Miljoenen verspillen? Begin AI-succes te meten met deze 7 statistieken
Kasstromen botsen op hardnekkige datapunten: AI trok 46,4% van de durfkapitaalfinanciering van vorig jaar aan, maar voor veel bedrijven die AI implementeren blijft het aantonen van rendement op investering ongrijpbaar.
Vertrouwen drijft AI-succes: Vertrouwensproblemen dragen bij aan lage AI-opbrengsten. Wantrouwen in AI leidt tot een negatieve ROI, wat het belang onderstreept van het vertrouwen van een organisatie in AI-technologie.
AI heroverwegen met Google: Google stelt dat het unieke karakter van AI een herziening van traditionele ROI-statistieken noodzakelijk maakt, gezien de toegankelijkheid en het potentieel om resultaten te transformeren.
De duisternis van ongedefinieerd succes: Bedrijven voeren gemiddeld 37 AI-projecten per jaar uit, maar hebben geen duidelijk beeld van succes, omdat de huidige statistieken AI-initiatieven onvoldoende aan duidelijke resultaten koppelen.
Het dilemma van zachte ROI: Zachte ROI-statistieken, zoals een innovatiecultuur en concurrentievoordeel, zijn waardevol maar maken duidelijke kwantificering ingewikkeld. Hierdoor worden CTO's uitgedaagd om uitgebreide ROI-kaders te ontwikkelen.
AI brengt enorme bedragen op: om precies te zijn 46,4% van de durfkapitaalfinanciering van vorig jaar. Maar zelfs nu het geld binnenstroomt, heeft de top van het bedrijfsleven moeite om te zien hoe AI bedrijfstransformatie aandrijft.
Meer dan de helft van de IT-leiders zegt dat het aantonen van ROI hun grootste uitdaging is, vooral omdat RAND Corporation voorspelt dat 80% van de AI-projecten zal mislukken, waarbij miljarden verloren gaan.
Stephen Mann, hoofdanalist en contentdirecteur bij ITSM.tools, wijst op een groter probleem: vertrouwen. “Teams die AI niet vertrouwen, zijn de teams die een negatieve ROI van hun AI-investeringen rapporteren. Het lijkt een keten te zijn waarin AI-adoptie en vertrouwen (of het gebrek daaraan) elkaar versterken,” zegt hij. Stephen is niet de enige die dit opmerkt.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Het AI-team van Google heeft er ook op gewezen dat generatieve AI verschilt van eerdere technologie. AI is toegankelijker en zowel technische als niet-technische teams kunnen het gebruiken. Daarom moeten we opnieuw nadenken over hoe we AI-prestaties meten, aangezien traditionele ROI-kaders vaak tekortschieten.
Laten we nader bekijken waarom oude benaderingen niet werken en de zeven maatstaven bespreken die van belang zijn bij het evalueren van de ROI van AI.
Uitdagingen bij het meten van AI-ROI
Bedrijven lanceren gemiddeld 37 AI-POC’s, maar meer dan 30% van de CIO’s geeft toe geen duidelijk beeld te hebben van welke daarvan succesvol zijn. Ze opereren in het duister zonder robuuste maatstaven die AI-inspanningen koppelen aan concrete resultaten.
Het kan lastig zijn om de impact van AI afzonderlijk vast te stellen, omdat AI vaak wordt ingezet naast andere technologische of procesveranderingen, zoals een AI-gestuurd voorraadsysteem dat samen met een nieuwe winkelindeling wordt uitgerold. Traditioneel A/B-testen heeft moeite wanneer meerdere factoren (AI, marketing, herontwerpen) tegelijkertijd invloed hebben op de resultaten.
Organisaties worstelen ook met “zachte ROI”: zaken zoals een innovatiecultuur, personeelsbehoud, een concurrentievoordeel en beter risicomanagement — waardevol, maar moeilijk te kwantificeren. Tel daar de tijd bij op die nodig is om AI te trainen, te verfijnen en te onderhouden, en het wordt duidelijk waarom CTO’s aarzelen om een ROI-kader op te stellen. De angst voor negatieve rendementen op korte termijn onder druk van investeerders maakt de uitdaging nog groter.
7 maatstaven om het succes van AI-investeringen te meten
Michael Porter van Harvard introduceerde een strategische triage die ondernemingen kunnen gebruiken om het concurrentievoordeel van hun AI-projecten te beoordelen. Zijn model is gebaseerd op kostenleiderschap, differentiatie en focus, waarmee organisaties zeer gespecialiseerde producten en diensten kunnen leveren in nichemarkten.
Voor CTO’s is het van cruciaal belang om te begrijpen hoe hun AI-projecten op deze hefbomen aansluiten, zodat ze investeringen kunnen rechtvaardigen en meetbare resultaten kunnen behalen. Hier zijn zeven maatstaven en OKR’s om AI-succes te definiëren:
1. Snellere tijd tot marktintroductie (TTM)
Tijd tot marktintroductie draait om het sneller op de markt brengen van je product of dienst, van het eerste concept tot de uiteindelijke implementatie, door AI te gebruiken om elke stap te versnellen. Hoe sneller je lanceert, hoe eerder je inkomsten gaat genereren: als AI helpt om de ontwikkelingstijd terug te brengen van 18 naar 12 maanden, levert dat 6 extra maanden aan potentiële inkomsten op. En dat is een enorme winst als het gaat om het verbeteren van de financiële prestaties en het vergroten van het marktaandeel.
Hoe meet je TTM
- Duur van concept tot lancering: houd bij hoe lang het duurt om van goedkeuring van een idee tot marktintroductie te komen.
- Doorlooptijd van iteraties: meet de snelheid van ontwerp, testen en verfijning.
- Verhouding tussen tijd en waarde: vergelijk hoe snel een product of functie rendement begint op te leveren.
- Efficiëntie-index van middelen (REI): beoordeel hoeveel mensuren zijn bespaard of opnieuw ingezet.
2. Procesdoorvoer
Het bijhouden van de procesdoorvoer is essentieel om te meten hoe efficiënt taken binnen een bepaalde tijd worden verwerkt. Dit weerspiegelt het vermogen van je systeem om werklasten te verwerken en heeft invloed op de algehele capaciteit en efficiëntie.
Hoe meet je de procesdoorvoer
- Volume per tijdseenheid (VPTU): Houd voltooide taken of transacties voor en na AI bij.
- Kosten per transactie: Analyseer hoe AI de besteding van middelen bij grotere volumes beïnvloedt.
- Duurzaamheid van piekprestaties: Houd bij hoe lang het systeem maximale doorvoer handhaaft.
- Hersteltijd: Evalueer hoe snel processen zich na verstoringen herstellen.
3. Werknemers- en klantervaring
Elk AI-initiatief is uiteindelijk gericht op een van twee groepen: werknemers of klanten. Hun behoud, productiviteit, tevredenheid en betrokkenheid zijn de werkelijke indicatoren van succes en bepalen of AI door het bestuur en de directie wordt goedgekeurd.
Voor werknemers moet AI repetitieve taken automatiseren en werkstromen stroomlijnen, zodat zij meer tijd hebben om zich te richten op strategisch werk en werk met een hoge toegevoegde waarde. AI kan ook de verdeling van de werklast optimaliseren – bijvoorbeeld wanneer een door AI aangestuurde managementtool signaleert dat werknemers te veel tijd in vergaderingen doorbrengen en te weinig tijd besteden aan geconcentreerd werk.
Bij de klantgerichte kant van projecten moeten AI-projecten zich richten op het creëren van een moeiteloze ervaring. De opbrengst bestaat uit grotere loyaliteit, langere klantrelaties en een constante stroom aanbevelingen – allemaal cruciale onderdelen van langdurige bedrijfsgroei. Wanneer deze elementen samenkomen, is het resultaat een positieve ROI, met een organisatie die wendbaar en klantgericht is en alle betrokken belanghebbenden in staat stelt hun potentieel te benutten.
Hoe meet je de werknemerservaring (EX) om het succes van AI te bepalen
- Vergelijk personeelsbehoud vóór en na de implementatie van AI
- Houd het behoud bij in door AI ondersteunde versus niet door AI ondersteunde functies
- Houd redenen voor vrijwillig vertrek in de gaten
- Net Promoter Scores van werknemers (eNPS)
- Tijd tot productiviteit voor nieuwe medewerkers
Hoe meet je de klantervaring (CX)
- NPS- en CSAT-scores
- Oplossing bij het eerste contact (FCR) en reactietijd naar klanten
- Analyse van sentiment en emoties op sociale media
- Klantbehoud en klantverloop
- Geleidelijke veranderingen in de klantlevensduurwaarde vóór en na AI
4. Impact van technische schuld (TDI)
De impact van technische schuld (TDI) meet hoe opgehoopte kortetermijnoplossingen en inefficiënties de prestaties, onderhoudbaarheid en schaalbaarheid van een AI-systeem beïnvloeden of, omgekeerd, hoe AI zelf bijdraagt aan de toenemende technische schuld van een onderneming.
Dit is een belangrijke meetwaarde, aangezien technische schuld al 30% van de IT-budgetten en 20% van de personeelsmiddelen verbruikt, en AI de situatie alleen maar verergert.
In 2025 verwacht meer dan 50% van de technologieleiders dat hun technische schuld gematigde tot ernstige niveaus zal bereiken, waarbij AI tot de belangrijkste veroorzakers behoort. Door TDI te meten kunnen CTO's deze verborgen kosten verlagen door het herstructureren van modellen te onderbouwen, de toewijzing van middelen te optimaliseren en de juiste balans te vinden tussen het onderhouden van verouderde systemen en het leveren van nieuwe AI-gestuurde mogelijkheden.
Hoe meet je de impact van technische schuld
- Latentie van de gegevenspijplijn: Beoordeel vertragingen bij het opnemen en voorbewerken van gegevens.
- Tijd tot productie voor modelupdates: Controleer hoe snel modellen zich aanpassen aan nieuwe gegevens.
- Inferentiekosten per voorspelling: Bereken de kosten van computerbronnen voor elke AI-inferentie.
- Foutoplossingssnelheid: Houd bij hoe vaak problemen met gegevens of modellen ontstaan en moeten worden opgelost.
5. Gebruik van gegevensmiddelen
AI is slechts zo goed als de gegevens waarop het is gebouwd. Of je nu werkt aan voorspellende intelligentie of autonome systemen, het gebruik van gegevensmiddelen laat zien hoe effectief AI beschikbare gegevens gebruikt.
Hoe intensiever het gebruik, hoe groter het bereik van AI, waarbij silo's worden afgebroken, vooroordelen in datasets worden beperkt en bedrijfsbrede intelligentie wordt geleverd met gegevensintegratie.
Als modellen datasets met een hoge waarde niet volledig benutten of, erger nog, overfitten op redundante datasets, heeft dit rechtstreeks gevolgen voor de nauwkeurigheid, strategische relevantie en uiteindelijk het succes van je AI-project.
Hoe meet je het gebruik van data-assets?
- Frequentie van gegevenstoegang: Meet hoe vaak AI-modellen toegang krijgen tot elke dataset.
- Vertraging bij gegevensverwerking: Houd de ophaal- en verwerkingstijden in AI-workflows bij.
- Verhouding tussen opslag en actief gebruik: Vergelijk opgeslagen gegevens met actief gebruikte gegevens.
- Gebruikssnelheid van kenmerken & gegevensherkomst: Identificeer welke kenmerken de prestaties aansturen en waarborg de gegevenskwaliteit.
6. Foutreductie (ERR)
De gegevens goed krijgen is slechts de helft van de uitdaging. De echte uitdaging is ervoor zorgen dat gegevens schoon en gestructureerd zijn en op schaal nauwkeurige, actuele en onbevooroordeelde resultaten opleveren. Foutreductie is essentieel in dit proces. Het laat zien hoe goed AI zich ontwikkelt door fouten en kwaliteitsproblemen te verminderen en geeft aan in hoeverre het model in de loop der tijd kan leren en zich kan aanpassen.
Minder fouten in AI-modellen betekenen dat IT-teams minder vaak moeten ingrijpen, waardoor AI gemakkelijker kan worden opgeschaald naar verschillende afdelingen en kan voldoen aan domeinspecifieke behoeften. Door deze vooruitgang te monitoren, zorg je ervoor dat AI niet achteruitgaat naarmate het gebruik groeit. Dit geeft CTO's het vertrouwen dat AI toekomstbestendig is, aansluit op bedrijfsdoelen en consistent klanttevredenheid en operationele efficiëntie kan leveren.
Hoe meet je foutreductie?
- Foutpercentage als nulmeting versus huidig foutpercentage: Vergelijk de aanvankelijke met de huidige mate van onnauwkeurigheid.
- Percentage valse positieven: Breng onjuiste positieve classificaties in kaart.
- Foutverdeling: Identificeer vooroordelen of zwakke plekken in verschillende gegevenssegmenten.
- Verandering in foutpercentage: Zorg ervoor dat modellen na implementatie niet achteruitgaan.
- Efficiëntie van corrigerende iteraties: Meet hoe snel bijscholing fouten vermindert.
7. Schaalbaarheidscoëfficiënt
De schaalbaarheidscoëfficiënt maakt het verschil tussen een AI-initiatief dat floreert en een initiatief dat onder zijn eigen gewicht bezwijkt en een bodemloze kostenpost wordt. De coëfficiënt meet hoe goed een AI-oplossing binnen een organisatie kan worden uitgebreid zonder dat de kosten of complexiteit de pan uit rijzen.
AI-modellen beginnen misschien klein, maar naarmate de toepassing groeit, nemen ook de eisen aan netwerken, opslag en verwerkingskracht toe. Wat begint als een hybride cloud-opstelling kan al snel uitmonden in een kostbare herziening—denk aan uitbreidingen van koude opslag, upgrades van hardware op locatie en stijgende kosten per implementatie. Voor je het weet, wordt de potentiële ROI van AI tenietgedaan door infrastructuurversnippering.
Hoe meet je de schaalbaarheidscoëfficiënt?
Schaalbaarheid moet worden gemeten op zowel technisch als bedrijfsmatig vlak. Dit zijn de punten die CTO's moeten volgen:
- Computationele efficiëntie (FLOPS/watt) en schaalbaarheid van trainingstijd
- Inferentievertraging en kosten per inferentie
- Infrastructuuroverhead en tijd tot waarde voor implementaties
- Ervoor zorgen dat groei de kosten niet de pan uit doet rijzen helpt AI een groeimotor te laten blijven in plaats van een kostenpost te worden.
Groei zonder een schaalbare basis leidt tot inefficiënties, waardoor AI eerder een kostenpost dan een groeimotor wordt.
Maak je AI-investeringen toekomstbestendig
De door AI aangestuurde disruptie vertraagt niet en CTO's moeten wendbaarheid prioriteit geven om een overtuigende businesscase voor AI op te stellen. Dat betekent dat de overstap moet worden gemaakt van pilotprojecten naar organisatiebrede toepassing, waarbij agentische AI impact over verschillende functies heen stimuleert.
Creëer draagvlak door strategische doelen via schaalbare infrastructuur, gedisciplineerde MLOps en governancekaders aan de uitvoering te koppelen, zodat groei mogelijk wordt zonder de controle op te offeren.
Gebruik deze zeven kernmetrieken als een gestructureerde routekaart om AI-investeringen te onderbouwen, de toepassing te monitoren en prestaties te optimaliseren, wat mogelijk tot wel 3,5X rendement kan opleveren.
Abonneer je tot die tijd op de nieuwsbrief van The CTO Club voor meer groeiplannen over AI en inzichten van CTO's.
