57 procent maakt gebruik van AI, maar de meesten begaan een fatale managementfout

De Duitse efficiëntieval: waarom pure kostenbesparingen door AI gevaarlijk kunnen zijn

Genoeg met de spelletjes: waarom AI nu het digitale besturingssysteem moet worden

Kunstmatige intelligentie heeft de Duitse kantoren veroverd, maar de grote doorbraak moet nog komen. Hoewel het gebruik snel toeneemt en steeds meer werknemers vertrouwen op digitale assistenten, blijven de meeste bedrijven steken in een puur ondersteunende rol: AI schrijft e-mails, vat teksten samen en helpt bij onderzoek. Maar wie AI slechts ziet als een geavanceerde chatbot, ziet het ware potentieel ervan over het hoofd en digitaliseert in het ergste geval alleen maar stagnatie.

De werkelijke economische hefboomwerking schuilt in de overgang naar agentische AI ​​– systemen die zelfstandig complexe processen plannen, controleren en uitvoeren, afdelingsoverstijgend. Dit toont aan dat er in de Duitse industrie dringend actie nodig is. Het management moet processen volledig herzien, de datakwaliteit drastisch verbeteren en AI niet langer zien als een louter kostenbesparende maatregel, maar als een motor voor nieuwe groei. De tijd dringt: wie de sprong van een geïsoleerd instrument naar een geïntegreerd digitaal besturingssysteem niet maakt, loopt het risico onvermijdelijk achterop te raken in de internationale concurrentie.

Van AI-tool tot digitaal besturingssysteem: waarom de Duitse economie haar processen nu opnieuw moet uitvinden

Wie AI alleen als schrijfhulpmiddel gebruikt, digitaliseert stagnatie

Kunstmatige intelligentie heeft de drempel overschreden van een nicheonderwerp naar een wijdverspreide kerntechnologie in de Duitse economie. 57 procent van de bedrijven met 20 of meer werknemers gebruikt nu AI. Een jaar eerder was dit 36 ​​procent en twee jaar daarvoor slechts 20 procent. Nog eens 38 procent is van plan of bespreekt de implementatie ervan. Op het eerste gezicht is dit een indrukwekkende doorbraak: binnen twee jaar is het percentage AI-gebruikers bijna verdrievoudigd en slechts een kleine minderheid beschouwt het onderwerp nog als irrelevant.

De wijdverspreide toepassing van AI moet echter niet worden verward met economische volwassenheid. De cruciale vraag is niet langer of een bedrijf AI-tools gebruikt. De cruciale vraag is of AI permanent is geïntegreerd in waardecreërende processen, waardoor besluitvorming wordt verbeterd, doorlooptijden worden verkort, fouten worden verminderd, extra inkomsten worden gegenereerd en het bedrijfsmodel verder wordt ontwikkeld. Precies hier ontstaat een aanzienlijke kloof. Veel bedrijven gebruiken generatieve AI selectief voor teksten, onderzoek, samenvattingen of klantinteractie. Slechts elf procent van de bedrijven die al AI gebruiken of overwegen het te gebruiken, werkt met AI-agenten die zelfstandig meerstaps taken kunnen uitvoeren. Nog eens 29 procent is van plan een dergelijke implementatie te realiseren en 31 procent bespreekt het. De transitie van ondersteunende naar actieve AI staat dus nog maar aan het begin.

Economisch gezien is deze transitie veel belangrijker dan alleen het verhogen van het aantal gebruikers. Een taalmodel kan individuele medewerkers sneller laten werken. Een goed geïntegreerd agentsysteem daarentegen kan de processen tussen afdelingen, databases, applicaties, klanten en leveranciers transformeren. Het verschuift AI van een persoonlijk hulpmiddel naar de operationele architectuur van het bedrijf. Dit verhoogt niet alleen het productiviteitspotentieel, maar ook de verantwoordelijkheid van het management. De introductie van agents is niet zomaar het automatiseren van een softwarefunctie. Het is een fundamentele herdefinitie van hoe werk wordt verdeeld, kennis beschikbaar wordt gesteld, controle wordt uitgeoefend en waarde wordt gecreëerd.

Het grote aantal maskeert de geringe diepte

Uit Duitse gebruiksgegevens blijkt aanvankelijk een brede, maar vooral oppervlakkige verspreiding. AI wordt met name veel gebruikt bij taken die taalkundig zijn, gemakkelijk toegankelijk en relatief risicoarm. In klantcontact gebruikt 72 procent van de bedrijven AI, en in marketing en communicatie is dat 54 procent. Daarentegen bereikt het gebruik ervan in controlling 25 procent, in intern kennismanagement en productie elk 22 procent, in producten en diensten 20 procent en in verkoop 14 procent. De technologie heeft zich dus vooral aan de digitale periferie van het bedrijf gevestigd, maar aanzienlijk minder vaak in de kern van de waardecreatie.

Deze verdeling is rationeel. Bedrijven beginnen waar applicaties snel beschikbaar zijn, lage integratiekosten met zich meebrengen en direct resultaat opleveren. Een tekstassistent kan binnen enkele uren worden geïmplementeerd. Daarentegen vereist een agent die offertes opvraagt, voorraden controleert, leverdata beoordeelt, goedkeuringen initieert en processen documenteert in het ERP-systeem (Enterprise Resource Planning). Dit vereist betrouwbare gegevens, gedefinieerde machtigingen, interfaces, proceskennis en duidelijke aansprakelijkheidsregels. De economische voordelen zijn groter, maar de organisatorische taak is veeleisender.

Dit resulteert in een typisch verspreidingspatroon. Het aantal gebruikers groeit aanvankelijk sneller dan de economische impact. Werknemers krijgen toegang tot algemeen beschikbare tools, teams starten pilotprojecten en bedrijven schaffen licenties aan. De diepere transformatie volgt later, omdat deze investeringen vereist in data-architectuur, procesontwerp, training en governance. Daarom leidt een focus op alleen de adoptiesnelheid tot een overschatting van de vooruitgang. De relevante meetwaarde is niet het aantal werknemers met toegang tot een model, maar het percentage processen waarin AI aantoonbaar betere resultaten oplevert.

Internationale vergelijkingen benadrukken deze discrepantie eveneens. Wereldwijd is een groot deel van de door AI gedreven waardecreatie geconcentreerd in de handen van een kleine groep toonaangevende bedrijven. Volgens een wereldwijd onderzoek wordt 74 procent van de door AI gedreven waardecreatie gegenereerd door slechts 20 procent van de bedrijven. 59 procent van deze pioniers heeft hun bedrijfsmodellen fundamenteel herzien met behulp van AI. In Duitsland geldt dit slechts voor 21 procent van de bedrijven. Het verschil is ook meer dan twee keer zo groot als het gaat om nieuwe producten en diensten: 62 procent van de toonaangevende bedrijven tegenover 25 procent in Duitsland. Duitsland beschikt zeker over de noodzakelijke basis, maar zet deze te zelden om in groei en nieuwe marktaanbiedingen.

Productiviteit ontstaat niet in het chatvenster

De productiviteitsvoordelen van generatieve AI zijn direct merkbaar op het niveau van individuele taken. Bij gestructureerde taken zoals klantenservice, documentatie, programmeren, onderzoek of tekstcreatie kunnen assistentiesystemen de verwerkingstijd verkorten en minder ervaren medewerkers sneller toegang geven tot beproefde oplossingen. Een veel geciteerd veldonderzoek onder meer dan 5.000 klantenservicemedewerkers toonde een gemiddelde productiviteitsstijging van ongeveer 15 procent aan. Minder ervaren en minder presterende medewerkers profiteerden hier met name van, terwijl de effecten voor zeer ervaren professionals aanzienlijk kleiner waren.

Deze bevindingen verklaren waarom AI in veel bedrijven aanvankelijk wordt gezien als een productiviteitsverhoger voor individuen. Het verlaagt zoekkosten, formuleert concepten, structureert informatie en maakt impliciete kennis gemakkelijker toegankelijk. Dit kan de kwaliteit standaardiseren en de trainingstijden verkorten. Tegelijkertijd laat de wisselende impact, afhankelijk van het ervaringsniveau, zien dat AI geen universele snelheidsverhoger is. Bij complexe, slecht gestructureerde of sterk contextafhankelijke taken kan het controleren van de resultaten een aanzienlijk deel van de bespaarde tijd in beslag nemen. Fouten zijn met name gevaarlijk wanneer plausibele taal wordt aangezien voor betrouwbare kennis.

Op bedrijfsniveau ontstaat een ander probleem. Zelfs als individuele medewerkers 10 of 20 procent sneller werken, neemt de algehele productiviteit niet automatisch met hetzelfde percentage toe. Tijdsbesparingen kunnen verloren gaan bij interfaces, omdat goedkeuringen, gegevenstoegang, overdrachten en verantwoordelijkheden ongewijzigd blijven. Een sneller gegenereerde offerte is van weinig nut als de prijsgoedkeuring nog steeds meerdere dagen duurt. Een snel beantwoordde klantvraag verbetert het resultaat slechts marginaal als de klachtgegevens niet worden teruggekoppeld naar productontwikkeling en kwaliteitsmanagement. Lokale efficiëntiewinsten kunnen dus samengaan met ongewijzigde knelpunten.

Dit is de kern van de productiviteitsparadox van de huidige AI-golf: de tools verspreiden zich razendsnel, terwijl de macro-economische en bedrijfsbrede effecten pas later zichtbaar worden. Aanvullende investeringen zijn nodig voordat een wijdverspreide technologie haar volledige potentieel kan bereiken. In eerdere technologiegolven betrof dit elektrificatie, computers en internet. Tegenwoordig gaat het om datakwaliteit, interfaces, cloud- en computerinfrastructuur, processtandaarden, vaardigheidsontwikkeling en nieuwe besluitvormingsmodellen. Software alleen is slechts een onderdeel van het kapitaal dat nodig is voor daadwerkelijke productiviteitswinst.

Agenten verleggen de grenzen van automatisering

Een traditioneel taalmodel reageert in essentie op input en produceert output. Een AI-agent daarentegen streeft een doel na, verdeelt dit in sub-stappen, gebruikt tools en databronnen, evalueert tussenresultaten en kan acties initiëren binnen vastgestelde grenzen. Zo kan een AI-agent bijvoorbeeld leveranciers identificeren, prijzen vergelijken, kredietinformatie opvragen, variaties op offertes creëren, vervolgvragen formuleren en een goedkeuringsproces voorbereiden. Mensen hoeven niet langer elke afzonderlijke stap te initiëren, maar kunnen in plaats daarvan het doel, de regels en de controlepunten definiëren.

Dit verandert de economische eenheid van automatisering. Met een assistent wordt een taak versneld. Met een agent kan een volledig proces opnieuw worden ontworpen. Dit verschil is fundamenteel. De kosten van een bedrijfsproces ontstaan ​​vaak niet door één enkele werkstap, maar door wachttijden, onderbrekingen in de communicatie, vragen, correcties en coördinatie-inspanningen. Agentsystemen kunnen juist deze inefficiënties aanpakken, omdat ze informatie uit meerdere systemen verwerken en zelf de volgende stap initiëren.

Het grootste potentieel schuilt daarom niet per se in spectaculaire, volledig autonome toepassingen. Vaak zijn nauw gedefinieerde agents die terugkerende processen volgens duidelijke regels afhandelen economisch waardevol. In de inkoop kunnen ze bijvoorbeeld eisen consolideren en offertes opstellen. In het onderhoud kunnen ze sensorgegevens, onderhoudshistorie en onderdelenvoorraden samenvoegen. In de logistiek kunnen ze vertragingen detecteren, alternatieven berekenen en getroffen klanten proactief informeren. In de financiële afdeling kunnen ze discrepanties controleren, documenten toewijzen en onduidelijke gevallen escaleren. Cruciaal is dat de agent niet vrij binnen het bedrijf opereert, maar binnen een bewust afgebakend actiegebied.

Volledige autonomie is noch technisch noodzakelijk, noch altijd economisch verstandig. Hoe groter de potentiële schade van een verkeerde beslissing, hoe strenger de controle op machtigingen, goedkeuringen en beheermaatregelen moet zijn. Een agent kan een leveringsoptie voorstellen zonder het contract te ondertekenen. Hij kan een factuur opstellen zonder de betaling definitief te autoriseren. Hij kan sollicitatiedocumenten opstellen zonder een aanstellingsbeslissing te nemen. Economische vooruitgang schuilt niet in maximale autonomie, maar in een optimaal verdeelde beslissingsbevoegdheid tussen mens en machine.

Het knelpunt zit in het management van het bedrijf

Zolang AI primair als softwaretool wordt beschouwd, ligt de verantwoordelijkheid vaak bij de IT-afdeling. Dit model is niet langer toereikend voor agentgebaseerde AI. IT kan platforms selecteren, interfaces leveren, beveiligingsvereisten implementeren en de technische kwaliteit bewaken. Het kan echter niet alleen bepalen welke procesdoelen van toepassing zijn, welke risico's acceptabel zijn, welke beslissingen geautomatiseerd kunnen worden en hoe rollen veranderen. Deze vragen horen thuis bij het senior management en de betreffende afdelingen.

De cruciale managementfout is simpelweg nieuwe technologie toepassen op oude processen zonder enige aanpassing. Het versnellen van een inefficiënt proces verergert de fouten alleen maar en verhoogt de complexiteit. Daarom is het essentieel om, vóórdat er met automatisering wordt begonnen, te bepalen welke stappen kunnen worden geëlimineerd, welke gegevens echt nodig zijn en waar menselijk oordeel waarde toevoegt. De volgorde is niet: tools kopen, een toepassing vinden, medewerkers trainen. Maar: het waardecreërende probleem definiëren, het proces vereenvoudigen, gegevens en verantwoordelijkheden organiseren, de juiste technologie selecteren en de impact meten.

Succesvolle AI-bedrijven onderscheiden zich minder door toegang tot exclusieve modellen dan door hun organisatorische consistentie. Internationale onderzoeken tonen aan dat bedrijven met een grote impact van AI hun workflows veel vaker fundamenteel herzien. Ze combineren efficiëntie met groei en innovatie, in plaats van AI uitsluitend als kostenbesparend programma te beschouwen. Bovendien ligt de verantwoordelijkheid steviger bij het senior management en zijn specialistische afdelingen nauwer betrokken bij ontwikkeling en operationele processen. Dit is logisch: een enkel model kan door veel concurrenten worden aangeschaft. Een complex samenspel van data, proceskennis, klantrelaties en organisatorisch leren, opgebouwd over jaren, is veel moeilijker te repliceren.

Dit leidt tot een veranderde managementtaak voor raden van bestuur en directie. AI-projecten mogen niet langer uitsluitend worden beoordeeld op basis van technische mijlpalen. Relevante meetwaarden zijn onder andere doorlooptijd, foutenpercentage, omzet per klant, voorraadniveaus, servicekwaliteit, conversieratio, afval, naleving van deadlines en vastgelegd kapitaal. Zonder een solide economische basis blijft het onduidelijk of een pilotproject daadwerkelijk waarde creëert. Tegelijkertijd moeten de kosten volledig in kaart worden gebracht: modelgebruik, integratie, datavoorbereiding, monitoring, training, beveiligingsmaatregelen en doorlopende aanpassingen. Alleen dan kan een betrouwbare vergelijking tussen investering en baten worden gemaakt.

De efficiëntieval in Duitsland remt de nieuwe groei af

Duitsland heeft uitstekende voorwaarden voor industriële AI. De economie beschikt over diepgaande expertise, hoogwaardige technische data, sterke industriële waardecreatie, gespecialiseerde middelgrote bedrijven en veeleisende klanten. Complexe processen ontstaan ​​in sectoren zoals machinebouw, automatisering, logistiek, chemie, automobielindustrie en medische technologie, waar AI aanzienlijke voordelen kan opleveren. Tegelijkertijd is er een strategische zwakte: veel bedrijven richten zich bij de implementatie van AI primair op efficiëntie, terwijl groei, nieuwe producten en nieuwe bedrijfsmodellen een ondergeschikte rol spelen.

Deze focus is begrijpelijk gezien de hoge kosten, het tekort aan geschoolde arbeidskrachten en de zwakke productiviteitsgroei. Wanneer energie, arbeid, regelgeving en financiering duur zijn, lijkt kostenreductie een voor de hand liggend doel. Een eenzijdige efficiëntiestrategie brengt echter drie risico's met zich mee. Ten eerste is ze defensief en beperkt ze de besparingsmogelijkheden tot bestaande kostenposten. Ten tweede kunnen concurrenten ook vergelijkbare tools introduceren, waardoor het concurrentievoordeel snel verdwijnt. Ten derde dreigt een neerwaartse spiraal als AI vooral wordt gezien als een programma dat banen kost, waardoor werknemers kennis achterhouden of toepassingen afwijzen.

Groeigerichte AI volgt een andere logica. Het verbetert niet alleen bestaande processen, maar breidt ook het aanbod aan diensten uit. Een machinefabrikant kan voorspellende diensten ontwikkelen op basis van conditiegegevens. Een logistieke dienstverlener kan capaciteit dynamischer inkopen en risico's eerder identificeren. Een verzekeraar kan preventie en schadeafhandeling beter integreren. Een consultancybureau kan kennis systematiseren en schaalbare, datagedreven producten aanbieden. In deze gevallen wordt AI niet alleen een middel tot rationalisatie, maar een integraal onderdeel van de klantwaarde.

De Duitse expertise op het gebied van efficiëntie blijft waardevol, maar moet worden aangevuld met een sterker marktperspectief. De centrale vraag zou niet alleen moeten zijn hoeveel werkuren een medewerker bespaart. Net zo belangrijk is welke extra orders, service-inkomsten, dataproducten of klantloyaliteit ze mogelijk maken. Bedrijven die uitsluitend intern optimaliseren, lopen het risico ingehaald te worden door concurrenten die AI direct in hun waardepropositie integreren. Het strategische verschil zit hem in het verschil tussen een goedkoper, ouderwets bedrijf en een beter, nieuw bedrijf.

Beheerd AI-platform - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• Beheerd AI-platform

Kleine en middelgrote ondernemingen (kmo's) hebben een andere schaalstrategie nodig

De overstap naar agentgebaseerde AI is met name een uitdaging voor Duitse mkb-bedrijven. Kleine en middelgrote ondernemingen beschikken vaak over minder IT-personeel, heterogene systeemlandschappen en kleinere investeringsbudgetten. Veel processen zijn gebaseerd op de ervaring van individuele medewerkers, informele afspraken en in het verleden ontwikkelde applicaties. Hoewel dit aanzienlijke mogelijkheden biedt voor automatisering, leidt het vaak ook tot een gebrek aan een gestandaardiseerde basis waarop agents betrouwbaar kunnen functioneren.

Een middelgroot bedrijf moet daarom niet proberen de AI-programma's van wereldwijde corporaties te kopiëren. Een verstandigere aanpak is selectieve schaalvergroting langs een paar economisch haalbare processen. Geschikte processen zijn processen met een hoog volume, terugkerende patronen, beschikbare data en meetbare resultaten. Voorbeelden hiervan zijn offerteverwerking, technische klantenservice, documentcontrole, identificatie van reserveonderdelen, communicatie met leveranciers of het intern opzoeken van kennis. Als een dergelijk proces betrouwbaar functioneert, kunnen de componenten ervan en de geleerde lessen worden overgedragen naar aangrenzende gebieden.

Economische efficiëntie is sterk afhankelijk van standaardisatie en hergebruik. Een op maat ontwikkelde, op zichzelf staande oplossing kan te duur worden als deze slechts een klein proces afhandelt. Platforms, branchespecifieke oplossingen en gedeelde dataomgevingen kunnen de vaste kosten verlagen. Brancheverenigingen, softwareleveranciers en gespecialiseerde dienstverleners spelen ook een cruciale rol, omdat zij technische expertise kunnen bundelen en wettelijke vereisten kunnen vertalen naar herbruikbare modules. Voor veel middelgrote bedrijven zal de doorslaggevende factor niet het bouwen van het perfecte model in eigen huis zijn, maar eerder het vermogen om bestaande modellen veilig te integreren met hun eigen proceskennis.

Afhankelijkheid moet niet worden verward met taakverdeling. Het is economisch onverstandig om elk onderdeel intern te ontwikkelen. Bedrijven moeten echter wel weten welke onderdelen strategisch cruciaal zijn. Klantgegevens, proceslogica, autorisatiemodellen en de mogelijkheid om van leverancier te wisselen, moeten onder hun eigen controle blijven. Modellen en rekenkracht kunnen extern worden ingekocht, mits interfaces, dataportabiliteit en exitprocedures duidelijk zijn gedefinieerd. Soevereiniteit betekent niet volledige autonomie, maar eerder geloofwaardige alternatieve handelwijzen.

Het werk wordt opnieuw gedefinieerd, niet simpelweg vervangen

Het debat over AI en werkgelegenheid wordt vaak teruggebracht tot het aantal banen dat op het spel staat. Kunstmatige intelligentie (AI) heeft echter in eerste instantie gevolgen voor taken, niet voor hele beroepen. Een beroep bestaat uit routinematige, analytische, communicatieve, fysieke en verantwoordelijkheidsgerelateerde activiteiten. Sommige hiervan kunnen worden geautomatiseerd, andere worden aangevuld door AI en weer andere winnen aan belang. Daarom is noch de theorie van algehele verdringing, noch de geruststellende bewering dat er weinig zal veranderen, accuraat.

Op de korte termijn zal het grootste effect waarschijnlijk een herverdeling van taken zijn. Werknemers zullen minder tijd besteden aan zoeken, documenteren, standaardcommunicatie en data-invoer. In plaats daarvan zullen de eisen op het gebied van testen, foutafhandeling, klantinzicht en procesontwerp toenemen. Het zogenaamde junioreffect is met name relevant: als AI veel eenvoudige taken op instapniveau overneemt, kan de behoefte aan professionals op instapniveau afnemen. Tegelijkertijd zijn juist deze taken van oudsher een leertraject geweest waarmee junior medewerkers ervaringskennis hebben opgebouwd. Bedrijven moeten daarom nieuwe kwalificatiemodellen ontwikkelen; anders zullen ze de volgende generatie ervaren professionals missen.

Ook leiderschap verandert. Wanneer medewerkers operationele beslissingen voorbereiden of uitvoeren, moeten de verantwoordelijken effectiever leidinggeven door middel van regels, escalatiegrenzen en de kwaliteit van de resultaten. Micromanagement van individuele werkstappen wordt minder belangrijk, terwijl het ontwerp van het systeem als geheel aan betekenis wint. Dit vereist een andere kijk op controle. Niet elke actie hoeft vooraf te worden goedgekeurd, maar cruciale beslissingen moeten traceerbaar zijn. Niet elke fout kan worden voorkomen, maar ongebruikelijke patronen moeten vroegtijdig worden herkend en aangepakt.

De manier waarop bedrijven productiviteitswinsten verdelen, is cruciaal voor de acceptatie ervan. Als tijdsbesparingen uitsluitend worden omgezet in personeelsreducties, ontstaat er een prikkel om automatisering tegen te houden. Als ze worden gebruikt om de werkdruk te verlagen, de kwaliteit te verbeteren, groei te stimuleren of verdere training te financieren, neemt de bereidheid tot deelname toe. Dit is geen marginale sociaal-politieke kwestie, maar een belangrijke economische succesfactor. Agenten hebben de proceskennis van medewerkers nodig. Degenen die deze kennis willen mobiliseren, hebben vertrouwen en een geloofwaardig perspectief nodig.

Datakwaliteit wordt een kostenpost op de balans

AI-agenten kunnen slechts zo betrouwbaar handelen als de data en regels waartoe ze toegang hebben. Veel bedrijven overschatten hun technologische volwassenheid, omdat informatie in principe beschikbaar is. Beschikbaarheid betekent echter niet automatisch bruikbaarheid. Data kunnen tegenstrijdig, verouderd, onvolledig, slecht gedocumenteerd of verspreid over verschillende systemen zijn. Een mens compenseert dergelijke tekortkomingen vaak door ervaring en verduidelijking. Een geautomatiseerde agent daarentegen kan deze tekortkomingen snel omzetten in ernstige fouten.

Recente bedrijfsonderzoeken tonen aan dat datakwaliteit, een gebrek aan expertise en onduidelijke governance tot de belangrijkste obstakels behoren voor de economische impact van AI. Een groot deel van de bedrijven ervaart minstens af en toe ondermaatse AI-investeringen, wat leidt tot herwerk, vertragingen of achterstanden. Dit onderstreept waarom investeren in data niet als een louter technisch bijproject moet worden beschouwd. Stamgegevens, metadata, toegangsrechten, update-regels en verantwoordelijkheden zijn productieve activa, zelfs als ze nauwelijks zichtbaar zijn op de traditionele balans.

Voor agentgebaseerde systemen ontstaat een extra vereiste: data moet niet alleen leesbaar, maar ook bruikbaar zijn. De agent heeft eenduidige identiteiten, betrouwbare interfaces en machineleesbare bedrijfsregels nodig. Hij moet de actuele prijs kennen, weten welke leverancier is goedgekeurd, welk contract geldig is en wie beslissingsbevoegdheid heeft. Hoe meer een proces afhankelijk is van informele kennis, hoe moeilijker het wordt om het te automatiseren. De introductie van agents wordt daarom een ​​test voor de helderheid van de organisatie.

Bedrijven moeten niet proberen de datakwaliteit abstract te perfectioneren voor de hele organisatie. Dat zou duur en tijdrovend zijn. Een procesgerichte aanpak is effectiever. Voor elk prioritaire gebruikssituatie worden de benodigde databronnen, kwaliteitseisen, verantwoordelijkheden en controles gedefinieerd. Dit koppelt databeheer direct aan economische voordelen. Goede data wordt niet gecreëerd door een eenmalig opschoonproject, maar door continu, gestructureerd onderhoud binnen operationele processen.

Veiligheid moet ingebouwd zijn in de gehele actieketen

De overgang van een reagerend naar een handelend systeem verandert het risicoprofiel fundamenteel. Een foutieve tekst kan worden gecorrigeerd voordat deze het bedrijf verlaat. Daarentegen kan een agent met toegang tot e-mail, databases, betalingsprocessen of productiesystemen direct acties in gang zetten. Risico's zoals hallucinaties, gemanipuleerde invoer, datalekken of onjuiste toegangsrechten krijgen daardoor een operationele dimensie.

Indirecte aanvallen zijn bijzonder problematisch. Een agent kan bijvoorbeeld een extern document, website of e-mail verwerken die verborgen instructies bevat. Als het systeem deze instructies interpreteert als legitieme opdrachten, kan dit leiden tot het openbaar maken van gegevens of het uitvoeren van ongeautoriseerde acties. Bovendien kunnen geheugenproblemen, gemanipuleerde kennisbanken en kettingreacties tussen meerdere agenten kwetsbaarheden creëren. Een kleine fout aan het begin van een proces kan door volgende stappen worden versterkt voordat een mens deze opmerkt.

Het antwoord zou niet moeten zijn om agents volledig te vermijden. Een economisch verantwoorde architectuur kenmerkt zich door minimale privileges, een duidelijke scheiding van lees- en schrijftoegang, logging, runtime-monitoring en gelaagde machtigingen. Een agent mag alleen toegang hebben tot de systemen en gegevens die nodig zijn om zijn taak uit te voeren. Kritieke acties vereisen aanvullende bevestiging. Ongebruikelijk gedrag moet automatisch worden gestopt of geëscaleerd. Bovendien moet het altijd mogelijk zijn om te achterhalen welke gegevens, regels en modelversies tot een bepaalde beslissing hebben geleid.

Governance mag geen bijzaak of documentatieoefening worden. Het moet een integraal onderdeel zijn van productontwerp. Economisch verantwoorde governance verkort goedkeuringsprocessen omdat risico's vanaf het begin op een gestandaardiseerde manier worden aangepakt. Het creëert herbruikbare rolmodellen, testprocedures en controlepatronen. Bedrijven die pas na het pilotproject beveiliging toevoegen, bouwen technische schuld op en vertragen de schaalvergroting. Bedrijven die het vanaf het begin integreren, kunnen sneller groeien omdat vertrouwen en verantwoordelijkheid duidelijk zijn gedefinieerd.

Regulering is een kostenfactor en een concurrentiefilter

Het Europese juridische kader verhoogt de eisen voor transparantie, risicobeheer, menselijk toezicht, documentatie en AI-expertise. Sinds augustus 2026 zijn belangrijke transparantie- en governance-eisen van kracht, terwijl bepaalde verplichtingen voor systemen met een hoog risico gefaseerd worden ingevoerd. Voor bedrijven betekent dit extra werk, met name wanneer AI wordt gebruikt bij personeelsbeslissingen, kredietwaardigheidsbeoordelingen, kritieke infrastructuur of gereguleerde producten.

Een puur defensieve kijk op regelgeving schiet tekort. Duidelijke regels kunnen transactiekosten verlagen als ze het vertrouwen tussen leveranciers, bedrijven en klanten bevorderen. Vooral in de industriële B2B-sector zijn traceerbaarheid, veiligheid en aansprakelijkheid cruciale aankoopcriteria. Een leverancier die aantoonbare gegevensstromen, gecontroleerde vertegenwoordigingsrechten en verifieerbare resultaten kan leveren, heeft een concurrentievoordeel ten opzichte van technisch krachtige maar ondoorzichtige oplossingen.

Regulering wordt problematisch wanneer onzekerheid de besluitvorming vertraagt. Als bedrijven niet weten hoe ze een systeem moeten classificeren, welk bewijs vereist is of wie aansprakelijk is in geval van falen, stellen ze investeringen uit. Praktische richtlijnen, proefprojecten voor regelgeving en gestandaardiseerde procedures zijn daarom cruciaal. Met name kleinere bedrijven hebben behoefte aan begrijpelijke sjablonen in plaats van extra abstracte verplichtingen. Beleidsmakers moeten niet alleen grenzen stellen, maar ook de implementatiekosten verlagen.

Dit heeft duidelijke gevolgen voor het management: juridische zaken, gegevensbescherming, informatiebeveiliging en vertegenwoordigers van medewerkers moeten vanaf het begin bij projecten betrokken worden. Late evaluaties voorkomen vaak dat een technisch succesvol pilotproject productief kan worden ingezet. Vroege betrokkenheid betekent niet dat elk idee moet worden geblokkeerd. Het maakt risicoclassificatie mogelijk, waardoor niet-kritieke applicaties snel kunnen worden goedgekeurd en gevoelige applicaties specifiek kunnen worden beveiligd.

Digitale soevereiniteit bepaalt de onderhandelingsmacht

De Duitse en Europese economieën zijn sterk afhankelijk van niet-Europese aanbieders voor cloudinfrastructuur, softwareplatformen en toonaangevende AI-modellen. Bedrijven zijn zich steeds meer bewust van deze afhankelijkheid. In de informatietechnologiesector meldt meer dan 60 procent van de bedrijven een hoge mate van afhankelijkheid van ten minste één belangrijk technologiegebied; in de maakindustrie ligt dit percentage op bijna 50 procent. Wat betreft generatieve AI voelt meer dan een op de drie informatietechnologiebedrijven en ongeveer een op de vier industriële bedrijven zich sterk afhankelijk van niet-Europese aanbieders.

Deze afhankelijkheid is niet per se schadelijk. Wereldwijde platforms bieden krachtige modellen, hoge schaalbaarheid en snelle innovatie. Een algehele afwijzing zou de kosten verhogen en de technologische kloof mogelijk vergroten. De situatie wordt kritiek wanneer bedrijven geen realistische mogelijkheid hebben om over te stappen, hun data niet kunnen overzetten of kernprocessen koppelen aan eigen functionaliteiten. In dergelijke gevallen verschuift de onderhandelingsmacht naar de aanbieder en kunnen prijsveranderingen, geopolitieke conflicten of regelgevingsbeslissingen een directe impact hebben op hun eigen waardecreatie.

Een pragmatische soevereiniteitsstrategie berust daarom op technische en contractuele keuzes. Gegevens moeten beschikbaar zijn in beheersbare formaten, interfaces moeten zo open mogelijk zijn en de logica van de agenten moet gescheiden zijn van individuele modellen. Voor bijzonder gevoelige toepassingen kunnen Europese of zelfbeheerde oplossingen geschikt zijn, terwijl minder kritieke taken op wereldwijde platforms kunnen draaien. Cruciaal is een weloverwogen segmentatie op basis van risico en strategisch belang.

Op de lange termijn ligt de kans voor Europa niet alleen in het concurreren om het grootste basismodel. De sterke punten van Europa liggen in industriële data, gereguleerde toepassingen, technische expertise en betrouwbare integratie. Als Europese aanbieders op basis van deze middelen gespecialiseerde agentsystemen ontwikkelen voor productie, energie, mobiliteit, gezondheidszorg en administratie, kan er een onafhankelijke markt ontstaan. Dit vereist echter voldoende kapitaal, rekenkracht, overheidsaanbestedingen en snelle toegang tot industriële data. Soevereiniteit zal niet worden bereikt door politieke retoriek, maar door concurrerende aanbiedingen.

Van pilotproject naar meetbare werking

De weg naar een agentgebaseerde organisatie moet niet worden gezien als een grote technologische sprong of als een ongecoördineerde verzameling kleine experimenten. Wat nodig is, is een portfolio dat succesvolle leerervaringen op de korte termijn combineert met strategische transformatie. Bedrijven hebben een paar prioritaire processen nodig waarvan de economische waarde, data en risico's transparant zijn. Elk use case moet een verantwoordelijke afdeling hebben, een meetbaar startpunt en een duidelijk beëindigingscriterium.

De eerste stap is procesdiagnose. Waar ontstaan ​​lange wachttijden, frequente vragen, hoge foutkosten of onnodige voorraad? Welke beslissingen volgen terugkerende patronen? Welke informatie moet momenteel handmatig uit meerdere systemen worden verzameld? Alleen door deze vragen te beantwoorden, kan worden bepaald of een klassieke workflow, een taalmodel of een agent de juiste oplossing is. Niet elk probleem vereist AI. Op regels gebaseerde automatisering is vaak kosteneffectiever, stabieler en gemakkelijker te verifiëren.

Hierna volgt een beperkte, productieve implementatie in plaats van een eindeloos demonstratieproject. De agent krijgt een duidelijk omschreven takenpakket, realistische data en gecontroleerde machtigingen. De resultaten worden vergeleken met eerdere prestaties. De metingen omvatten niet alleen tijd en kosten, maar ook kwaliteit, uitzonderingen, gebruikersacceptatie en nieuwe risico's. Pas wanneer de effectiviteit in de praktijk is bevestigd, wordt het proces uitgebreid of naar andere gebieden overgezet.

Institutioneel leervermogen is cruciaal. Bedrijven hebben een centraal raamwerk nodig voor platforms, beveiliging, gegevenstoegang en regelgeving, terwijl tegelijkertijd de verantwoordelijkheid binnen individuele afdelingen gedecentraliseerd blijft. Een volledig gecentraliseerde AI-afdeling wordt een knelpunt als elke aanpassing via die afdeling moet lopen. Omgekeerd leiden volledig gedecentraliseerde experimenten tot schaduw-AI, dubbel werk en ongecontroleerde risico's. Een federatief model is succesvol: centrale standaarden en gedeelde infrastructuur, gecombineerd met deskundige ontwikkeling die nauw aansluit op het proces.

De economische hefboomwerking schuilt in de omvang van de economie

Voor de Duitse economie komt de AI-transformatie op een cruciaal moment. De groei is zwak, de beroepsbevolking vergrijst en de productiviteitsgroei is al jaren onvoldoende om de stijgende kosten en demografische uitdagingen ruimschoots te compenseren. Schattingen van de bijdrage van generatieve AI op de lange termijn lopen sterk uiteen, maar wijzen over het algemeen op positieve productiviteitseffecten. Daarom is het voor Duitsland niet alleen cruciaal of individuele technologiebedrijven succesvol zijn. Het gaat erom of het bedrijfsleven, het mkb, dienstverleners en de overheid de technologie effectief inzetten.

De wijdverspreide toepassing van AI kan het tekort aan geschoolde arbeidskrachten verlichten door bestaande werknemers meer taken te laten uitvoeren, kennis sneller beschikbaar te maken en administratieve taken te verminderen. Het kan ook de concurrentiepositie van energie- en arbeidsintensieve bedrijven versterken. De impact blijft echter beperkt als AI alleen bestaande kantoorwerkzaamheden versnelt. Een grotere impact wordt bereikt door een betere coördinatie van productieplanning, ontwikkeling, onderhoud, logistiek en goedkeuringsprocessen.

Tegelijkertijd zal de kloof tussen bedrijven groter worden. Pioniers plukken niet alleen de vruchten van efficiëntiewinsten op korte termijn, maar bouwen ook dataopslagplaatsen, integratie-expertise en organisatorische routines op. Deze capaciteiten versterken elkaar. Degenen die eerder productief opschalen, leren sneller en kunnen processen kosteneffectiever automatiseren. Achterblijvers zullen later niet alleen technologie moeten aanschaffen, maar ook een achterstand in opgebouwde ervaring moeten inhalen. Het huidige verschil in gebruik zou daardoor kunnen uitgroeien tot een permanente concurrentie- en winstkloof.

Beleidsmakers zouden diffusie daarom sterker moeten beschouwen als een infrastructuurtaak. Dit omvat hoogwaardige netwerken en datacenters, digitaal beheer, permanente educatie, toepassingsgericht onderzoek, toegang tot kapitaal en interoperabele dataomgevingen. Concurrentiemarkten zijn eveneens van groot belang. Als een paar platformen de modellen, cloudcomputing, interfaces en distributie beheersen, vloeit een groot deel van de toegevoegde waarde naar de infrastructuurbeheerders. Duitsland en Europa hoeven niet alles zelf te produceren, maar ze moeten wel voldoende binnenlandse expertise en concurrentie in stand houden om te voorkomen dat ze alle economische voordelen mislopen.

De kans om toe te slaan verdwijnt sneller dan verwacht

De Duitse economie heeft de eerste fase van de AI-implementatie succesvol doorlopen. De technologie is zichtbaar, geaccepteerd en in veel bedrijven in de praktijk getest. De volgende stap is complexer, omdat deze niet simpelweg kan worden bereikt door extra licenties aan te schaffen. Het vereist een herziening van processen, data en verantwoordelijkheden. Juist daarom zullen de beslissingen die nu worden genomen bepalen welke bedrijven AI zullen inzetten om een ​​duurzaam productiviteits- en groeivoordeel te behalen.

Het uitgangspunt is beter dan sommige doemscenario's doen vermoeden. Duitsland beschikt over een sterke industriële basis, een geschoolde beroepsbevolking, solide klantrelaties en waardevolle proceskennis. Tegelijkertijd is de achterstand in innovatie van bedrijfsmodellen en productieve schaalvergroting reëel. Wie tevreden is met hoge gebruikscijfers, verwart activiteit met vooruitgang. Een bedrijf kan duizenden AI-gebruikers hebben en toch nauwelijks extra winst genereren.

De redenering is daarom als volgt: Agentische AI ​​is geen kortstondige hype en ook geen automatische garantie voor welvaart. Het is een nieuwe vorm van organisatorische infrastructuur. De voordelen ervan ontstaan ​​wanneer bedrijven hun doelen verduidelijken, processen vereenvoudigen, data beheersbaar maken en menselijke controle intelligent verdelen. Dit is in de eerste plaats een managementtaak, ondersteund door technologie, wetgeving en personeelsontwikkeling.

De doorslaggevende concurrentie draait niet om het meest elegante model. Het gaat erom wie kennis kan omzetten in betrouwbare actie. Bedrijven die AI slechts integreren in bestaande processen zullen geïsoleerde verbeteringen zien. Bedrijven die hun processen herontwerpen rondom AI kunnen hun kostenstructuur, snelheid en marktpositie fundamenteel veranderen. Het probleem van Duitsland is daarom niet langer een gebrek aan aandacht. Het risico bestaat dat wijdverspreid enthousiasme leidt tot onvoldoende diepgaande innovatie. De kans is er nog, maar de leercurves van de pioniers zijn al in volle gang.

Konrad Wolfenstein

Ik sta graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen via wolfenstein∂xpert.digital of

U kunt me bellen op +49 7348 4088 965 .

LinkedIn