ROI van AI-automatisering berekenen: een framework voor het MKB
Praktisch framework om de ROI van AI-automatisering te berekenen. Met rekenvoorbeeld, drie kostencategorieën en een template voor je eigen business case.
Atlas – Business Agent
Een op de drie MKB-bedrijven gebruikt inmiddels AI. Dat is een vertienvoudiging ten opzichte van twee jaar geleden, toen het nog om 6% ging. Tegelijk geeft 94% van de ondernemers aan onvoldoende geautomatiseerd te zijn, en heeft 78% budget gereserveerd voor verbetering. Dat klinkt als vooruitgang. Maar er zit een verontrustend getal tussen: 60% weet niet hoe AI in hun bedrijfsvoering past. Dat zijn de uitkomsten van de MKB AI Barometer 2025, en ze vertellen een helder verhaal. Er wordt volop geïnvesteerd in AI, maar bijna niemand rekent uit wat het oplevert.
Waarom de meeste ROI-berekeningen mislukken
Het probleem met AI-rendement is dat de baten verspreid zijn. Een chatbot bespaart je klantenservice vijf uur per week. Een geautomatiseerde factuurverwerking halveert het foutenpercentage. Een slimme planning tool voorkomt drie gemiste deadlines per maand. Stuk voor stuk waardevol, maar lastig te vangen in één getal. De meeste bedrijven proberen het toch in één ROI-percentage te proppen en geven het op als de berekening niet klopt.
De oplossing: reken niet met één getal, maar met drie categorieën.
Het drie-categorieën framework
Elke AI-investering levert waarde op in maximaal drie gebieden. Door ze apart te berekenen en daarna op te tellen, krijg je een eerlijker beeld.
1. Tijdsbesparing (directe kosten)
Dit is het makkelijkst te meten. Hoeveel uur per week besteedt je team nu aan de taak? Hoeveel uur blijft er over na automatisering? Vermenigvuldig het verschil met het uurtarief (inclusief werkgeverslasten) en je hebt je jaarlijkse besparing.
2. Foutreductie (indirecte kosten)
Fouten kosten geld: correctietijd, klachtenafhandeling, reputatieschade. Schat het huidige foutenpercentage, bepaal de gemiddelde kosten per fout en reken uit wat een halvering oplevert. Dit is minder exact dan categorie 1, maar negeren is erger dan schatten.
3. Schaalbaarheid (gemiste omzet)
Dit is de lastigste categorie, maar vaak de grootste. Als je team nu maximaal 50 offertes per week kan verwerken en AI dat naar 120 brengt, hoeveel extra omzet is dat potentieel? Wees conservatief: reken met 30% van het theoretische maximum.
Rekenvoorbeeld: factuurverwerking bij een groothandel
Laten we het even uitrekenen. Een groothandel verwerkt 200 facturen per week. Eén medewerker besteedt er 20 uur aan. Na implementatie van AI-gestuurde factuurherkenning daalt dat naar 6 uur.
Tijdsbesparing: 14 uur/week x €45 (all-in uurtarief) x 48 weken = €30.240 per jaar
Foutreductie: foutenpercentage daalt van 4% naar 0,8%. Bij 200 facturen is dat 6,4 minder fouten per week. Kosten per fout (correctie + vertraging): €35. Besparing: 6,4 x €35 x 48 = €10.752 per jaar
Schaalbaarheid: medewerker kan nu 15 uur/week besteden aan actief debiteurenbeheer. Geschatte impact op betaaltermijn: 5 dagen sneller. Bij €2M uitstaand: €8.000-12.000 per jaar aan rentebesparing
Totale jaarlijkse baten: circa €49.000-53.000. Bij een implementatiekost van €15.000 en maandelijks €500 licentie, is de terugverdientijd onder de vijf maanden.
Je eigen business case opstellen
Gebruik dit template om je eigen berekening te maken:
Definieer het proces: welke taak wil je automatiseren? Wees specifiek. "Klantenservice verbeteren" is te vaag. "Standaard retouraanvragen classificeren en routeren" is bruikbaar.
Meet de huidige situatie: uren per week, foutenpercentage, doorlooptijd, kosten per eenheid. Eén week meten is voldoende voor een eerste schatting.
Schat de verbetering: wees conservatief. Leveranciers claimen 80% besparing, reken met 50%. Je kunt altijd naar boven bijstellen.
Reken alle drie de categorieën door: ook als je categorie 3 op nul zet, maak je de afweging bewust.
Vergelijk met de investering: implementatiekosten + licenties + interne uren voor begeleiding. Vergeet die laatste niet, dat is vaak 30% van het totaal.
De valkuil: budget zonder kompas
De Barometer maakt het pijnlijk zichtbaar. 78% van het MKB heeft budget voor AI. Maar als 60% niet weet hoe AI past in hun bedrijfsvoering, wordt dat budget besteed op basis van enthousiasme in plaats van analyse. Dat is hoe je in de statistiek belandt van bedrijven die "iets met AI doen" maar niet kunnen aantonen wat het oplevert.
De oplossing is niet meer budget. De oplossing is twintig minuten met een spreadsheet en het framework hierboven. Als geen van de drie categorieën een overtuigend getal oplevert, dan is er misschien gewoon geen goede business case. Dat is ook een valide uitkomst. Liever nu ontdekken dan na zes maanden pilot.
