
- logging, prompt auditing en access control
Voor gereguleerde sectoren (finance, healthcare, overheid) is dit vaak een structurele kost.
4) Change management en training (€200k – €1M+)
De meest onderschatte kost, want AI verandert hoe mensen werken. En mensen veranderen niet vanzelf.
Kosten zitten in:
- trainingen en onboarding
- procesherontwerp
- interne communicatie
- HR en cultuurtransformatie
In veel projecten is change management 30–50% van de totale investering. Adoptie betekent immers rendement.
5) Strategie, pilots en externe partners (€200k – €1M+)
De meeste bedrijven starten met:
- strategie workshops
- pilots en PoC’s
- consultants en implementatiepartners
Veel projecten blijven hier hangen en worden nooit opgeschaald, maar de kosten zijn wel gemaakt. Dit is een mooi voorbeeld van hoe strategie zonder executie duur advies is zonder businessimpact.
De echte eye-opener is dat tokens zijn niet het probleem zijn
In veel enterprise AI-projecten is:
- <10%: model- en tokenkosten
- >70%: organisatie, integratie en governance
De AI-industrie verkoopt met lage API-prijzen.
Maar AI-transformatie is geen API-probleem. Het is een organisatieprobleem.
Wanneer CEO’s en CFO’s een AI-project goedkeuren, verwachten ze ROI op basis van licentiekosten. Maar eigenlijk kopen ze een meerjarig transformatieprogramma.
Dat verklaart waarom:
- pilots niet opschalen
- budgetten onder druk komen
- AI als “te duur” wordt gezien
De sector verkocht tokens. Bedrijven kregen een transformatieprogramma.
De ROI-illusie: tijdswinst ≠ geldwinst
Veel AI businesscases zijn gebouwd op deze redenering:
“Als een medewerker 30% tijd wint, besparen we 30% loon.”
Maar in realiteit:
- tijd wordt zelden omgezet in personeelsreductie
- medewerkers gebruiken tijd voor andere taken
- processen blijven dezelfde
Een simpel ROI-rekenvoorbeeld
- 100 medewerkers
- €80k totale jaarkost per medewerker
- AI bespaart 20% tijd → theoretisch €1,6M waarde
Maar:
- AI-project kost €2M
- geen headcount reductie
- geen procesherwerking (een shitproces versnellen met AI zorgt enkel voor snellere shit)
Resultaat: negatieve ROI.
AI levert pas geld op als:
- processen herontworpen worden
- beslissingen geautomatiseerd worden
- capaciteit echt wordt herverdeeld of gemonetiseerd
De geloofwaardigheid van de AI-sector
De AI-sector heeft zichzelf oversold. In marketing, keynotes en investor decks werd AI gepositioneerd als digitale werknemers, autonome agents en 10x-productiviteitsmachines. De realiteit vandaag is aanzienlijk minder spectaculair: copilots, decision support en losse automatisatiecomponenten die vooral bestaande processen ondersteunen. Dat is waardevol, maar het is niet het verhaal dat verkocht werd aan bedrijven en investeerders.
Die mismatch tussen belofte en realiteit creëert een geloofwaardigheidsprobleem. En die kloof wordt nu een strategisch risico, net op het moment dat de sector ongeziene bedragen investeert in infrastructuur. Hyperscalende Ai providers zoals OpenAI en Microsoft bouwen datacenters op een tempo dat we sinds de dotcom-bubbel niet meer gezien hebben. Dit is een klassiek hype-gedreven investeringspatroon, vergelijkbaar met eerdere technologiecycli: kapitaal stroomt sneller dan bewezen businesswaarde. De maatschappelijke en economische legitimiteit van die investeringen hangt dus steeds meer af van zichtbare ROI en niet van marketingbeloften.
Concreet betekent dit voor bedrijven:
- budgetten worden kritischer bekeken en sneller bevroren
- pilots en PoC’s worden stopgezet voordat ze opschalen
- AI-projecten verschuiven van strategisch weer naar experimenteel omdat ze een risico vormen voor de core business
- hype slaat om in cynisme bij management en medewerkers
“AI’s grootste risico is vandaag niet technologisch. Het is geloofwaardigheid.”
Technologie faalt zelden door technologie. Narratieven falen door geloofwaardigheid.
Als de sector de kloof tussen marketing en realiteit niet sluit, dreigt AI niet te falen als technologie, maar als belofte.
Een oproep aan AI-providers
De AI-sector staat op een kruispunt. Als providers enterprise-adoptie willen versnellen, moet het narratief verschuiven van hype naar harde businessrealiteit. Minder marketing. Meer economics.
De toegevoegde waarde van AI zit niet in tokens, maar in integratie, procesherontwerp en organisatieverandering. Modellen en API’s zijn infrastructuurcomponenten; zonder downstream implementatie genereren ze geen businessimpact. Integratoren en consultancybedrijven doen vandaag het zware werk: data integreren, governance ontwerpen, processen automatiseren en mensen meenemen in verandering.
Maar AI-providers kunnen zich niet volledig verschuilen achter een “we only provide tokens”-positie, terwijl zij tegelijk transformatie en ROI beloven. Wie de belofte verkoopt, draagt verantwoordelijkheid voor de economische realiteit van de implementatie.
De fundamentele mismatch is duidelijk: providers zijn geoptimaliseerd voor schaal- en usage-economics, terwijl bedrijven outcome-economics kopen. Die kloof verklaart een groot deel van de huidige teleurstelling rond AI.
Wat AI-providers moeten doen om de credibility gap te dichten
1) Stop met tokenpricing als verhaal, publiceer echte TCO-modellen
Toon niet alleen API-kosten, maar de volledige koststructuur: integratie, governance, security, data-engineering en change management. CFO’s beslissen niet op tokens, maar op total cost of ownership.
2) Stop met 10x-belofte, communiceer realistische productiviteitswinst
In enterprise-context is 5–30% productiviteitswinst al transformerend.
10x is een inspirerend narratief, maar geen enterprise baseline. Verwachtingen moeten aansluiten op operationele realiteit.
3) Stop met generieke demos, bouw herhaalbare business use-cases
Enterprise buyers kopen geen modellen, ze kopen oplossingen.
Focus op bewezen domeinen zoals:
- predictive maintenance
- fraud detection
- procurement automation
- customer service deflection
- internal knowledge workflows
Maak ze herhaalbaar, met referenties en benchmarkdata.
4) Stop met licentieverkoop en ga naar outcome-based accountability
Niet: “We leveren een model.”
Wel: “We verlagen je operationele kosten met 12%, anders betalen we mee.”
Prijs AI op businessresultaat, niet op tokens of seats.
Als providers transformatie verkopen, moeten ze ook financiële verantwoordelijkheid nemen voor de impact: een fee als percentage van gerealiseerde kostenbesparing, omzetuplift of cycle time-reductie. Deel risico én upside met de klant, zoals in performance-based outsourcing en managed services.
Wie ROI verkoopt, moet ook bereid zijn erop afgerekend te worden.
De kwantitatieve cijfers in dit artikel zijn gebaseerd op samengestelde benchmarks uit consultancyrapporten, industrie-surveys en praktijkcases. Ze dienen als indicatieve referentiepunten; werkelijke kosten en ROI variëren sterk per organisatie, use case en maturiteitsniveau.
AI is een historische shift, maar zonder voldoende ROI blijft het hype
AI is een van de grootste technologische shifts van onze generatie, zoniet de grootste.
Maar de sector zit op een kruispunt: ofwel wordt AI een volwassen enterprise-infrastructuurlaag, ofwel evolueert het naar de volgende hype-cyclus met teleurstelling en budgetdiscipline.
Het verschil zal niet bepaald worden door modelparameters, benchmarks of tokenprijzen. Het zal bepaald worden door geloofwaardigheid, governance en echte businesscases die meetbare impact tonen op kosten, omzet en productiviteit.
AI is cheap. AI projects are not.
En de sector moet dat eerlijk durven zeggen.
Bij Canyon Clan geloven we dat de echte waarde van AI downstream ontstaat: in integratie, procesherontwerp en organisatieverandering. Daarom focussen we niet op modellen, maar op concrete use-cases, governance-kaders en implementatietrajecten die meetbare businessimpact opleveren. Als integrator combineren we strategisch advies met technische implementatie, zodat AI geen experiment blijft, maar een schaalbaar onderdeel van de core business.
De volgende AI-golf wordt niet gewonnen door wie de beste modellen bouwt, maar door wie AI betrouwbaar, verantwoord en economisch rendabel in organisaties weet te verankeren.
Thomas
CEO, Canyon Clan