De adoptiekloof

01

Waarom dit, waarom nu

In acht maanden tijd werd het meest geciteerde getal in zakelijke AI geboren, bewoog het miljarden aan beurswaarde, werd het stilletjes verwijderd en werd het publiekelijk ontleed. Ondertussen werd de technologie waar het over ging elk jaar een orde van grootte goedkoper. Die botsing is het verhaal van dit dossier.

Elke boardroom houdt er inmiddels twee overtuigingen tegelijk op na. De eerste: AI is overal, onze mensen gebruiken het dagelijks, er lopen pilots. De tweede: we kunnen geen regel in de winst-en-verliesrekening aanwijzen die door AI verbeterd is. Beide overtuigingen kloppen, en de afstand ertussen is dé managementvraag van deze technologiecyclus geworden. Het luidste gevecht in zakelijke AI, een faalclaim van 95 procent tegenover een tractieclaim van 29 procent, blijkt bij close reading op te lossen. Wat overblijft is lastiger en nuttiger: adoptie is inmiddels de toegangsprijs, en de winst zit bij een kleine groep die het werk rond de machine heeft herontworpen. Dit dossier weegt de cijfers eerlijk, ontleedt waarom pilots sterven, en eindigt met wat wij daadwerkelijk zouden doen.

• aug 2025 — Fortune kopt met een MIT-claim dat 95 procent van de GenAI-pilots niets oplevert. AI-aandelen wankelen.
• sep 2025 — Na 29 dagen verdwijnt het rapport van de MIT-website. Het getal blijft in omloop.
• nov 2025 — McKinsey's State of AI: 88 procent van de bedrijven gebruikt AI, 6 procent ziet echte winstimpact.
• jan 2026 — Exponential View publiceert zijn forensische analyse. MIT noemt het rapport "unpublished, non-peer-reviewed work".
• apr 2026 — a16z komt met harde tegendata: 29 procent van de Fortune 500 is live, betalende klant van AI-startups.
• 2026 — Agents komen het bedrijfsleven binnen. 62 procent van de bedrijven experimenteert; 21 procent heeft er governance voor.

02

1. Het getal dat een markt bewoog

Op 18 augustus 2025 meldde Fortune dat een MIT-studie had vastgesteld dat 95 procent van de zakelijke GenAI-pilots geen enkel rendement opleverde. Binnen dagen zat het getal in elke deck, elk boardpack en elke achterzak van elke scepticus.

Het rapport achter de kop heette "The GenAI Divide: State of AI in Business 2025", gemaakt onder MIT's Project NANDA. De openingszin deed de schade: ondanks 30 tot 40 miljard dollar aan zakelijke investeringen in generatieve AI zou "95% of organizations zero return" halen. De methodologie, verderop begraven, combineerde 52 interviews met executives, 153 enquêtes onder leidinggevenden en een analyse van zo'n 300 publieke AI-implementaties, verzameld tussen januari en juni 2025. De eigen diagnose van het rapport was organisatorisch en niet technisch van aard: bedrijven kopen of bouwen statische tools die goed demo'en, en ontdekken dan dat die tools geen context onthouden, zich niet aanpassen en niet passen in hoe het werk werkelijk stroomt. De auteurs noemden het de learning gap.

De marktreactie was echt. Vlak na een zomer van recordinvesteringen in AI joeg de claim dat daar bijna niets van als winst landt beleggers schrik aan, en AI-gerelateerde aandelen kregen een tik. Daarna begon het getal te reizen op geleende autoriteit, geciteerd als "MIT-onderzoek" in speeches, investeringsmemo's en inkoopdiscussies, vrijwel nooit met voetnoot. Eind 2025 was het de standaard openingszet van elke AI-scepticus in elke strategiemeeting in de westerse wereld.

03

2. De autopsie van "95 procent"

In januari 2026 publiceerde Azeem Azhars Exponential View de uitkomst van maandenlang forensisch speurwerk naar het getal, inclusief correspondentie met de auteurs en met MIT zelf. Het oordeel: viraal, methodologisch zwak, en bedolven onder de eigen voorbehouden.

Het spoor is de wandeling waard, omdat de details veranderen wat het getal betekent. Het rapport was een voorlopig concept, nooit peer-reviewed. Het stond 29 dagen op een MIT-webdomein, van 18 augustus tot 16 september 2025, en werd toen verwijderd; de pdf die nog rondgaat draagt MIT-branding zonder officieel thuisadres. Toen Exponential View doorvroeg bij het instituut, omschreef de faculteitsdirecteur van het MIT Media Lab het als "a preliminary, non-peer-reviewed piece", en de persafdeling van MIT stelde uiteindelijk schriftelijk: "It was unpublished, non-peer-reviewed work."

De statistiek erin was nog wankeler. Betrouwbaarheidsintervallen ontbraken; op een kernsteekproef van zo'n 52 interviews loopt het eerlijke interval rond "95 procent" ruwweg van hoog in de tachtig tot 100. De noemer verschuift per pagina: op één punt tellen ook organisaties mee die de gemeten toolcategorie nooit geprobeerd hebben, wat neerkomt op een vliegtuigcrash noteren voor iemand die niet eens geboekt had. En het veldwerkvenster, januari tot juni 2025, legde achttien maanden oude uitrol en drie maanden oude pilots langs dezelfde meetlat, in een markt waar de zakelijke AI-uitgaven per jaar verdrievoudigden. Reken het opnieuw door met de eigen cijfers van het rapport en een verdedigbare noemer, daadwerkelijk gestarte pilots, en het slagingspercentage landt rond 5 op 20, zo'n 25 procent, met brede foutmarges. Azhars voorzichtige herlezing van het geheel: begin 2025 zag misschien al één op de zeven organisaties meetbare winst, mogelijk meer. Voor een technologie die eind 2023 het bedrijfsleven binnenkwam is dat een diffusiesucces met een faalkop erboven.

"Het cijfer '95 procent' moet behandeld worden als wat het is: onbetrouwbaar. Het is viraal, vibey, methodologisch zwak en het begraaft zijn eigen voorbehouden." — Exponential View, "How '95%' escaped into the world", januari 2026 (vertaald)

Dit alles maakt het rapport nog geen prul. De kwalitatieve kern, de learning gap, klopt met wat iedereen in het veld dagelijks ziet, en dit dossier leunt er verderop stevig op. De les is smaller: het kopgetal was een temperatuurmeting verkleed als meting, en het bewoog een half jaar lang kapitaal voordat iemand de pols voelde.

04

3. De tegenclaim, en de eerlijke uitspraak

In april 2026 stelde a16z de omgekeerde dataset samen: 29 procent van de Fortune 500 is live, betalende klant van toonaangevende AI-startups. Getekende contracten, geconverteerde pilots, productiegebruik. Wie heeft er dan gelijk?

Allebei, en dat is de eigenlijke bevinding. Het a16z-rapport mat iets bewust strengs: ondernemingen die top-down een contract tekenden met een AI-startup, de pilot converteerden en live gingen. Langs die lat was 29 procent van de Fortune 500 en ruwweg 19 procent van de Global 2000 binnen zo'n drie jaar na de lancering van ChatGPT betalende klant, een penetratiesnelheid die enterprise-software nog nooit heeft laten zien; historisch hadden startups jaren nodig voor hun eerste Fortune 500-logo. De vraag concentreert zich waar de waarde leesbaar is: programmeren leidt met bijna een orde van grootte, met klantenservice en zoeken daarachter, en de adoptie beperkt zich al lang niet meer tot techgeoriënteerde sectoren.

Zet de twee studies naast elkaar en de tegenspraak verdampt. MIT NANDA vroeg in feite: hoeveel van de maatwerk-GenAI-pilots die begin 2025 liepen, hadden toen al meetbare impact op de winst-en-verliesrekening? Antwoord: weinig, op een gebrekkige steekproef, in een venster dat daar aantoonbaar te kort voor was. a16z vroeg: hoeveel van de grootste ondernemingen ter wereld betalen echt geld voor AI-producten in productie? Antwoord: een opmerkelijk aandeel, elk kwartaal meer. Een pilot die de P&L nog niet heeft bereikt en een getekend productiecontract zijn verschillende eenheden, uit verschillende noemers, op verschillende momenten van een steile curve. Het gevecht ging nooit over de feiten. Het ging over welke vraag je beantwoord wilde zien.

05

4. Wat "adoptie" werkelijk meet

McKinsey's State of AI-onderzoek, gepubliceerd in november 2025 met bijna 2.000 respondenten in 105 landen, is het schoonste losse beeld van de kloof. Lees het als een trechter, en lees de trechter als diagnose.

Achtentachtig procent van de organisaties gebruikt AI in minstens één bedrijfsfunctie. Ongeveer een derde is begonnen met opschalen voorbij de pilotfase; slechts 7 procent heeft volledig geschaald over de hele onderneming. Negenendertig procent rapporteert überhaupt een EBIT-effect, en het merendeel daarvan schat het onder de 5 procent van het resultaat. De groep die McKinsey high performers noemt, de bedrijven die een wezenlijk deel van hun EBIT aan AI toeschrijven en het als groeimotor behandelen in plaats van als kostenpost, is 6 procent van de steekproef. Dat laatste getal is de eerlijke omvang van de winnaarskring, eind 2025.

Het woord "adoptie" doet zwaar werk in elke survey die de 88 citeert. Ja zeggen op "gebruiken jullie ergens AI" kost niets: één team op Copilot telt al mee. De lagere treden van de trechter meten steeds duurdere waarheden: herontworpen workflows, afgeschafte processen, meetbaar resultaat. De kloof tussen de eerste balk en de laatste is geen technologiekloof. Individueel gebruik klimt op eigen kracht door, Gallup zag frequent AI-gebruik onder Amerikaanse werkenden in twee jaar bijna verdubbelen, terwijl de organisatiecijfers kruipen. Mensen adopteren in weken. Organisaties adopteren in jaren. De trechter is een foto van die mismatch.

Eén McKinsey-bevinding hoort hier nog thuis, omdat ze de rest van dit dossier voorspelt: de high performers hebben drie keer zo vaak topbestuurders die de AI-agenda persoonlijk dragen, en ze formuleren er groeidoelen voor in plaats van bezuinigingsdoelen. Het profiel van de 6 procent is niet "betere software gekocht". Het is "geleid door mensen die het werk herontwierpen".

06

5. Uitzoomen: het grootste deel van de mensheid is nog niet eens begonnen

Binnen de techbubbel voelt AI verzadigd en voelt de race verloren. Eén keer uitzoomen corrigeert de hoogtevrees: 84 procent van de wereldbevolking heeft nog nooit AI gebruikt.

De uitsplitsing die in februari 2026 rondging, gebouwd op data van Microsoft en DataReportal, zet ruwweg 6,8 miljard mensen op nul AI-gebruik, zo'n 1,3 miljard op gratis chatbots, ongeveer 25 miljoen betalende gebruikers, en enkele miljoenen die AI op gevorderde manieren inzetten, agents en code. Neem de exacte cijfers als richtinggevend; de vorm is wat telt, en de vorm is een piramide met een extreem smalle top. De betalende gebruikersbasis van de bepalende technologie van dit decennium is ongeveer de bevolking van Australië.

Voor een zakelijk publiek snijdt deze grafiek twee kanten op. Ze doodt het excuus van te laat zijn: de curve is amper van de grond, en het gevoel dat "iedereen dit al doet" is een artefact van wie je online volgt. En ze bereidt de ongemakkelijker lezing van sectie 9 voor: ook binnen organisaties zit het echte gebruik in de gratis-chatbotlaag van de piramide, breed, ondiep en onbeheerd. Diepte, de top van de piramide, is waar de 6 procent woont. Beide lezingen zeggen hetzelfde: het spel is vroeg, en het voordeel gaat naar wie het eerst diepte bouwt.

07

6. De anatomie van een dode pilot

Haal de cijfers weg en stel de monteursvraag: waar gaat een AI-pilot nu eigenlijk aan dood? Het onderzoek komt telkens terug bij vier oorzaken, en geen daarvan is modelkwaliteit.

Oorzaak één: de tool kan niet leren

De best houdbare bevinding van MIT NANDA: organisaties kopen of bouwen statische tools die briljant demo'en en daarna nooit meer beter worden. Geen geheugen voor context, geen feedbackloop, geen aansluiting op de dagelijkse workflow. De winnaars in dezelfde steekproef zetten systemen in die leren van gebruik, aanhaken op echte workflows en met de tijd verbeteren. Een pilot zonder leerloop heeft een houdbaarheid van precies één wow-moment.

Oorzaak twee: de organisatie kent haar eigen proces niet

Ethan Mollicks favoriete frame leent het garbage can-model uit de organisatietheorie: bedrijven zijn semi-chaotische containers waarin problemen, oplossingen en beslissers rondbotsen, en niemand precies weet hoe het werk werkelijk gebeurt. Zijn scherpste anekdote komt van onderzoeker Ruthanne Huising: teams die hun eigen bedrijfsprocessen in kaart moesten brengen, ontdekten stelselmatig dat niemand, op geen enkel niveau, het hele plaatje kent. Geef die organisatie nu een automatiseringsproject dat vereist dat het proces gespecificeerd wordt. De pilot sterft al in de kaartfase.

Oorzaak drie: congestie

De analyse van Exponential View uit mei 2026 benoemt de sluipmoordenaar. AI versnelt individuele output: developers leveren 50 procent meer, sales draft 's nachts offertes. Alles schuift vervolgens aan bij dezelfde menselijke beslispoorten als voorheen: reviewrondes, akkoorden, legal. De output versnelt, de doorstroom niet, en de winst verdampt in de wachtkamer. Meer AI toevoegen aan een verstopte beslispijplijn maakt de verstopping erger.

Oorzaak vier: de productiviteitsparadox aan het bureau

Een Upwork-studie vond dat 47 procent van de AI-gebruikende werkenden niet weet hoe ze de winst moeten realiseren die hun werkgever verwacht, en dat 77 procent zegt dat de tools er op minstens één manier werk bij hebben opgeleverd. Tools die zonder herontworpen verwachtingen naar beneden worden doorgegeven, produceren zichtbare activiteit en onzichtbare wrijving. De pilot "slaagt" als gebruik en faalt als economie.

Vier oorzaken, één thema: het model was nooit de bottleneck. Elke faalwijze hierboven is een eigenschap van de organisatie, en daarom lost een beter model er geen van op, en daarom blijven koppen in de stijl van "95 procent" misleiden. Het faalpercentage meet organisatorische gereedheid en wordt geciteerd als vonnis over de technologie.

08

7. Wat de zes procent anders doet

Het draaiboek van de winnaars is opvallend consistent, van McKinsey's high performers tot Mollicks veldwerk en de casestudies: herontwerp het werk, draag het aan de top, en verbind de knutselaars met de strategie.

Mollicks operationele frame heet Leadership, Lab en Crowd. Leadership betekent bestuurders die een concreet beeld schetsen van hoe het werk verandert en er hun eigen naam aan verbinden, wat volgens McKinsey de kans op opschalen verdrievoudigt. Het Lab is een multidisciplinair team dat veelbelovende vondsten omzet in geteste, gebenchmarkte workflows. De Crowd is het personeel dat al experimenteert, volgens Mollicks lezing van de surveys zo'n 40 procent van de medewerkers, grotendeels in stilte. Elke poot faalt alleen: leiderschap zonder lab is een memo, een lab zonder crowd wordt een silo, een crowd zonder leiderschap blijft ondergronds. De 6 procent draait, in wisselend vocabulaire, alle drie.

De beste recente case-anatomie komt van Whartons Generative AI Labs, dat twintig gamestudio's interviewde, een sector waar de AI-druk vroeg en hard aankwam. De studio's sorteerden zich op een ladder van vier fasen: beveiligde chatbots voor iedereen, dan top-down workflowpilots, dan de interessante fase waarin individuen met AI teamgrenzen oversteken en context zich begint op te stapelen in gedeelde documenten, en ten slotte de AI-first studio, kleine generalistische teams georganiseerd rond uitkomsten. Twee details verdienen een markering. Fase twee, de klassieke pilot, is waar de voortgang strandt op stilzwijgende kennis en weerstand, precies de garbage can-voorspelling. En slechts drie van de twintig studio's bereikten fase vier. Alle drie waren vanaf hun oprichting rond AI gebouwd. Niemand in de steekproef verbouwde een bestaande organisatie naar fase vier; wie er kwam, begon er.

Dat laatste feit is het ongemakkelijke voor elk gevestigd bedrijf, en het legt de lat eerlijk neer: de vraag is of een incumbent bewust kan doen wat die drie studio's van geboorte deden. De maandagochtend-sectie komt erop terug.

09

8. De agent-complicatie

2026 is het jaar waarin agents, AI die meerstaps werk uitvoert in plaats van vragen beantwoordt, het bedrijfsleven binnenkwamen. Ze verhogen het plafond van de prijs én de rekening voor dezelfde oude organisatorische gaten.

Eerst de cijfers. McKinsey vond eind 2025 dat 62 procent van de organisaties minstens experimenteert met agents, en 23 procent ze opschaalt, geconcentreerd in IT en R&D. Deloittes State of AI-onderzoek van 2026 plakt er het waarschuwingsetiket op: bijna driekwart van de bedrijven wil binnen twee jaar agentic AI uitrollen, terwijl 21 procent zegt een volwassen governancemodel voor autonome systemen te hebben. Een agent is een medewerker-vormig stuk software zonder leidinggevende. De meeste organisaties nemen er duizenden aan zonder HR-afdeling.

De veldrapportage is leerzamer dan de surveys. Box-CEO Aaron Levie beschreef in april 2026, na een rondgang langs IT-leiders van grote ondernemingen, de verschuiving van "laat duizend bloemen bloeien"-chatuitrol naar gerichte automatisering van specifieke workflows, en inventariseerde wat de adopters werkelijk bezighoudt: verandermanagement bovenal; "tokenmaxxing", de zeer reële budgetgevechten om rekenkracht, met bij één bedrijf een shark-tank voor tokenbudgetten; decennia aan legacysystemen waar agents niet bij kunnen; en een stevige consensus dat de use-cases nieuwe capaciteit zijn, werk dat het bedrijf eerder nooit kon prioriteren. Eén bedrijf heeft inmiddels in elke businessunit een head of AI die rapporteert aan een centraal team. En zijn meta-observatie: agents maakten het werk juist technischer, Skills, MCP-servers, command lines, dus diffusie heeft engineers nodig, en iedereen werkt harder dan ooit.

"De meeste bedrijven hebben het niet over banen vervangen door agents. De belangrijkste use-cases zijn dingen die het bedrijf eerder niet kon. Meer nadruk op geld verdienen dan op kosten snijden." — Aaron Levie, veldnotities na bezoeken aan grote ondernemingen, april 2026 (vertaald)

Mollick voegt in "The Bitter Lesson versus The Garbage Can" een werkelijk open strategische vraag toe: hebben agents organisaties nodig die hun eigen processen begrijpen, of trainen ze straks op uitkomsten en manoeuvreren ze om de chaos heen? In het tweede geval stopt de garbage can een slotgracht te zijn voor incumbents die tenminste hun eigen rommel kenden. Houd deze in de gaten; ze bepaalt hoeveel van sectie 6 het decennium overleeft. De werkgelegenheidseffecten parkeren we hier bewust: McKinsey noteert dat 30 procent van de bedrijven personeelsreductie verwacht, en die vraag krijgt in deze serie een eigen dossier, over instapwerk.

10

9. Schaduw-AI: de werkvloer is al om

Terwijl de officiële pilot op de stuurgroep wachtte, ging het personeel alvast. De betrouwbaarste adoptie in de meeste bedrijven is degene die niemand heeft goedgekeurd.

Hetzelfde MIT NANDA-onderzoek dat de 95 procent-kop baarde, bevatte een bevinding die veel beter oud werd: bij ruim 90 procent van de bedrijven gebruikten medewerkers regelmatig persoonlijke AI-tools voor hun werk, terwijl maar zo'n 40 procent van de bedrijven een officieel LLM-abonnement had gekocht. Netskopes cloudanalyse, gemeten en niet gevraagd, zette 47 procent van het zakelijke genAI-gebruik in 2025 op persoonlijke accounts. En meerdere onderzoeken vinden dat een meerderheid van de AI-gebruikende medewerkers, 59 procent in één ervan, het gebruik verbergt voor de leidinggevende, uit angst voor een oordeel, beleidsgedoe, of extra werk voor hetzelfde salaris.

Securityteams lezen die cijfers als een incidentrapport, en ze hebben een punt: onbeheerde accounts, onbekende datastromen, geen audit trail. Strategisch is de schaduweconomie echter het beste gratis bezit dat een organisatie heeft. Het is een afgerond, zelf gefinancierd pilotprogramma. Het laat exact zien waar AI al werkt, uitgevoerd door exact de mensen die het het carrièrerisico waard vonden. De medewerkers die hun gebruik verbergen zijn de Crowd uit sectie 7, ondergronds gejaagd door vaag beleid en scheve prikkels: de waargenomen beloning voor het tonen van je AI-workflow is vaak meer werk voor hetzelfde geld, of een ongemakkelijk gesprek over de vraag of jouw baan nog wel nodig is.

De winnaars draaien de prikkel om. Amnestie voor eerder gebruik, expliciete toestemming met heldere dataregels, en zichtbare beloning voor gedeelde workflows: een #ai-wins-kanaal, spreekuren gerund door de power users, erkenning die een ontdekte workflow behandelt als bijdrage en niet als bekentenis. De goedkoopste AI-strategie die een bedrijf dit jaar kan kopen, is de adoptie zichtbaar maken waar het al voor betaald heeft.

11

10. Efficiencytheater en de beslisloop

De subtielste faalwijze is slagen op de verkeerde metric: zichtbare drukte, snellere concepten, indrukwekkende gebruiksdashboards, en een P&L die niet beweegt. De geschiedenis heeft een naam voor de oplossing, en die komt van elektriciteit.

Het raamwerk van Exponential View, gebouwd op de klassieke studie van fabriekselektrificatie, geeft de kloof haar strakste structuur. Fabrieken vervingen eerst stoommachines door elektromotoren en zagen amper winst, omdat de nieuwe kracht door de oude indeling van assen en riemen bleef lopen. De transformatie kwam pas toen ingenieurs elke machine een eigen motor gaven en de vloer rond de workflow herontwierpen. AI herhaalt het patroon in drie fasen: de gloeilampfase, medewerkers met chatbots voor persoonlijke productiviteit; de groepsaandrijffase, agents die bestaande workflows versnellen; en de eigen-aandrijffase, waarin de beslisloop zelf, waarnemen, wegen, handelen, rond de machine wordt herbouwd en weken samendrukken tot uren. De meeste bedrijven zitten in fase één. Slechts 27 procent van de executives zegt dat AI de ROI-verwachtingen heeft waargemaakt, precies wat je verwacht wanneer nieuwe kracht door oude assen loopt.

Het waarschuwende voorbeeld voor wie het herontwerp overslaat en alleen snijdt, is Klarna. Begin 2024 meldde de fintech dat zijn AI-assistent het werk van 700 klantenservicemedewerkers deed en bevroor het de werving. In mei 2025 gaf CEO Sebastian Siemiatkowski toe dat het bedrijf "te ver" was gegaan: kosten domineerden de beslissing, de kwaliteit zakte, de klachten stegen, en Klarna begon weer mensen aan te nemen in een hybride model, AI voor het routinevolume, mensen voor complexiteit, emotie en oordeel. De les is precies. Klarna automatiseerde de bestaande workflow om geld te besparen in plaats van de dienst te herontwerpen rond wat elke kant het best doet, groepsaandrijving aangezien voor eigen aandrijving, en de P&L strafte het verschil af. Het herontworpen hybride model behield, veelzeggend genoeg, het merendeel van de automatisering.

12

11. Europa en Nederland

De Europese versie van de kloof komt met beter nieuws dan de AI-reputatie van het continent doet vermoeden, en met een vertrouwde waarschuwing erin.

Het getal dat het Europese AI-pessimisme definieerde was dat van Draghi: 13,5 procent van de EU-bedrijven had in 2024 AI geadopteerd, in het hele concurrentiedebat geciteerd als bewijs dat het continent de golf miste. De Eurostat-meting van 2025 kwam in beweging: 20,0 procent van de EU-bedrijven met tien of meer werknemers gebruikt nu AI, een sprong van 6,5 punt in één jaar, de snelste stijging sinds de meting bestaat. Nederland staat vijfde met 33,2 procent, achter Denemarken met 42,0, Finland met 37,8, Zweden met 35,0 en België met 34,5. Een derde van de Nederlandse bedrijven gebruikt formeel AI; onder grote Europese ondernemingen is het 55 procent, tegen 17 procent van de kleine bedrijven.

Pas nu de trechterlogica van dit dossier toe op die cijfers, want "gebruikt AI" is de 88-procent-achtige top van de trechter, strenger gemeten. Als de McKinsey-verhoudingen ook maar losjes opgaan, ligt het aandeel Nederlandse bedrijven met echte resultaatimpact in de lage enkele procenten, en het Europese aandeel daaronder. De Europese kloof is dus dubbel: minder bedrijven überhaupt in de trechter, en dezelfde organisatorische uitval erbinnen. De eerlijke strategische lezing voor een Nederlands bedrijf spiegelt de conclusie van het roboticadossier over hardware: de modellen zijn Amerikaans, de applicaties steeds vaker ook, en wachten op een Europese stack is een strategie om beide later tegen winkelprijs te kopen. De tegenzet is ook dezelfde: adoptiesnelheid en workflowdiepte zijn soevereiniteit die je zelf kunt bouwen, op elk model, vanaf vandaag. Een Nederlands bedrijf in fase drie van de elektriciteitsladder verslaat een Amerikaanse concurrent in fase één, welke vlag er ook op het model staat.

13

12. De kloof is organisatorisch. De klok is exponentieel.

Hier is het feit dat de adoptiekloof verandert van een interessant survey-resultaat in een strategisch noodgeval: terwijl organisaties stilstonden, werd de technologie twee ordes van grootte goedkoper.

De grafiek hierboven is geleend uit het exponentials-dossier van deze serie, waar de hele curvefamilie wordt behandeld. De ene regel om te onthouden: output van GPT-4-klasse daalde in drie jaar van ruwweg 20 dollar naar ruwweg 7 cent per miljoen tokens, ongeveer een vertienvoudiging van de koopkracht per jaar, terwijl de capaciteit steeg. Elke organisatorische faalwijze uit sectie 6 is gediagnosticeerd tegen de prijs en de capaciteit van vorig jaar. De pilots die in 2024 sneuvelden, zijn geprobeerd met gereedschap dat per euro tien tot honderd keer slechter was dan wat beschikbaar is terwijl u dit leest. Menlo Ventures mat de zakelijke AI-uitgaven in 2025 alleen al met 3,2x groeien; de kopers wachten niet tot het debat is beslecht.

Dit is ook waarom de adoptiekloof zichzelf niet dicht, en waarom "we hebben het geprobeerd en het werkte niet" de duurste zin in zakelijke AI is. De bedrijven in PwC's jobs barometer van 2025 vertellen het samengestelde verhaal vanaf de arbeidskant: sinds 2022 groeide de omzet per werknemer in de meest aan AI blootgestelde sectoren met 27 procent, drie keer de zo'n 9 procent in de minst blootgestelde, en vacatures die AI-vaardigheden vragen dragen een loonpremie van 56 procent. De kloof tussen de 6 procent en de rest is geen statisch gegeven. Ze rent zo hard als de onderliggende curve, de snelste kostendaling in de geschiedenis van de generieke technologie. Organisatieverandering loopt op kalendertijd; de technologie loopt op exponentiële tijd. Elk kwartaal aarzelen wordt geprijsd tegen het verschil.

14

13. Wat wij maandag zouden doen

Onze lezing, en onze praktijk: behandel de kloof als de kans, want het moeilijke deel is organisatorisch en het organisatorische deel is leerbaar. Dit is het draaiboek dat wij met klanten draaien, gelegd op het bewijs in dit dossier.

Eerst: zien. Niets beweegt een organisatie zoals kijken naar het eigen werk dat anders gedaan wordt. Sla de abstracte awareness-deck over; demonstreer een live workflow uit het eigen bedrijf, herbouwd, voor de ogen van de mensen die hem draaien. Dit is de Leadership-poot: een levendig, specifiek beeld, op naam gedragen aan de top, wat volgens McKinsey's data de kans op opschalen verdrievoudigt. Deadlines helpen meer dan visies. Eén consultant die wij hoog hebben zitten, verving in een workshop het klantmandaat "iedereen probeert vóór juli één AI-taak" door "vóór het einde van de dag", en had de organisatie vóór het avondeten mee.

Dan: begrijpen. Zoek uit wat je organisatie werkelijk doet voordat je iets automatiseert, en accepteer dat het organogram fictie is. Haal de schaduweconomie boven water met amnestie en beloning: de 90-procent-statistiek uit sectie 9 zegt dat je beste pilotresultaten al bestaan, ongelabeld, op persoonlijke accounts. Zet een klein Lab neer, multidisciplinair, senior genoeg om een proces af te schaffen, en laat het de vondsten van de crowd benchmarken tegen echte workflows. Hier wonen ook de eerlijkheidspoorten: bepaal wat de machine alleen mag beslissen, waar een mens tekent, en wat menselijk blijft, vóór het opschalen en niet na het eerste incident.

Dan pas: adopteren, per workflow en niet per tool. Kies beslislussen waar congestie zichtbaar geld lekt, offerte-tot-contract, sollicitant-tot-gesprek, briefing-tot-publicatie, en herbouw de lus van kop tot staart, inclusief de akkoordpoorten, met een lerend systeem in plaats van een statische tool. Meet EBIT-achtige uitkomsten, doorlooptijd, kosten per eenheid, omzet per medewerker, nooit "gebruik". Stop pilots die alleen activiteit produceren. Reken erop dat de derde werkt.

We draaien dit op onszelf, en publiceren de resultaten. Onze eigen contentoperatie doorliep exact deze boog, individuele tools, daarna een herontworpen pipeline met menselijke akkoordpoorten, daarna autonome lussen met eerlijke metrics, en de cijfers staan openbaar in het pipeline-dossier van deze serie: 694.527 impressies in een half jaar, plus 429 procent, tegen marginale kosten van bijna nul, gerund door een team waarvan de avonden juist rustiger werden. De tools waren niet bijzonder. De workflow was herontworpen om ze heen. Dat is de hele truc, en hij is beschikbaar voor elke organisatie die het onglamoureuze middenstuk wil doen.

15

14. Waar wij op letten

Onze positie: de adoptiekloof is echt, het faalverhaal dat erop gebouwd werd niet, en de komende 24 maanden bepalen wie er composeert. Vier vragen vertellen je het meeste van wat ertoe doet.

Let op de 6 procent. Klimt McKinsey's high-performer-aandeel richting 15 of 20 procent in 2027, dan verspreidt het draaiboek zich en sluit het venster voor makkelijke differentiatie. Blijft het hangen op 6 terwijl het gebruik verzadigt, dan is de organisatorische barrière taaier dan hier betoogd, en worden de AI-first insurgents uit de Wharton-steekproef de hoofddreiging. Let op de agent-governanceverhouding: driekwart van de bedrijven die agents uitrollen tegenover een vijfde die ze bestuurt, is een kloof die incidenten produceert, en het eerste spectaculaire incident zet jarenlang de toon voor regelgeving en boardroom-stemming. Let op het Europese inhaaltempo: van 13,5 naar 20 procent in een jaar is een echte helling; nog twee jaar zo en de pessimisme-trade op Europa raakt vol. En let op je eigen metriekenla: op het moment dat een bedrijf AI in EBIT-termen meet in plaats van in gebruikstermen, heeft het het efficiencytheater verlaten. Die kun je deze week bij jezelf controleren.

Het laatste woord is voor het getal waar het allemaal mee begon. De 95 procent zat ernaast in de details en had gelijk in de waarschuwing: de meeste organisaties verdienen inderdaad nog niet aan AI. Waar de kop zei "de technologie faalt", zegt het bewijs "de organisatie beslist". Dat is een hardere boodschap en een veel hoopvollere, want ze legt de uitkomst terug in de handen van de mensen die op maandagochtend dossiers als dit lezen.

16

15. Verificatie en bronnen

Dit dossier steunt op live webresearch en een persoonlijk archief van ruim 15.000 bronnen. Dragende cijfers zijn waar mogelijk gecontroleerd tegen de primaire rapporten. De notities hieronder markeren vertrouwen en de belangrijkste voorbehouden, in de geest van ons werk laten zien.

Grafieken met het label "BFF" zijn van ons, getekend naar de bronnen die eronder staan. De Exponential View-grafiek in sectie 10 is met bronvermelding gereproduceerd in een BFF-kader. De grafieken houden Engelse labels aan, ook in deze Nederlandse editie. Geciteerde uitspraken zijn vertaald waar aangegeven.