In maatwerksoftware werkt AI vandaag betrouwbaar bij afgebakende taken met tekst: documenten uitlezen, berichten classificeren, dossiers samenvatten en zoeken in je eigen kennis. Volledig zelfstandige agents en beslissingen zonder menselijke controle vallen nog tegen. Op die grens scheiden AI hype en realiteit zich.
De cijfers bevestigen dat beeld. Het gebruik van AI groeit snel, en het meeste gebruik zit in tekstwerk. Tegelijk ziet slechts een klein deel van de organisaties het terug in het bedrijfsresultaat, en worden veel projecten met zelfstandige agents stilgelegd voordat ze iets opleveren.
Hieronder lees je welke toepassingen in bedrijfssoftware aantoonbaar werken, waar het nog wringt, hoe je hype herkent en welke vragen je een leverancier stelt. We bouwen al ruim dertig jaar maatwerksoftware. Die praktijk is ons uitgangspunt, met onafhankelijk onderzoek als onderbouwing.
Wat de cijfers zeggen over AI hype en gebruik
Het gebruik van AI in Nederlandse bedrijven is in korte tijd verdubbeld. Volgens het CBS gebruikte in 2025 één op de zes bedrijven, 17%, een of meer vormen van AI. Twee jaar eerder was dat de helft. Bij bedrijven met 50 tot 250 werkzame personen steeg het aandeel van 20% in 2023 naar 45% in 2025.
In de rest van Europa zie je dezelfde lijn. Eurostat meldt dat 20,0% van de Europese bedrijven met tien of meer werknemers in 2025 AI gebruikte, tegen 13,5% een jaar eerder.
Opvallend is waarvoor bedrijven het gebruiken. Textmining, het analyseren van geschreven tekst, is zowel in Nederland als in de EU de meest gebruikte vorm van AI: 12% van de Nederlandse bedrijven en 11,8% van de Europese. Het werk dat AI in de praktijk doet, is dus vooral lezen, sorteren en samenvatten.
Het rendement blijft achter bij het gebruik. In de State of AI 2026 van McKinsey, gepubliceerd in augustus 2026, schrijft 37% van de respondenten enig effect op het bedrijfsresultaat (EBIT) toe aan AI, even veel als een jaar eerder. Slechts 6% haalt meer dan 5% van het bedrijfsresultaat uit AI. Acht op de tien respondenten zeggen wel dat AI hun eigen productiviteit verbetert. Individuele winst vertaalt zich dus nog maar zelden in resultaat voor de organisatie.
Wat in maatwerksoftware nu betrouwbaar werkt
De toepassingen die in bedrijfssoftware aantoonbaar werken, hebben een paar dingen gemeen. De taak is afgebakend, de uitkomst is te controleren en een fout is goedkoop te herstellen. Deze vier vallen daar in de praktijk onder:
- Documenten uitlezen. Facturen, orderbevestigingen, inspectierapporten en aanvraagformulieren gaan erin, gestructureerde velden komen eruit. Het werkt het best bij terugkerende soorten documenten, met een controle in de software: klopt het totaal, bestaat de leverancier, past het ordernummer.
- Classificeren en doorsturen. Inkomende mail, tickets en meldingen krijgen een categorie en een prioriteit en komen bij het juiste team. Een verkeerde indeling valt snel op en kost weinig.
- Samenvatten. Lange dossiers, gespreksverslagen en logboeken worden een korte samenvatting, waarna een medewerker beslist. De samenvatting versnelt het lezen en vervangt het oordeel niet.
- Zoeken in eigen kennis. Handleidingen, procedures en eerdere oplossingen worden doorzoekbaar in gewone taal, met een verwijzing naar de bron bij elk antwoord. Die bronverwijzing maakt het antwoord controleerbaar.
Het taalmodel is in al deze gevallen één onderdeel van een groter proces. De waarde ontstaat pas als de uitkomst netjes in je ERP, CRM of zaaksysteem landt, met foutafhandeling en een wachtrij voor gevallen die twijfel oproepen. Dat is gewoon systeemintegratie, en daar gaat in een goed project met AI het meeste werk in zitten.
Wat nog tegenvalt of veel toezicht vraagt
AI agents zijn systemen die zelfstandig een reeks stappen uitvoeren: informatie opzoeken, een systeem bedienen, een actie afronden. Ze worden snel beter. Volgens de AI Index 2026 van Stanford steeg het slagingspercentage op OSWorld, een test met echte computertaken, van ongeveer 12% naar ongeveer 66%. Diezelfde agents mislukken nog altijd bij ruwweg één op de drie pogingen. In een bedrijfsproces met meerdere stappen stapelen die fouten zich op.
Onderzoeksbureau Gartner verwacht dat meer dan 40% van de projecten met agents eind 2027 is stopgezet. De redenen: oplopende kosten, onduidelijke zakelijke waarde en onvoldoende beheersing van risico's. Gartner schat ook dat van de duizenden aanbieders die agents verkopen er ongeveer 130 echte agentfunctionaliteit leveren. De rest plakt het label op bestaande chatbots en automatisering, wat Gartner "agent washing" noemt.
Daarnaast zijn er drie plekken waar AI zonder toezicht nog steeds tegenvalt:
- Beslissingen met gevolgen. Een aanvraag afwijzen, een bestelling plaatsen of een klant een toezegging doen. Een taalmodel klinkt even overtuigend wanneer het ernaast zit.
- Exacte bedrijfsregels. Kortingen, tarieven, termijnen en berekeningen horen in gewone code. Een taalmodel geeft niet elke keer hetzelfde antwoord op dezelfde vraag.
- Data van wisselende kwaliteit. Ontbrekende velden, oude documenten en tegenstrijdige bronnen komen ongefilterd terug in de antwoorden.
AI hype en realiteit naast elkaar
Veel beloftes klinken groter dan wat er vandaag betrouwbaar draait. Deze tabel zet de gangbare beloftes naast wat in maatwerksoftware nu werkt en wat de mens blijft doen.
| Belofte | Wat vandaag betrouwbaar werkt | Wat de mens blijft doen |
|---|---|---|
| AI verwerkt al je facturen | Velden uitlezen en een boeking voorstellen, met controle op totalen | Afwijkingen beoordelen en goedkeuren |
| De chatbot kent je hele bedrijf | Zoeken in vastgestelde documenten, met bronvermelding | Bronnen actueel houden en antwoorden steekproefsgewijs nalopen |
| Een agent regelt je inkoop | Een conceptbestelling klaarzetten op basis van voorraad en historie | De bestelling bevestigen |
| AI beslist over aanvragen | Aanvragen sorteren, samenvatten en ontbrekende stukken signaleren | Het besluit nemen en motiveren |
Het patroon is steeds hetzelfde. AI neemt het lezen en voorbereiden over, de mens houdt de beslissing. Daar zit de tijdwinst, en daar blijft de fout beheersbaar.
Zo herken je AI hype
Hype is meestal te herkennen aan wat er ontbreekt in het verhaal. Let op deze signalen:
- Er is een indrukwekkende demo en geen meting op jouw eigen documenten of gegevens.
- Niemand kan zeggen hoe vaak het systeem ernaast zit.
- Het woord agent staat op iets dat in de praktijk een chatbot of een vaste workflow is.
- Het verhaal gaat over het model en zwijgt over het proces, de koppelingen en de data.
- De belofte is volledige automatisering, zonder beoordelingsstap voor twijfelgevallen.
- Er is geen antwoord op de vraag wat een verwerking kost zodra het volume groeit.
Eén signaal is geen reden om af te haken. Drie of meer tegelijk betekent meestal dat je naar een experiment kijkt in plaats van naar een product.
Vragen om aan een leverancier te stellen
Met deze zes vragen haal je snel boven water of een voorstel op bewijs rust:
- Op welke van onze eigen documenten of gegevens is dit getest, en met welke uitkomst?
- Hoe vaak zit het systeem ernaast, en hoe merken we dat in het proces?
- Waar zit de menselijke controle, en wat ziet de beoordelaar op het scherm?
- Hoe wordt vastgelegd wat het model voorstelde en wat de medewerker besliste?
- Wat gebeurt er als het model niet beschikbaar is of een nieuwe versie krijgt?
- Hoe sluit de oplossing aan op onze bestaande systemen, en wie onderhoudt die koppeling?
Een goede leverancier beantwoordt deze vragen met cijfers uit een eerdere meting of stelt voor om die meting samen te doen. Meer algemene vragen voor de keuze van een partner staan in ons artikel over hoe je een softwarebedrijf kiest.
Hoe wij AI inbouwen: met mensen dichtbij
Onze visie is eenvoudig: AI werkt het best wanneer mensen er dichtbij blijven. We zetten het in waar het aantoonbaar zakelijke waarde oplevert, in een proces dat je al kent en kunt meten. Zo pakken we dat aan binnen data en AI:
- Kies één proces met veel leeswerk. Denk aan binnenkomende documenten of meldingen, met een duidelijke eigenaar.
- Meet vooraf. Hoeveel stuks per week, hoeveel tijd per stuk, hoeveel fouten. Zonder nulmeting is er achteraf niets te bewijzen.
- Bouw een testset met echte voorbeelden. Daarop meet je elke versie van het model, net als bij gewone software.
- Ontwerp de beoordelingsstap. De medewerker ziet het voorstel, de bron en de twijfelgevallen, en beslist.
- Bouw het in je eigen software. Via koppelingen met de systemen die er al zijn, zodat het werk in je bestaande proces blijft.
Dit is hetzelfde vakwerk als elke andere maatwerksoftware: heldere eisen, testen en onderhoud. Isatis heeft 30+ jaar ervaring, 30+ engineers in Nijmegen en Sarajevo en 100+ projecten achter de rug, en is ISO 9001 en ISO 27001 gecertificeerd. Onze cases lopen van onderhoudssoftware (MRO) voor de luchtvaart tot een platform voor subsidieadministratie en RFID in de supply chain. Plan een gesprek en we bekijken samen welk proces zich bij jou leent voor een eerste stap met AI.
Veelgestelde vragen
Wat is AI hype?
AI hype is de kloof tussen wat over AI beloofd wordt en wat het in de praktijk betrouwbaar doet. Die kloof is het grootst bij volledig zelfstandige agents en beslissingen zonder controle. Bij afgebakend tekstwerk, zoals documenten uitlezen en samenvatten, is de kloof klein.
Welke toepassingen van AI werken nu betrouwbaar in bedrijfssoftware?
Documenten uitlezen, berichten classificeren en doorsturen, dossiers samenvatten en zoeken in eigen kennis met bronvermelding. Ze werken omdat de taak afgebakend is, de uitkomst te controleren valt en een medewerker de beslissing houdt.
Zijn AI agents klaar voor zelfstandig gebruik in bedrijfsprocessen?
Voor de meeste processen nog niet. Agents worden snel beter, maar mislukken volgens de Stanford AI Index 2026 nog bij ongeveer één op de drie computertaken. Gartner verwacht dat meer dan 40% van de agentprojecten eind 2027 is stopgezet. Een agent die voorbereidt en een mens die bevestigt, werkt vandaag wel.
Hoe begin je met AI in maatwerksoftware zonder in de hype te trappen?
Begin met één proces met veel leeswerk en een duidelijke eigenaar. Meet vooraf hoeveel tijd en fouten het kost, bouw een testset met echte voorbeelden en ontwerp een beoordelingsstap voor de medewerker. Breid pas uit als de meting laat zien dat het werkt.
