De ROI van een AI-agent meten

Waarom de ROI van AI-agents zo moeilijk te bewijzen is

De macrocijfers over dit onderwerp zijn ondubbelzinnig. In zijn State of AI 2026-onderzoek stelt McKinsey vast dat 37% van de ondervraagde bedrijven minstens een deel van hun EBIT-impact toeschrijft aan het gebruik van AI, een aandeel dat nagenoeg stabiel blijft ten opzichte van 2025, en dat slechts 6% behoort tot de best presterende organisaties, die een significante impact (minstens 5% van de EBIT) aan AI toeschrijven (bron: McKinsey, "The state of AI in 2026: On the road to ROI", https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai, geraadpleegd op 2026-09-04; cijfers ook overgenomen door The Register, https://www.theregister.com/ai-and-ml/2026/08/25/mckinsey-says-enterprise-ai-is-finally-on-the-road-to-roi/5292388, geraadpleegd op 2026-09-04). Tegelijk zegt 40% van de bedrijven met meer dan een miljard dollar omzet AI-agents op te schalen, tegenover 27% een jaar eerder (dezelfde bronnen). De investering groeit sneller dan het bewijs van de rentabiliteit ervan.

Een autonome AI-agent kost implementatietijd, inferentie en toezicht. Zonder meetmethode is het onmogelijk te weten of die kosten gerechtvaardigd zijn. Gartner gaat nog verder specifiek over agentische AI-projecten: meer dan 40% ervan zou tegen eind 2027 worden stopgezet, door oplopende kosten, een bij aanvang slecht gedefinieerde bedrijfswaarde, of onvoldoende risicobeheersing (bron: Gartner, https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, geraadpleegd op 2026-09-04). "Slecht gedefinieerde bedrijfswaarde" komt bijna altijd op dezelfde oorzaak neer: niemand heeft de vertreksituatie gemeten, dus niemand kan de verbetering daarna bewijzen.

Stap 1: een baseline opstellen vóór de implementatie

Dit is de stap die bijna iedereen overslaat, en de belangrijkste. Voordat u een agent op een proces aansluit, moet u dat proces meten zoals het vandaag werkt: verwerkt volume per periode, gemiddelde verwerkingstijd per dossier, foutpercentage of herstelpercentage, tijd tussen aanvraag en oplossing. Zonder deze uitgangscijfers steunt elke latere vergelijking op vage herinneringen in plaats van op data. Een agent die zes maanden draait en pas daarna wordt geëvalueerd, zonder aanvankelijk vergelijkingspunt, kan geen geloofwaardige ROI opleveren: er blijft alleen een indruk over.

Stap 2: de bespaarde tijd meten, en de werkelijke waarde ervan

Bespaarde tijd is de indicator die het makkelijkst te meten is, en het makkelijkst verkeerd te interpreteren. Een agent die in tien minuten een taak afhandelt die een uur duurde, bespaart inderdaad vijftig minuten, op voorwaarde dat die vrijgekomen tijd voor iets meetbaars wordt gebruikt. Als de betrokken medewerkers gewoon meer vergaderingen of meer dode tijd krijgen, is de tijd verplaatst, niet bespaard. Om echt mee te tellen in een ROI-berekening, moet deze winst zich vertalen in een reële kostenbesparing (minder overuren, een vermeden aanwerving), of in een identificeerbare productiestijging (meer verwerkte dossiers, meer gesloten tickets).

Stap 3: de vermeden kosten meten

Naast tijd is er de vermeden kost: de fouten die niet zijn opgetreden, de escalaties die niet nodig waren, de verwerkingstermijnen die geen contractuele boete of klantontevredenheid hebben veroorzaakt. Dit is moeilijker te isoleren dan een tijdswinst, omdat het vergt dat u een scenario vergelijkt dat zich niet heeft voorgedaan. De betrouwbaarste methode blijft het incident- of foutpercentage vóór en na te volgen, over een vergelijkbare periode, in plaats van een vermeden kost theoretisch te schatten.

Stap 4: kwaliteit niet vergeten

Een snellere agent die werk van mindere kwaliteit levert, heeft de ROI niet verbeterd, hij heeft ze enkel verplaatst naar een onzichtbare kostenpost: correcties, herstelwerk, klantontevredenheid die later opduikt. Kwaliteit moet worden gemeten met dezelfde criteria als vóór de agent, tevredenheidspercentage, oplossingspercentage bij eerste contact, foutpercentage, niet met achteraf verzonnen criteria om de implementatie kunstmatig aantrekkelijk te maken.

Stap 5: doorlooptijd, een onderschatte indicator

De doorlooptijd, hoeveel tijd er verstrijkt tussen een aanvraag en de oplossing ervan, is vaak de grote vergetene in ROI-berekeningen, terwijl hij een directe impact heeft op klanttevredenheid en, in sommige sectoren, op contractuele verplichtingen. Een agent die de eenheidskost van een dossier niet verlaagt maar de verwerkingstijd door drie deelt, kan een reële bedrijfsimpact hebben, vooral op klantretentie, ook al is dat niet het eerste waar u aan denkt om te meten.

Kosten die variëren scheiden van kosten die niet variëren

Een serieuze ROI-berekening maakt ook onderscheid tussen twee soorten kosten aan de kant van de agent zelf. Enerzijds de kosten die met het volume meevariëren: vooral de model-inferentie, die mechanisch toeneemt met het aantal taken. Anderzijds de kosten die niet of nauwelijks variëren: het platformabonnement, de initiële configuratietijd, het menselijk toezicht dat stabiel blijft ook al verdubbelt het volume. Beide door elkaar halen vertekent de projectie: een ROI die uitstekend lijkt bij een klein volume kan verslechteren als de variabele kosten sneller stijgen dan verwacht zodra de implementatie naar een heel team wordt uitgebreid.

De klassieke meetvalkuilen

Enkele fouten komen systematisch terug in ROI-berekeningen van AI-agents. De verwarring tussen bespaarde tijd en bespaard geld, hierboven al aangehaald, is er een van. Dubbeltelling is een andere: als het supportteam een tijdswinst claimt en het salesteam tegelijk een omzetwinst claimt door dezelfde agent, moet u controleren dat het niet dezelfde verbetering is die twee keer vanuit een andere invalshoek wordt meegeteld. Het vergeten van doorlopende kosten (toezicht, monitoring, aanpassing van instructies) vertekent de berekening ook in de andere richting: een ROI die alleen op basis van de opbrengsten wordt berekend, zonder de terugkerende onderhoudskosten, is structureel te optimistisch. Ten slotte is uitgaan van 100% adoptie vanaf dag één een veelvoorkomende fout: de implementatie van een agent is een geleidelijk proces, geen schakelaar die u omzet.

Een cijfervoorbeeld, als illustratie te lezen

De onderstaande tabel is geen marktstatistiek, het is een voorbeeld opgesteld om de methode te illustreren, voor een geval van klantsupport-triage dat dicht aanleunt bij wat een agent zoals deze dekt. De cijfers zijn fictief en dienen alleen om te tonen hoe u de berekening structureert, niet om een gegarandeerd resultaat aan te kondigen.

Indicator	Vóór de agent (baseline)	Na de agent	Interpretatie
Tickets verwerkt per dag en per persoon	25	60	Capaciteitswinst, te bevestigen met echte werklastopvolging
Gemiddelde tijd tot eerste reactie	4 uur	20 minuten	Directe impact op klanttevredenheid
Escalatiepercentage naar een mens	35%	20%	De rest vereist nog steeds menselijke goedkeuring
Foutpercentage bij categorisering	12%	8%	Op te volgen over meerdere maanden, niet over de eerste weken

Continu observeren in plaats van eenmalig meten

De ROI van een AI-agent is geen cijfer dat u één keer berekent en dan wegbergt. Een agent die goed werkt bij de lancering kan drie maanden later afdwalen als het proces dat hij automatiseert verandert, of als het aanvraagvolume toeneemt voorbij wat getest werd. Daarom is observability, de continue opvolging van wat een agent werkelijk doet, actie per actie, onlosmakelijk verbonden met een serieuze ROI-aanpak: zonder die opvolging raakt de eerste meting snel achterhaald, en komt u terug bij het beginprobleem, een oordeel gebaseerd op een indruk in plaats van op data. Op dit punt zijn het onderwerp van de kosten en dat van de organisatie in meerdere agents de twee andere kanten van dezelfde berekening: een ROI meten heeft alleen zin als u ook precies weet wat de agent kost.