Pleidooi voor saaie AI

Niemand deelt op LinkedIn dat zijn btw-bonnetjes zichzelf boeken. Er bestaat geen keynote over een orderbevestiging die elke keer gewoon klopt. En toch is dát de automatisering die deze maand geld opleverde, terwijl de spectaculaire demo van vorig kwartaal alweer stil in een la ligt.

Wij zetten het al een tijd op onze homepage: hype scoort op LinkedIn, saai werkt op kantoor. Meestal is zo'n zin merkpraat. Dit stuk is het bewijsmateriaal erbij, want er is iets opvallends aan de hand: de markt zelf begint stilletjes onze kant op te bewegen.

In het kort

• "Saai" is in automatisering geen gebrek aan ambitie. Het betekent: voorspelbaar, uitlegbaar, elke keer hetzelfde. Precies de eigenschappen die geld opleveren.
• De ontnuchtering is gemeten: onder bedrijven die in generatieve AI investeerden, zag 46% op geen enkele bedrijfsdoelstelling sterke positieve impact (S&P Global).
• De gerapporteerde impact daalt zelfs jaar op jaar (omzetgroei van 81% naar 76%), en de onderzoekers zien de faalkans oplopen naarmate het tempo omhoog gaat.
• Dit is geen anti-AI-verhaal. Het is een pleidooi voor het saaiste gereedschap dat het probleem oplost, met AI precies dáár waar begrip nodig is.
• De beste automatisering is degene die je vergeet.

Wat "saai" betekent, en waarom het een compliment is

Laten we het woord eerst terugveroveren, want in tech-land is saai een scheldwoord en dat is precies het probleem.

Saai betekent in automatisering: het doet elke keer hetzelfde. Je weet wat erin gaat, je weet wat eruit komt, en als er iets geks binnenkomt stopt het netjes in plaats van iets creatiefs te proberen. Saai betekent dat je op maandagochtend niet hoeft te controleren of het weekend goed is gegaan. Saai betekent dat je het aan een nieuwe collega kunt uitleggen in twee zinnen.

Er is een simpele toets voor: de beste automatisering is degene die je vergeet. Het lijstje dat elke vrijdagmiddag klaarstaat zonder dat iemand er nog aan denkt, is een geslaagd project. De AI-pilot waar iedereen het nog steeds over heeft, is dat meestal niet; over dingen die werken práát je niet.

En hier wringt het met de hype-cyclus. LinkedIn, congressen en verkooppresentaties belonen het omgekeerde van saai: nieuw, spectaculair, deelbaar. Dus stroomt de aandacht naar wat goed presenteert, en niet naar wat goed draait. Dat is geen complot; het is gewoon hoe aandacht werkt. Maar het verklaart waarom zoveel bedrijven een indrukwekkende proef hebben gedaan en zo weinig bedrijven een saaie flow hebben die al twee jaar stilletjes uren bespaart.

Er zit een paradox in die je moet zien: hoe beter automatisering werkt, hoe minder verhalen hij oplevert. De flow die nooit hapert, haalt nooit de nieuwsbrief. Dus alles wat je over automatisering hóórt, gaat over de uitschieters: de spectaculaire belofte of de spectaculaire mislukking. Het brede midden, waar het werk gewoon gedaan wordt, is per definitie onhoorbaar. Reken je rijk aan wat je hoort, dan kijk je dus structureel naar de verkeerde voorbeelden.

De markt komt terug van de magie

Het interessante van dit moment: dit is niet langer alleen ons standpunt. De cijfers van de ontnuchtering worden inmiddels gewoon gemeten.

S&P Global's onderzoekstak 451 Research peilt jaarlijks hoe de investeringen in generatieve AI uitpakken, en de editie van eind 2025 is opmerkelijk nuchter. Onder organisaties die in generatieve AI investeerden, rapporteerde 46% dat geen énkele bedrijfsdoelstelling er sterke positieve impact van ondervond; slechts 19% zag sterke impact op de meerderheid van de zeven gemeten doelstellingen (denk aan operationele efficiëntie, omzetgroei, kostenbeheersing). En het aandeel bedrijven dat positieve impact meldt, dáálde jaar op jaar: op omzetgroei van 81% naar 76%, op kostenbeheersing van 79% naar 74%, op risicobeheer van 74% naar 70%. Opmerkelijk, schrijven de onderzoekers zelf, want iedereen verwachtte dat de resultaten juist beter zouden worden naarmate de techniek volwassener werd. Kanttekening die erbij hoort: dit onderzoek gaat over grotere organisaties, niet specifiek over het MKB.

En de onderzoekers zien ook wáár het schuurt: de faalpercentages van generatieve-AI-projecten lopen juist op nu organisaties ze in hoog tempo proberen uit te rollen. Haast, met andere woorden. Het patroon dat wij uit de praktijk kennen als "we moeten iets met AI", vertaald naar een projectenlijst.

Lees die cijfers samen en je ziet geen AI-winter. Je ziet een markt die van de verkeerde vraag ("wat kan het allemaal?") naar de goede vraag beweegt ("waar kan ik erop rekenen?"). De kater is niet van de AI; de kater is van AI op de verkeerde plek, in een te hoog tempo. En op de vraag "waar kan ik erop rekenen" is het antwoord al decennia hetzelfde: op afspraken. Op regels. Op saai.

Wanneer je wél magie nodig hebt

Voor de duidelijkheid, want dit is geen anti-AI-stuk: er zijn taken waar regels stuklopen en een taalmodel precies goed is.

Vrije tekst begrijpen. Een klantvraag die elke keer anders geformuleerd is. Documenten met wisselende opmaak. Een gesprek voeren. Overal waar de invoer per geval verschilt en er iets begrepen moet worden, wint AI het van elke regel die je kunt verzinnen. Dat verschil, een vast script tegenover een systeem dat zelf leest en kiest, hebben we eerder uitgewerkt in AI agent vs chatbot.

De kunst zit in de verhouding. In de systemen die bij ons het langst en het best draaien, is de opbouw bijna altijd hetzelfde: een saaie, voorspelbare flow als ruggengraat, met een AI-stap precies op de plek waar iets gelezen of begrepen moet worden, en een mens op de plek waar het oordeel telt. De regel bepaalt de route, de AI leest de brief, de mens keurt de uitzondering. Niet andersom.

Andersom is namelijk het recept dat we steeds zien mislukken: AI als ruggengraat, die zelf mag beslissen wat er gebeurt, met regels als noodverband eromheen. Dan heb je iets gebouwd dat negen van de tien keer briljant is, en die tiende keer moet jij uitleggen aan je klant wat er gebeurd is.

Hoe de saaie stapel eruitziet

Concreet dan. Wat is dat, saaie automatisering met AI op de juiste plek?

Het bonnetje dat binnenkomt, wordt gelezen door een AI-stap (want elke leverancier heeft een andere opmaak), maar wat er daarná gebeurt is een vaste route: bedrag klopt met de order, dan boeken; klopt het niet, dan naar een mens. De offerteaanvraag die binnenkomt, wordt door AI samengevat en verrijkt, maar de opvolging staat vast: in het systeem, seintje naar sales, herinnering na drie dagen. De wekelijkse cijfers worden opgehaald en samengevoegd volgens regels die nooit veranderen, en de AI schrijft er hooguit de leesbare samenvatting boven.

Zie het patroon: de AI doet in elke flow het kleine stukje waar begrip nodig is. De rest is loodgieterswerk, en loodgieterswerk hoort saai te zijn. Niemand wil een creatieve waterleiding.

Wat je níét in dit rijtje ziet: een systeem dat "gewoon alles regelt". Dat bestaat niet, en wie het je verkoopt, verkoopt de demo en niet de maandagochtend. Alles wat wij zo bouwen draait bovendien op je eigen accounts; als wij morgen weg zijn, draait je saaie stapel gewoon door. Ook dat is een vorm van saai waar we trots op zijn.

Saai is moeilijker dan het klinkt

Nog één misverstand uit de weg: saai bouwen is niet de makkelijke route. Het is de moeilijke.

Iets spectaculairs maken dat één keer werkt, is tegenwoordig verrassend eenvoudig; dat is precies waarom demo's zo goed zijn geworden. Iets saais maken dat twee jaar draait, is het omgekeerde. Dan moet je vooraf bedacht hebben wat er gebeurt bij het bonnetje zonder bedrag, de klant die twee keer op verzenden drukt, de collega die het formulier nét anders invult. Saai aan de buitenkant betekent dat al het spannende werk aan de binnenkant al gedaan is.

Daarom is "het is maar een simpel flowtje" ook zo'n misleidend zinnetje. De flow ís simpel, aan de oppervlakte. De vakkennis zit in alles wat je niet ziet: de uitzonderingen die zijn afgevangen, de stop die erin zit voor als iets niet klopt, de melding die naar de juiste persoon gaat. Vergelijk het met een goede verzekeringspolis: het product is een saai stuk papier, het vakwerk zit in alles wat erin is voorzien.

Wie je dus vertelt dat betrouwbaar en saai vanzelf komen als de techniek maar goed genoeg is, heeft het werk nog nooit gedaan. Betrouwbaar is geen eigenschap van de techniek; het is een eigenschap van hoe zorgvuldig hij is ingebouwd.

Waarom wij saai bouwen

Er staat op onze homepage nog een zin naast die over LinkedIn: niet hip en trendy, wel simpel en effectief. Dat is geen bescheidenheid; het is een keuze waar we steeds zekerder van worden nu de cijfers dezelfde kant op wijzen.

Saai bouwen betekent bij ons: beginnen met een audit in plaats van een demo, het saaiste gereedschap kiezen dat het probleem oplost, AI inzetten waar hij aantoonbaar wint, en opleveren wat je kunt vergeten omdat het gewoon draait. De bedrijven waar dat staat, praten zelden over AI. Ze hebben het te druk met het werk dat er wél toe doet, en dat was precies de bedoeling.

Dus nee, niet hip en trendy. Wel het ding dat zichzelf doet, elke week weer. Daar tekenen wij voor, met naam en toenaam.

Veelgestelde vragen

Is regel-gebaseerde automatisering niet ouderwets?

Het is de soort die nooit is weggeweest: in vrijwel elk bedrijf draait het betrouwbare werk op afspraken en regels, ook waar "AI" op de doos staat. Ouderwets en achterhaald zijn twee verschillende dingen; een deurslot is ook ouderwets.

Missen we de boot niet als we niet vol op AI inzetten?

Je mist de boot door AI op de verkeerde plek in te zetten en er na een teleurstellende proef helemaal mee te stoppen. De bedrijven die er wél iets aan verdienen, zijn zelden de bedrijven met de meeste AI; het zijn de bedrijven waar AI op de juiste plek in een voorspelbaar proces zit.

Wanneer is AI wél de juiste keuze?

Zodra de invoer per geval verschilt en er iets begrepen moet worden: vrije tekst, wisselende documenten, gesprekken. Voor alles wat elke keer hetzelfde is, wil je geen systeem dat kán afwijken; dan wil je een regel.

Waarom heet het dan een AI-bureau, als jullie zo van regels houden?

Omdat de AI-stap vaak wél het verschil maakt tussen "dit kon vroeger niet" en "dit draait nu vanzelf": het lezen van vrije tekst, het begrijpen van wisselende documenten. Zonder die stap bleef veel van dit werk mensenwerk. Maar de stap is een onderdeel, niet het bouwwerk; wij verkopen geen AI, wij verkopen werk dat af is.

Hoe weet ik welk deel van mijn proces "saai" kan?

Loop je week eens door en markeer wat je vaker dan één keer op dezelfde manier hebt gedaan; dat deel kan op regels. Het deel waar je per geval moest lezen of nadenken, is de kandidaat voor een AI-stap of voor een mens. Dat is in het klein wat wij in een audit doen, en die begint dus nooit bij de techniek.

Tot slot

Saai is in dit vak geen gebrek aan ambitie; het is de hoogste vorm ervan. Iedereen kan iets spectaculairs laten zien dat één keer werkt. Iets bouwen dat zó betrouwbaar is dat je het vergeet, dat is het moeilijke werk.

De markt is bezig dat te herontdekken: de gerapporteerde impact van generatieve AI daalt, de faalkans stijgt met het tempo mee, en de winnende opbouw is een saaie ruggengraat met AI precies waar begrip nodig is. Wij bouwden al zo voordat de cijfers het zeiden, en we gaan ermee door nu ze het zeggen.

Benieuwd wat er in jouw week op regels kan, en waar één slimme AI-stap het verschil maakt? Plan een gesprek; we starten met een audit en beloven je er niks spectaculairs bij. Dat is het punt.

Bronnen

• S&P Global Market Intelligence / 451 Research, "Generative AI shows rapid growth but yields mixed results" (27 oktober 2025), https://www.spglobal.com/market-intelligence/en/news-insights/research/2025/10/generative-ai-shows-rapid-growth-but-yields-mixed-results · 46% van genAI-investeerders zag op geen enkele doelstelling sterke positieve impact (19% op de meerderheid van zeven); positieve-impact-rapportage daalde YoY (omzetgroei 81%→76%, kosten 79%→74%, risico 74%→70%); faalpercentages lopen op nu organisaties in hoog tempo uitrollen. NB: hetzelfde onderzoek bevat óók een ánder 46%-cijfer (het aandeel proefprojecten dat tussen proef en brede adoptie wordt geschrapt); dat cijfer citeerden we in ons stuk over zelf doen, aannemen of uitbesteden. Twee verschillende metingen uit één rapport.
• 451 Research reprint (AMD-gehost), "Generative AI experiences rapid adoption, but with mixed outcomes", https://www.amd.com/content/dam/amd/en/documents/solutions/data-center/insights/generative-ai-rapid-adoption-mixed-outcomes-vanguard-report.pdf · zelfde onderzoek; alle in dit stuk gebruikte cijfers zijn tegen deze reprint-tekst gelegd (30 juli 2026).