Van AI-adoptie naar AI-vermogen

Long read, stand van zaken oktober 2026

Waarom de volgende fase van AI niet draait om meer technologie, maar om het vermogen om technologie om te zetten in economische waarde.

De AI-discussie verschuift van gereedschap naar verdienvermogen

De vraag welke AI een organisatie moet gebruiken, is in 2026 de verkeerde vraag geworden. De juiste vraag luidt hoe je AI structureel omzet in productiviteit, klantwaarde, groei, marge en toekomstig verdienvermogen. Dat is de overgang van AI-adoptie naar AI-vermogen.

Ik zie die overgang terug in recent onderzoek van vier grote adviesbureaus. McKinsey kijkt naar de macro-economie en productiviteit. Deloitte onderzoekt hoe organisaties AI opschalen en hun manier van werken veranderen. KPMG richt zich op de besturing die nodig is om AI veilig en economisch verantwoord te laten draaien. EY stelt vanuit de CEO de vraag wat er gebeurt met de productiviteitswinst die AI oplevert.

Vier invalshoeken, één verhaal. De eerste fase van AI draaide om technologische mogelijkheden, de tweede om adoptie, de derde om opschaling. De fase die nu begint, draait om economische waardecreatie.

Voor mij is dat geen nieuw inzicht, maar een bevestiging. In Digitaal Vermogen (2018) schreef ik: ‘Technologie creëert dan ook geen succes, maar de juiste toepassing ervan wel.’ En: ‘Een valkuil die op de loer ligt, is dat technologie leidend wordt gemaakt, in plaats van de doelstellingen.’ Acht jaar later komen vier adviesbureaus langs vier verschillende wegen op hetzelfde punt uit. Het past in de lijn die ik beschreef in drie boeken, één betoog.

Dit artikel geeft antwoord op drie vragen:

• Waarom levert toegang tot AI nog geen economische waarde op?
• Welke stap ontbreekt tussen productiviteitswinst en bedrijfsresultaat?
• Wanneer wordt AI onderdeel van het digitaal vermogen van een organisatie?

AI is een economische productiefactor geworden

AI begon als software en is uitgegroeid tot een economische keten. McKinsey plaatst de technologie in een wereldeconomie die nog groeit, maar onder moeilijkere omstandigheden: hoge publieke schulden, duurder kapitaal, geopolitieke onzekerheid en voorzichtige consumenten. Tegelijkertijd zijn de investeringen in AI zo omvangrijk geworden dat ze zichtbaar worden in de macro-economische cijfers.

De keten loopt van chips naar datacenters, van elektriciteit naar energienetwerken, van grondstoffen naar infrastructuur. Pas aan het einde van die keten staan productiviteit en groei. Ik beschreef eerder hoe de rekenkracht achter AI in tien jaar is gegroeid en waarom AI in 2026 infrastructuur is geworden, net zo basaal als elektriciteit.

Het moment is niet toevallig. Vergrijzing, beperkte bevolkingsgroei, hoge schulden en hoge kapitaalkosten zetten de traditionele groei onder druk. De economische belofte van AI ligt precies daar: meer output met dezelfde of minder productiemiddelen.

Maar een belofte is geen opbrengst. Hoe groter de investering, hoe dwingender de vraag wat zij oplevert. In Wanneer barst de AI-bubbel? stelde ik die vraag voor de markt als geheel. Hier stel ik haar voor de organisatie.

Toegang tot AI is geen waarde en een pilot is geen bewijs

Een licentie is geen resultaat. Deloitte ziet het aandeel medewerkers met toegang tot goedgekeurde AI-tools in één jaar flink stijgen. Toegang betekent echter nog geen intensief gebruik en gebruik betekent nog geen bedrijfswaarde.

Er zijn vijf stappen die organisaties uit elkaar moeten houden:

toegang ≠ gebruik ≠ adoptie ≠ productiviteit ≠ economische waarde

Veel organisaties meten hun succes aan het begin van die keten. Hoeveel licenties, hoeveel gebruikers, hoeveel prompts, hoeveel pilots. Dat zijn nuttige operationele cijfers, maar ze zeggen weinig over omzet, marge, klantwaarde of kasstroom. Een organisatie kan duizenden actieve gebruikers hebben zonder aantoonbaar productiever te worden.

Dat patroon is niet nieuw. In 2023 schreef ik al hoe het gebruik van data, AI en analytics bij grote bedrijven achteruitging, ondanks eerdere investeringen. Later volgde het dal van desillusie.

Hetzelfde geldt voor de pilot. Een klein team, een afgebakende dataset en een gecontroleerde omgeving bewijzen dat iets technisch mogelijk is. Productie vraagt iets anders: koppeling met bestaande systemen en data, security, privacy, compliance, monitoring en iemand die verantwoordelijk is als het systeem een verkeerde beslissing neemt. Daarom geldt: AI-adoptie strandt op regie, niet op techniek.

Een implementatie moet aantonen dat iets operationeel haalbaar, organisatorisch schaalbaar, veilig beheersbaar en economisch rendabel is. De transformatie begint dus niet bij het experiment. Zij begint wanneer het experiment onderdeel wordt van de bedrijfsvoering.

Productiviteit maakt capaciteit vrij, pas de bestemming daarvan levert waarde

Productiviteitswinst creëert capaciteit, maar capaciteit creëert niet vanzelf waarde. Dat is voor mij het belangrijkste inzicht uit de vier onderzoeken en het komt van EY.

Eerst de feiten. Deloitte ziet dat een groot deel van de organisaties verbeteringen in efficiëntie en productiviteit rapporteert. Het aandeel dat omzetgroei uit AI haalt, ligt aanzienlijk lager. Logisch, want AI helpt snel bij schrijven, samenvatten, analyseren, programmeren en het voorbereiden van beslissingen. Dat levert tijd op.

Neem een medewerker die een taak dankzij AI in zes uur doet in plaats van tien. Er zijn vier uur vrijgekomen. De productiviteit is aantoonbaar gestegen, maar economisch is er nog niets gebeurd. De vraag is wat de organisatie met die vier uur doet.

De vrijgekomen tijd kan naar meer klanten, snellere productontwikkeling, betere dienstverlening of diepere analyses. Zij kan ook verdampen. Extra vergaderingen, nieuwe controles, meer administratie en toenemende complexiteit vullen het gat moeiteloos. Ik schreef daar eerder over: meer AI-tools maken je organisatie niet sneller en AI maakt werk niet lichter, maar zwaarder als niemand stuurt op de bestemming van de winst.

EY ziet beide bewegingen. Een aanzienlijk deel van de CEO’s zet productiviteitswinst bewust in voor groei, innovatie of transformatie. Een substantieel deel ziet de winst weer verdwijnen door organisatorische complexiteit, regelgeving, risico’s en nieuw werk.

De ontbrekende schakel heet bewuste herallocatie. Daarmee wordt de keten:

AI → productiviteit → vrijgekomen capaciteit → bewuste herallocatie → bedrijfsresultaat → economische waarde

Wie mijn werk kent, herkent hier de dimensie macht uit Digitaal Vermogen: de kunde om doelen en doelstellingen te realiseren. Vrijgekomen uren zonder doel zijn kracht zonder macht. Er is veel beschikbaar en er gebeurt niets mee.

Productiviteit creëert capaciteit. Capaciteit creëert niet vanzelf waarde.

AI toevoegen aan oud werk optimaliseert, herontwerp verandert het werk zelf

De meeste organisaties nemen een bestaand proces en plakken daar AI op. De marketeer laat een eerste versie van de nieuwsbrief schrijven. De klantenservicemedewerker laat conceptantwoorden genereren. De analist laat cijfers samenvatten. Dat levert efficiëntie op, maar de structuur van het werk blijft gelijk. Zo begon het ook in 2022, toen ik schreef over de robotisering van kantoren bij Nederlandse bedrijven.

Deloitte en EY wijzen allebei naar de volgende stap: herontwerp. Niet oud proces plus AI, maar een nieuw proces waarin mens, AI, data en nieuwe verantwoordelijkheden samenkomen.

Neem klantenservice. In drie stappen ziet de ontwikkeling er zo uit:

Fase	Proces
Traditioneel	klant → vraag → medewerker → antwoord
AI als hulpmiddel	klant → vraag → AI maakt concept → medewerker controleert → antwoord
Opnieuw ontworpen	klant → AI-agent → data uit CRM → controle van voorwaarden → oplossing → alleen uitzonderingen naar medewerker

In de derde variant behandelt de medewerker geen transacties meer, maar uitzonderingen, complexe situaties en emotionele gesprekken. AI verandert dus niet alleen hoe snel mensen werken, maar ook welk werk zij nog doen. De vraag welke impact robotisering op je business heeft stelde ik in 2019 al. Het antwoord is nu concreet.

Mens en AI vormen samen één productiesysteem

Het debat wordt vaak gevoerd als mens tegen AI. De onderzoeken wijzen naar mens met AI. Mensen blijven nodig voor context, verantwoordelijkheid, creativiteit, empathie en strategisch oordeel. AI is sterk in snelheid, schaal, patroonherkenning en routine. AI raakt de automatiseerbare taak, niet de mens erachter. De medewerker wordt regisseur, beoordelaar en beslisser. Bij NXTLI werken wij al langer zo, met AI-collega’s Liza en Pia en met het Marketing AI Team.

De organisatie verandert mee of houdt de opbrengst tegen

Traditionele organisaties zijn gebouwd rond lagen waarin managers werk verdelen, controleren en doorrapporteren. Precies die coördinatie kan AI deels overnemen. Deloitte ziet belangstelling voor plattere organisaties en multidisciplinaire teams, maar de werkelijke verandering blijft achter bij de technologische ambitie. Wie daarmee wil beginnen, vindt een aanzet in mijn tien tips voor een vloeibare organisatie.

Dat de verandering achterblijft, verbaast mij niet. In Digitaal Vermogen schreef ik: ‘Voor een belangrijk deel draait een succesvolle verandering juist om mensenwerk.’ Functies, besluitvorming, KPI’s, managementlagen en beloning moeten op enig moment meebewegen. Zolang afdelingen in hokjes blijven werken, blijft ook AI in hokjes steken. In 2017 schreef ik al dat silo’s de digitale transformatie belemmeren. Dit jaar volgde het einde van silo-denken.

Vaardigheden wegen zwaarder dan tools

Prompts schrijven is nuttig, maar onvoldoende. Medewerkers moeten kunnen beoordelen wanneer AI betrouwbaar is, fouten herkennen en weten welke data zij mogen gebruiken. Managers moeten weten wanneer menselijke controle nodig is. AI-geletterdheid is het vermogen om samen te werken met intelligente systemen. Daarom is de vaardigheid van 2030 niet AI, maar orkestratie.

EY ziet vaardigheden als mogelijke rem op groei. Deloitte stelt vast dat organisaties wel in tools investeren, maar hun talentstrategie en functies nauwelijks aanpassen. De technologie ontwikkelt zich sneller dan de organisatie die haar moet gebruiken. Dat vraagt om leiderschap dat AI begrijpt.

Agents vergroten de schaal en maken besturing tot voorwaarde voor groei

Een chatbot reageert, een agent handelt. Een agent krijgt een doel, verzamelt informatie, maakt een plan, roept systemen aan en schakelt zo nodig andere agents in. AI verschuift daarmee van antwoord naar actie en van taak naar werkstroom. Deloitte verwacht sterke groei van deze toepassingen en KPMG ziet steeds meer organisaties systemen met meerdere agents bouwen.

Dat vergroot het economische potentieel en het risico. Een fout antwoord kan een mens nog corrigeren. Een agent die een bestelling plaatst, een klant benadert, data aanpast of een betaling start, verandert werkelijk iets. Ik schreef eerder dat een AI-agent net zo goed is als de context die het creëert. Zonder context bouw je geen intelligent systeem, maar een digitale ruisgenerator.

Daarom verandert governance van betekenis. Het gaat om de vraag wie wat mag, welke data een agent ziet, wanneer menselijke toestemming nodig is, wie verantwoordelijk is en hoe je achteraf vaststelt wat er is gebeurd. Deloitte ziet een kloof tussen de verwachte adoptie van agents en de volwassenheid van die afspraken. Goede governance beperkt AI niet. Zij maakt AI veilig schaalbaar.

De managementlaag rond het model maakt het verschil

KPMG beschrijft een formele managementlaag tussen de AI-modellen en de rest van de organisatie. Daarin zijn security, identiteit, toegang tot data, monitoring, evaluatie, kostenbeheer, beleid en audittrails geregeld. Volgens KPMG heeft 55% van de onderzochte organisaties zo’n laag. Bij organisaties die aantoonbaar rendement op AI rapporteren, is dat 86%.

Het verschil is veelzeggend. Volwassenheid hangt niet samen met betere modellen, maar met betere managementsystemen rond die modellen. Daarbovenop komt orkestratie: bepalen welk model welke taak krijgt, welke data mag worden gebruikt, hoe agents samenwerken, wat het kost en wanneer een mens ingrijpt. Het is de reden dat ik het Business Acceleration Framework het besturingssysteem van je organisatie noem.

Afhankelijkheid van één leverancier is een continuïteitsrisico

Wat gebeurt er als een leverancier zijn prijzen verhoogt, een model uitfaseert of slechter gaat presteren? Wat als data niet meer naar een bepaalde jurisdictie mag? KPMG brengt cybersecurity, modelsoevereiniteit en leveranciersafhankelijkheid samen onder één noemer: continuïteit.

Volgens KPMG hanteert 72% van de onderzochte organisaties formele criteria voor modelsoevereiniteit. Organisaties met aantoonbaar rendement spreiden hun afhankelijkheid vaker over meerdere modellen en leveranciers. AI-architectuur is daarmee ook risicomanagement.

Organisaties kennen de kosten van AI, maar zelden de opbrengst

Volgens KPMG zet slechts 12% van de onderzochte organisaties de gecreëerde waarde consequent af tegen de kosten van AI. De meter aflezen lukt steeds beter. Weten wat je voor dat geld koopt nog niet. Het verklaart mede waarom zeven van de tien AI-projecten in 2028 sneuvelen.

Daar ontstaat een nieuwe managementdiscipline, die in de onderzoeken AI economics heet. Zij begint bij de volledige kosten. AI kost meer dan tokens en licenties:

modellen + cloud + rekenkracht + data + integratie + cybersecurity + governance + training + procesverandering + beheer

Daartegenover staan de opbrengsten:

productiviteit + kostenbesparing + extra output + omzet + marge + snelheid + kwaliteit + klantwaarde + kapitaalefficiëntie

Een positieve ROI op papier is nog geen gerealiseerde waarde

Een rekenvoorbeeld. Een AI-oplossing kost € 500.000 per jaar en bespaart € 700.000 aan arbeid. De businesscase lijkt positief. Maar als de vrijgekomen capaciteit nergens wordt ingezet, is de besparing theorie gebleven.

Daarom volstaat het klassieke ROI-model niet. Organisaties moeten de hele keten volgen: van investering naar gebruik, van gedragsverandering naar procesverbetering, van productiviteit naar vrijgekomen capaciteit en van herallocatie naar bedrijfsresultaat.

AI concurreert om hetzelfde kapitaal als elke andere investering

Hier komt de macro-economie van McKinsey terug. Kapitaal is duurder dan in de jaren waarin digitale groei bijna vanzelf werd gefinancierd. Als de kapitaalkosten stijgen, moet de opbrengst overtuigender zijn. De discussie verschuift van innovatie naar kapitaalallocatie.

Een CEO, CFO of investeerder kiest tussen een nieuwe fabriek, een overname, extra marketing, productontwikkeling, AI-infrastructuur of kapitaal teruggeven. AI moet die vergelijking doorstaan. Het is dezelfde discipline die ik bepleit voor data: van bits naar waarde op de balans.

Vier onderzoeken beschrijven vier lagen van één systeem

Naast elkaar gelegd vormen de vier onderzoeken één model. Elk bureau beantwoordt een andere vraag over hetzelfde systeem.

Niveau	Bureau	Centrale vraag	Bijdrage
Macro-economie	McKinsey	Waarom wordt AI economisch belangrijk?	De noodzaak
Organisatie	Deloitte	Hoe verandert AI processen, werk en organisaties?	De transformatie
Besturing	KPMG	Hoe bestuur je AI veilig en economisch op schaal?	Het managementsysteem
Waardecreatie	EY	Hoe zet je productiviteit om in duurzame bedrijfswaarde?	De omzetting in waarde

Samen leveren zij een keten van tien stappen:

1. Investeren. De organisatie investeert in modellen, data, infrastructuur, mensen en processen.
2. Adopteren. Medewerkers en systemen gaan AI werkelijk gebruiken.
3. Integreren. AI wordt onderdeel van bestaande werkstromen en applicaties.
4. Herontwerpen. Processen en functies worden opnieuw ingericht rond mens en AI.
5. Orkestreren. Modellen, agents, data, systemen en mensen worden als één geheel bestuurd.
6. Productiviteit creëren. Meer output met dezelfde arbeid en hetzelfde kapitaal.
7. Capaciteit vrijmaken. Tijd, mensen en middelen komen beschikbaar.
8. Capaciteit heralloceren. Die capaciteit gaat bewust naar groei, innovatie, klantwaarde of efficiëntie.
9. Economische waarde realiseren. Hogere omzet, betere marges, meer klantwaarde of snellere innovatie.
10. Toekomstig verdienvermogen vergroten. De verbeteringen worden structureel, schaalbaar en herhaalbaar.

Bij stap tien ontstaat iets wat verder gaat dan een businesscase. Daar ontstaat vermogen.

AI is een digitaal middel en wordt pas vermogen als de waarde structureel is

McKinsey, Deloitte, KPMG en EY gebruiken de term digitaal vermogen niet. De koppeling die ik hier leg, is dus mijn interpretatie, vanuit het denkmodel uit mijn boeken.

Pim van Berkel en ik definieerden digitaal vermogen in 2017 als ‘de rechten en niet-fysieke middelen bestaande uit digitale verbindingen en contextuele data, dat een onderneming competitief voordeel in de markt geeft, welke een financiële waarde vertegenwoordigt doordat het huidige en toekomstige kasstromen optimaliseert en versnelt’.

Lees die definitie met de vier onderzoeken in de hand. Het gaat om kasstromen, nu en straks. Niet om bezit van technologie. Een database is geen vermogen. Een groot aantal volgers ook niet. Een AI-model en een verzameling agents evenmin. Zij worden pas economisch relevant wanneer zij structureel bijdragen aan het toekomstige verdienvermogen. In Wat is digitaal vermogen? noemde ik dat de stap van bezit naar vermogen.

Kracht, macht en potentie geven de AI-keten een maatstaf

De drie kernelementen uit Digitaal Vermogen passen op de keten van de adviesbureaus.

Kernelement	Omschrijving in het boek	Vertaling naar AI
Kracht	Het kwantificeerbare deel van het eigen ecosysteem over tijd	Data, modellen, agents, gebruik en vrijgekomen capaciteit
Macht	De kunde om doelen en doelstellingen te realiseren	Herontwerp, besturing, orkestratie en bewuste herallocatie
Potentie	Het in geld uitdrukken van het digitale bezit	Gerealiseerde waarde en toekomstig verdienvermogen

De meeste organisaties bouwen kracht op. Deloitte en KPMG laten zien dat de macht achterblijft. EY laat zien dat de potentie daardoor niet wordt verzilverd.

AI-vermogen is een eigenschap van de organisatie, niet van de technologie

Daarmee kan ik het begrip scherp stellen. AI-vermogen is het structurele vermogen van een organisatie om AI, data, processen en menselijke kennis herhaalbaar om te zetten in economische waarde en toekomstig verdienvermogen.

Het woord ‘structureel’ doet het werk. Een eenmalige efficiëntiewinst is geen vermogen. Een geslaagde pilot ook niet. Eén medewerker die uitzonderlijk goed met een taalmodel werkt evenmin. Pas wanneer de organisatie het proces kan herhalen, opschalen, besturen en verbeteren, verandert AI van gereedschap in bedrijfsmiddel.

De volgorde blijft daarbij dezelfde als in het ABCD-principe: AI, business, content en data horen bij elkaar. AI versnelt wat er al ligt. Ligt er geen fundament van data en doelen, dan versnelt AI vooral de rommel.

In 2018 schreef ik dat het digitaal vermogen gerobotiseerd zou worden. Dat is uitgekomen, zoals ik beschreef in van voorspelling naar werkelijkheid. De adviesbureaus voegen daar nu de rekensom aan toe.

Wie op vermogen stuurt, meet anders en verdeelt de verantwoordelijkheid anders

Organisaties weten hoeveel AI zij gebruiken, maar zelden hoeveel vermogen zij ermee opbouwen. Dat komt doordat het hoogste niveau van meten ontbreekt. Ik onderscheid zes niveaus, in het verlengde van de vijf sleutelmetrics waar iedere organisatie op zou moeten sturen.

Niveau	Wat je meet
Technologie	Beschikbaarheid, reactietijd, tokens, rekenkracht, foutpercentages
Adoptie	Actieve gebruikers, frequentie, toepassingen, agents
Operatie	Doorlooptijd, output, kwaliteit, automatiseringsgraad
Productiviteit	Output per medewerker, kosten per proces, tijd per taak
Economie	Omzet, marge, klantwaarde, retentie, kapitaalefficiëntie
Vermogen	Structurele bijdrage aan toekomstig verdienvermogen

De CFO wordt even belangrijk als de CTO

De eerste golf werd geleid door technologie. De volgende fase kan niet alleen bij IT liggen.

Rol	Verantwoordelijkheid
CIO en CTO	Architectuur, infrastructuur en security
CFO	Kosten, opbrengsten en kapitaalallocatie
HR	Vaardigheden, functies en organisatieontwerp
Operations	Procesherontwerp en productiviteit
Legal en risk	Governance en aansprakelijkheid
Marketing en commercie	Klantwaarde en omzetgroei
CEO	De bestemming van de vrijgekomen capaciteit

AI is daarmee een bestuursvraagstuk geworden.

Tien vragen voor de bestuurskamer

1. Welke economische doelstelling willen wij met AI bereiken?
2. Welke processen moeten daarvoor opnieuw worden ontworpen?
3. Welke combinatie van mens en AI levert de hoogste waarde?
4. Welke capaciteit komt daardoor vrij?
5. Waar herinvesteren wij die capaciteit?
6. Wat kost onze volledige AI-stack?
7. Welke economische opbrengst staat daartegenover?
8. Welke risico’s en afhankelijkheden bouwen wij op?
9. Kunnen wij het resultaat opschalen en herhalen?
10. Vergroot dit aantoonbaar ons toekomstige verdienvermogen?

Wie deze vragen kan beantwoorden, is het experiment voorbij.

Acht fasen, waarvan de laatste het spel beslist

De ontwikkeling van AI in organisaties laat zich samenvatten in acht fasen, elk met een eigen periode waarin zij dominant werd. Daarmee wordt zichtbaar dat 2026 een kantelpunt is.

Periode	Fase	Centrale vraag	Kenmerk
2022-2023	1. Ontdekken	Wat kan generatieve AI?	Doorbraak van generatieve AI, eerste prompts en algemene toepassingen
2023-2024	2. Experimenteren	Welke toepassingen werken?	Explosie van pilots, assistenten en proefopstellingen
2024-2025	3. Adopteren	Hoe krijgen wij AI breed in de organisatie?	Licenties, tools, training en eerste structurele inzet door medewerkers
2025-2026	4. Opschalen	Hoe brengen wij geslaagde toepassingen naar productie?	Integratie met data, systemen, security en governance
2026-2027	5. Herontwerpen	Hoe moeten processen en werk veranderen?	Nieuwe werkstromen, functies, rollen en bedrijfsmodellen
2026-2028	6. Orkestreren	Hoe besturen wij modellen, agents en mensen als één systeem?	AI-agents, systemen met meerdere agents, monitoring en managementlagen
2027-2028	7. Economisch besturen	Welke waarde levert elke AI-investering werkelijk op?	Kosten tegenover waarde, rendement, kapitaalallocatie en sturing op productiviteit
Vanaf 2028	8. AI-vermogen	Hoe draagt AI structureel bij aan toekomstig verdienvermogen?	AI als ingebedde productiefactor en vast onderdeel van de bedrijfswaarde

De fasen overlappen. Het is geen kalender waarop elke organisatie op hetzelfde moment doorschuift. Volgens Deloitte zet in 2026 nog 37% van de organisaties AI betrekkelijk oppervlakkig in, terwijl 34% al werkt aan diepere transformatie van processen, producten of businessmodellen. KPMG ziet tegelijkertijd dat de meer volwassen organisaties in 2026 al formele managementlagen en systemen met meerdere agents bouwen en hun kosten tegen de waarde afzetten.

De jaren tot en met 2026 beschrijven wat er is gebeurd. De jaren daarna zijn een verwachting. In het kort:

1. 2022-2023: AI wordt toegankelijk.
2. 2023-2024: AI wordt experiment.
3. 2024-2025: AI wordt door de organisatie geadopteerd.
4. 2025-2026: AI wordt operationeel opgeschaald.
5. 2026-2027: AI verandert processen en werk.
6. 2027-2028: AI wordt economisch bestuurd.
7. Vanaf 2028: AI wordt structureel vermogen.

De plaats van dit jaar is daarmee helder: 2026 is het overgangsjaar van AI-adoptie naar AI-bedrijfsvoering. Veel organisaties bevinden zich ergens tussen fase drie en zes. De koplopers bewegen naar fase zeven. In fase acht wordt het economische spel beslist.

2026 is het overgangsjaar van AI-adoptie naar AI-bedrijfsvoering.

In 2022 ontdekten organisaties wat generatieve AI kon. 2024 stond in het teken van adoptie. 2026 markeert de overgang naar AI-bedrijfsvoering. Vanaf 2027 verschuift de strijd naar de rekensom van kosten en waarde. De organisaties die daarna structureel waarde opbouwen, ontwikkelen AI-vermogen.

De volgende wedloop wordt gewonnen met vermogen, niet met modellen

Toegang tot krachtige modellen wordt snel gemeengoed. Een concurrent gebruikt dezelfde modellen, dezelfde koppelingen en dezelfde assistenten. Het duurzame onderscheid zit daarom steeds minder in het model en steeds meer in wat de organisatie eromheen heeft opgebouwd: eigen data, geïntegreerde werkstromen, klantrelaties, expertise, governance, distributie en terugkoppeling.

Dat is de kern van de relatie-economie. Wie de relatie bezit, bezit de kasstroom. Een model kun je huren. Een relatie met een fan of klant en de context die daarbij hoort, niet. Ger Hofstee en ik zagen die lijn al toen wij vanAnaloognaarDigitaal.nu schreven, zoals te lezen is in hoe ons boek de AI-ontwikkelingen van vandaag voorzag.

De vier onderzoeken beschrijven dezelfde overgang vanuit vier hoeken. McKinsey laat zien waarom productiviteit cruciaal wordt in een wereld waarin arbeid, energie en kapitaal schaars zijn. Deloitte laat zien dat toegang en experimenteren niet volstaan. KPMG laat zien dat opschaling een managementlaag vraagt en dat slechts 12% kosten consequent aan waarde koppelt. EY laat zien dat productiviteit niet het eindpunt is.

De conclusie is eenduidig. De volgende fase van AI draait niet om hoeveel AI een organisatie gebruikt, maar om hoe goed zij AI omzet in structurele economische waarde.

Een volwassen organisatie heeft niet de meeste modellen, agents of gebruikers. Zij kan aantonen wat AI kost, welke productiviteit ontstaat, welke capaciteit vrijkomt, waar die capaciteit naartoe gaat en welke waarde daaruit volgt. Het is een nieuwe invulling van wat ik in 2016 het meten van digitale volwassenheid noemde.

AI → productiviteit → capaciteit → herallocatie → waarde → toekomstig verdienvermogen → digitaal vermogen

De winnaar is niet de onderneming met de meeste AI. De winnaar is de onderneming die AI het beste weet om te zetten in vermogen.

Er is werk aan de winkel.

Bronnen

1. McKinsey & Company, Global Economics Intelligence Executive Summary (augustus 2026)
2. Deloitte, The State of AI in the Enterprise 2026: The Untapped Edge
3. KPMG, Global AI Pulse Q3 2026: AI at Scale – Accountability, Resilience and Economics
4. EY-Parthenon, CEO Outlook, October 2026: How Can CEOs Turn AI Productivity Gains Into Lasting Value?
5. EY, European Economic Outlook – Resilient Growth Amid Persistent Shocks (september 2026), als achtergrond
6. Denis Doeland, Digitaal Vermogen. De kracht, macht en potentie van elke organisatie (2018)
7. Denis Doeland en Ger Hofstee, vanAnaloognaarDigitaal.nu (2013)

Het rekenvoorbeeld van € 500.000 en € 700.000 is een illustratie, geen onderzoeksuitkomst. De koppeling met digitaal vermogen, kracht, macht en potentie is mijn interpretatie. Dat geldt ook voor de tijdlijn van acht fasen: de jaartallen zijn een indeling op hoofdlijnen en de periode na 2026 is een verwachting.