Een goede business case voor AI-automatisering begint met een scherpe waardehypothese: welk probleem los je op, voor wie, en hoe ziet succes eruit. Zonder die basis verzandt elk AI-initiatief in technische discussies zonder richting. Dit artikel loopt de vijf vragen langs die directies en IT-managers stellen voordat ze akkoord geven.
Welke processen lenen zich het best voor AI-automatisering?
Processen die zich het best lenen voor AI-automatisering zijn herhaalbaar, goed gedocumenteerd en gebaseerd op data die al digitaal beschikbaar is. Denk aan documentverwerking, het routeren van klantvragen, kwaliteitscontroles op basis van vaste criteria of het samenvatten van rapportages. Hoe minder de uitkomst afhangt van impliciete mensenkennis, hoe sterker de kandidaat.
In de praktijk helpt het om drie filters te gebruiken. Eerst: hoe vaak wordt het proces uitgevoerd? Een proces dat tien keer per dag voorkomt levert meer rendement dan een proces dat maandelijks terugkeert. Tweede filter: hoe groot is de foutgevoeligheid bij handmatige uitvoering, en wat zijn de gevolgen van een fout? Derde filter: is het proces vandaag al aantoonbaar herhaalbaar, of draait het op de kennis van twee of drie medewerkers die het gewoon altijd zo doen?
Dat derde punt is belangrijker dan het lijkt. Een AI-agent kan geen proces overnemen dat nergens is beschreven. Procesvolwassenheid, gedocumenteerde stappen en heldere eigenaren zijn een harde voorwaarde, geen nice-to-have die je later regelt. Wie dit overslaat, bouwt een agent die na drie weken vastloopt op een uitzondering die niemand had voorzien.
Begin met een shortlist van vijf tot tien kandidaatprocessen. Scoor ze op volume, foutgevoeligheid en documentatiestatus. De kandidaat met de hoogste score op alle drie is je startpunt voor de business case.
Hoe bereken je de ROI van AI-automatisering?
De ROI van AI-automatisering bereken je door de verwachte waardecreatie af te zetten tegen de totale kosten over een afgebakende periode, doorgaans twaalf tot vierentwintig maanden. Waardecreatie bestaat uit tijdsbesparing, foutreductie, snellere doorlooptijden en vrijgekomen capaciteit. Kosten omvatten implementatie, licenties, beheer en de interne uren die het traject vraagt.
Waardecreatie concreet maken
Tijdsbesparing is de meest tastbare batenpost. Neem het aantal uren dat medewerkers nu besteden aan het doelproces, schat welk deel de agent overneemt, en vermenigvuldig met de gemiddelde loonkosten inclusief overhead. Houd de inschatting van het overgenomen aandeel bewust conservatief: een agent die in de eerste maanden zeventig procent van de handelingen afhandelt is al een sterk resultaat.
Foutreductie is moeilijker te kwantificeren maar vaak groter. Wat kost een fout in het huidige proces? Denk aan herstelwerk, klachtenafhandeling of compliancerisico’s. Als je dat bedrag kunt onderbouwen met historische data, is het een sterke batenpost in je business case.
Kosten realistisch inschatten
Reken niet alleen met de licentiekosten van het AI-platform. Tel er de uren bij op die je IT-afdeling kwijt is aan integraties, de tijd van proceseigenaren in de testfase en de kosten van change management. Een agent die live gaat maar niet wordt gebruikt, levert nul rendement op. Adoptie is onderdeel van de investering.
Presenteer de ROI bij voorkeur als een bandbreedte met een conservatief en een realistisch scenario. Dat geeft de directie een eerlijk beeld en voorkomt teleurstelling als de werkelijkheid iets anders uitpakt dan de meest optimistische variant. Geef altijd aan dat de genoemde cijfers indicatief zijn en afhangen van de specifieke situatie van jullie organisatie.
Welke kosten worden vaak over het hoofd gezien in een AI-business case?
De meest onderschatte kostenposten in een AI-business case zijn datakwaliteit, security en observability. Organisaties begroten de tool en de implementatie, maar vergeten de kosten van het gereedmaken van de data, het inrichten van toegangsbeheer voor de agent en het monitoren van wat de agent in productie doet.
Datakwaliteit is de eerste verrassing. Een agent werkt alleen betrouwbaar als de brondata schoon, actueel en eenduidig is. Als jullie datahuishouding daar nog niet op orde is, betaal je eerst voor datakwaliteitswerk voordat de agent ook maar een stap kan zetten. Die kosten zitten zelden in de eerste begroting.
De tweede verrassing is identity en security. Een AI-agent is een nieuwe identiteitsklasse in jullie IT-omgeving. Hij vraagt data op, voert acties uit en heeft toegang tot systemen, net zoals een medewerker dat doet. Dat betekent authenticatie, autorisatie en audit trails. Het inrichten daarvan kost tijd en geld, en het weglaten ervan is geen optie als je serieus bent over compliance.
De derde onderschatte post is observability: het continu monitoren van wat de agent doet, welke data hij opvraagt en of zijn output klopt. Zonder die monitoring weet je pas dat er iets mis is als een gebruiker het meldt. Dat is te laat. Reken observability altijd mee als structurele beheerkosten, niet als eenmalige implementatiepost.
Tot slot: change management. Medewerkers moeten begrijpen wat de agent wel en niet kan, en hun werkwijze durven aanpassen. Dat vraagt begeleiding. Wie dit onderschat, koopt een agent die na de livegang in de la verdwijnt.
Hoe onderbouw je de risico’s en governance in je business case?
Risico’s en governance onderbouw je in een AI-business case door per type beslissing te beschrijven wanneer een mens beslist, wanneer een mens controleert en wanneer de agent zelfstandig handelt. Dat heet een escalatiepad. Zonder die heldere grenzen is je business case onvolledig, en zal elke kritische bestuurder of toezichthouder daarop terugkomen.
Begin met een risicoanalyse per processtap. Wat zijn de gevolgen als de agent een foute beslissing neemt? Hoe groot is die kans? Processen met een hoge impact bij fouten vragen een strikter human-in-the-loop ontwerp dan processen waarbij een fout eenvoudig herstelbaar is.
Governance gaat verder dan techniek. Het gaat om vastgelegde verantwoordelijkheden: wie is eigenaar van de agent, wie beoordeelt de output, wie beslist over aanpassingen? Leg dat vast in de business case, want het geeft de directie vertrouwen dat er iemand aan de lat staat als er iets misgaat.
Compliance vraagt een aparte paragraaf. De AVG stelt eisen aan geautomatiseerde verwerking van persoonsgegevens. De EU AI Act introduceert risicoklassen voor AI-toepassingen die bepalen welke documentatie en controles verplicht zijn. Neem in je business case op welke regelgeving van toepassing is en hoe jullie daar invulling aan geven. Raadpleeg hiervoor altijd jullie eigen juridisch adviseur, want de specifieke eisen hangen af van jullie situatie en sector.
Een business case die risico’s en governance serieus neemt, is geen teken van twijfel. Het is een teken dat de organisatie klaar is voor verantwoorde inzet.
Hoe presenteer je een AI-business case aan de directie?
Een AI-business case presenteer je aan de directie door te openen met de waardehypothese: welk probleem los je op, voor wie, en hoe ziet succes eruit. Daarna volgen de financiële onderbouwing, de risico’s en de eerste stap. Houd de presentatie concreet en kort. Directies haken af bij technische details die pas relevant worden na het akkoord.
De structuur die werkt is als volgt:
- Het probleem dat nu geld of kwaliteit kost, in concrete termen
- De voorgestelde oplossing, inclusief welk proces je automatiseert en met welke aanpak
- De verwachte baten, eerlijk gepresenteerd als bandbreedte
- De totale investering, inclusief de kosten die vaak worden vergeten
- De risico’s en hoe je ze beheerst
- De eerste stap: klein, concreet en snel uitvoerbaar
Die eerste stap is het meest onderschatte onderdeel. Een directie die nog geen AI-agent in productie heeft gezien, heeft moeite met abstracte beloftes. Een concreet beginpunt, zoals een afgebakend prototype of een quickscan van de huidige volwassenheid, maakt het besluit tastbaar. Je vraagt geen akkoord voor een meerjarig transformatieprogramma, je vraagt akkoord voor een eerste bewijsstap.
Vermijd in de presentatie termen als “volledige automatisering” of garanties over uitkomsten. Presenteer scenario’s, benoem aannames expliciet en laat zien dat je de risico’s kent. Dat bouwt meer vertrouwen dan een optimistische business case die later niet uitkomt.
Hoe wij helpen bij het opzetten van een AI-business case
Wij helpen MKB+ en midcap-organisaties bij het opzetten van een gefundeerde business case voor AI-automatisering, van de eerste waardehypothese tot een concreet plan dat de directie kan accorderen.
Dat doen we via drie startpunten:
- Een Foundation Scan: drie gerichte gesprekken van elk 45 minuten met de juiste mensen in jullie organisatie, resulterend in een overzicht van de volwassenheid op alle negen fundamenten die bepalen of een AI-agent verantwoord kan draaien. De totale tijdsinvestering voor jullie is twee tot drie uur, verspreid over drie personen. Meer over deze aanpak lees je in het AI Foundationsmodel dat wij hanteren.
- Een waardehypothese-workshop: een sessie om het eerste kandidaatproces scherp te krijgen en de business case te onderbouwen met realistische aannames.
- Een no-code of low-code prototype: een afgebakende eerste agent die een concreet probleem oplost en als bewijs dient richting de directie.
We werken met een selectief netwerk van vakspecialisten per domein, van data-engineering tot security tot change management. Geen generalisten die overal een beetje van weten, maar specialisten die precies doen wat nodig is voor jouw vraagstuk. Wil je weten waar jullie organisatie nu staat en wat een realistische eerste stap is? Neem contact met ons op via AIConnected en we kijken samen wat er mogelijk is.