Meer output met hetzelfde team: wat AI agents daadwerkelijk aan marge opleveren

In het kort (TL;DR):

• Een AI agent is software die zelfstandig een taak uitvoert, zoals een factuur controleren en inboeken, in plaats van alleen een vraag te beantwoorden zoals een chatbot dat doet.

• 29,8% van het Nederlandse MKB (10-249 fte) gebruikte in 2025 AI-technologie, bij bedrijven van 50-250 fte lag dat aandeel aanzienlijk hoger (CBS, 2026).

• Bijna 70% van het MKB wereldwijd zit nog in een vroege, experimentele fase van AI volwassenheid, vooral door een ontbrekend datafundament, niet door gebrek aan ambitie (SAS, 2026).

• Voor veel MKB bedrijven is digitalisering en procesautomatisering daarom een logischere volgende stap dan de AI agent, die pas op een solide fundament betrouwbaar functioneert.

• Onderzoek van de Federal Reserve Bank of St. Louis laat een voorzichtig positief beeld zien: gebruikers van generatieve AI bespaarden gemiddeld 5,4% van hun werkuren, zo'n 2,2 uur per week (Bick, Blandin & Deming, 2025).

• Let op, deze cijfers meten niet hetzelfde: vroege adopters van generatieve AI (breed, dus niet per se met autonome agents) rapporteerden gemiddeld 15,8% omzetstijging, 15,2% kostenbesparing en 22,6% productiviteitsverbetering (Gartner, 2024), terwijl Gartner tegelijk voorspelt dat meer dan 40% van de specifieke AI-agent-projecten voor eind 2027 wordt stopgezet, niet door de techniek maar door een onduidelijk doel en gebrekkige sturing vooraf (Gartner, 2025).
  

U heeft de orders. U heeft de omzet. Alleen uw team groeit niet zo snel mee als uw omzet vraagt. Elke nieuwe klant brengt een vaste hoeveelheid extra administratie mee: facturen controleren, offertes opvolgen, rapportages samenstellen, data overtypen tussen systemen. Dat werk schaalt niet mee met slimmere processen. Het schaalt mee met extra hoofden, en die zijn duur en schaars.

Er wordt op dit moment veel gesproken over AI agents als oplossing hiervoor, vaak zonder dat helder is wat daar precies mee wordt bedoeld. Dit artikel legt eerst uit wat een AI agent concreet is, en laat vervolgens zien wat de harde cijfers zeggen over wat het daadwerkelijk oplevert, én waar het misgaat.

Van chatbot naar uitvoerder: wat is een AI agent eigenlijk?

Het simpelste onderscheid: een chatbot beantwoordt een vraag. Een AI agent voert een taak uit.

Stel, er komt een factuur van een leverancier binnen. Bij een chatbot moet u zelf vragen: "klopt deze factuur met de inkooporder?" Een AI agent doet dat ongevraagd: hij herkent de nieuwe factuur, vergelijkt bedragen en artikelen met de inkooporder in uw systeem, en boekt hem zelf in als alles klopt. Klopt het niet, dan zet hij de factuur apart voor een medewerker. Niemand hoeft op "verzenden" te klikken. De software neemt zelf initiatief, binnen grenzen die u vooraf instelt, bijvoorbeeld: zelfstandig boeken tot 500 euro, daarboven altijd eerst naar een mens.

Dat "zelfstandig handelen binnen vooraf ingestelde grenzen" is de kern. Het maakt AI agents interessant voor precies het werk dat nu op uw backoffice landt: repetitief, regelgebaseerd, maar met te veel uitzonderingen voor een simpele automatische koppeling. In dit artikel gebruiken wij de term "AI agent"; in onderzoek komt u ook de Engelse term "agentic AI" tegen, hetzelfde begrip.

De adoptiecijfers laten zien dat het Nederlandse MKB deze verschuiving voorzichtig omarmt. In 2025 gebruikte 29,8% van de bedrijven met 10 tot 249 medewerkers een of meer AI technologieën, tegenover 13,8% bij de allerkleinste bedrijven, al is dat laatste aandeel sinds 2023 wel verdubbeld (CBS, 2026). De belangrijkste reden om AI niet te gebruiken is niet prijs of wantrouwen, maar gebrek aan ervaring: 71% van de bedrijven die AI overwogen maar niet invoerden, noemt dat als voornaamste drempel (Accountancy Vanmorgen, 2026). Dat sluit direct aan bij een patroon dat wij vaker beschrijven: de automatiseringskramp in het MKB zit zelden in onwil, maar in niet weten waar te beginnen. Bij bedrijven die AI al wél gebruiken, staat de inzet voor administratieve processen op een van de eerste plekken, naast marketing en verkoop (Accountancy Vanmorgen, 2026).

[Bekijk hoe onze no-code oplossingen uw systemen weer wendbaar maken.]

Wat AI agents daadwerkelijk opleveren: de cijfers

Er circuleren tientallen "productiviteitsstatistieken" over AI agents online, met tijdwinstcijfers tussen de twee en zeven uur per week, vaak toegeschreven aan grote onderzoeksbureaus maar zonder herleidbare bron. Wij nemen bewust alleen cijfers mee die tot een controleerbare, oorspronkelijke publicatie te herleiden zijn.

Het meest solide cijfer komt van de Federal Reserve Bank of St. Louis: onderzoekers Bick, Blandin en Deming vonden dat gebruikers van generatieve AI gemiddeld 5,4% van hun werkuren bespaarden, omgerekend zo'n 2,2 uur per week (Bick, Blandin & Deming, 2025). Geen doorbraakcijfer, maar wel een cijfer waarvan de herkomst klopt. Kanttekening van de onderzoekers zelf: bespaarde tijd vertaalt zich niet automatisch naar meetbare productiviteit, tenzij een organisatie er bewust op stuurt.

Voor het financiële plaatje onderzocht Gartner vroege adopters van generatieve AI: gemiddeld 15,8% omzetstijging, 15,2% kostenbesparing en 22,6% productiviteitsverbetering (Gartner, 2024). Belangrijke kanttekening: dit gaat over generatieve AI breed, niet specifiek over AI agents, terwijl dit cijfer online regelmatig ten onrechte als agent specifiek wordt aangehaald. Het toont vooral het potentieel van AI volwassenheid in een organisatie, geen gegarandeerd agent resultaat.

Een kritische noot: de meeste agentic AI projecten leveren niets op

De belofte van AI agents is reëel, maar het risico op mislukking is dat evenzeer. Gartner voorspelt dat meer dan 40% van de AI agent-projecten voor eind 2027 wordt stopgezet (Gartner, 2025). De oorzaak ligt vrijwel nooit bij de technologie zelf, maar bij escalerende kosten, onduidelijke bedrijfswaarde of ontbrekende risicobeheersing: bedrijven weten vooraf niet goed genoeg wat de agent moet doen en wat het mag kosten. Gartner-analist Anushree Verma noemt de meeste huidige projecten "vroege experimenten die vooral door hype worden gedreven, en vaak verkeerd worden toegepast." Gartner schat bovendien dat van de duizenden softwareleveranciers die zich als "agentic" profileren, slechts ongeveer 130 daadwerkelijk substantiële autonome functionaliteit bieden. De rest plakt het label op een product dat eigenlijk een chatbot of een vaste automatiseringsregel is.

Voor het MKB betekent dit concreet: een AI agent is geen kant-en-klaar pakket dat u naast uw bestaande systemen zet en dat het vanzelf goed doet. Terug naar het factuurvoorbeeld: als uw crediteurenadministratie in de basis al rommelig is, met dubbele leveranciersnamen of ontbrekende inkooporders, dan maakt de agent net zo vaak fouten als een onervaren medewerker, alleen dan sneller en op grotere schaal.

Dit beeld wordt bevestigd door onderzoek dat specifiek naar die onderliggende basis kijkt. Een wereldwijd onderzoek van IDC in opdracht van SAS onder ruim 1.600 MKB-bedrijven in 28 landen laat zien dat bijna 70% van het MKB nog in de experimentele of opportunistische fase van AI volwassenheid zit, niet doordat de ambitie ontbreekt, maar doordat een solide datafundament, strategie en sturing nog niet op orde zijn (SAS, 2026). Onafhankelijk Nederlands onderzoek van Dialogic, in opdracht van het Ministerie van Economische Zaken, bevestigt dat een beperkte mate van digitalisering en een beperkte databasis tot de belangrijkste drempels voor AI adoptie in het MKB behoren (Dialogic, 2025). Met andere woorden: voor een aanzienlijk deel van het MKB is een AI agent op dit moment niet de logische volgende stap. Digitalisering en procesautomatisering, zonder AI, leggen eerst het fundament dat een AI agent nodig heeft om betrouwbaar te functioneren. Dit is dezelfde les die wij eerder trokken rond AI in bredere zin: AI is waardeloos als uw basisdata niet op orde is. Eerst structuur, dan pas autonomie.

De praktijk: schaalbaarheid zonder extra hoofden

Wat betekent dit voor een organisatie die morgen wil beginnen? Het patroon dat wij bij klanten terugzien, is niet anders dan bij eerdere golven van procesautomatisering: klein starten, op een afgebakend proces, met heldere grenzen.

Een concreet Nederlands voorbeeld van precies dat principe, het loskoppelen van omzetgroei en administratieve overhead, is de samenwerking met Bakerstreet, onderdeel van de Vital Food Group. Belangrijk om vooraf duidelijk te zijn: dit is geen AI agent-project, maar een no-code oplossing. Toch past deze case bij de blog, omdat hij laat zien dat het onderliggende principe, minder handmatig werk zonder extra personeel, al bewezen werkt. Het bedrijf groeide hard, maar de administratieve overhead rond het managen van franchisenemers groeide even hard mee. PragmatiQ ontwikkelde in co-creatie een oplossing op basis van het WEM no-code platform. Het resultaat na 12 weken: 80% reductie in administratieve handelingen, zonder uitbreiding van het backoffice-team. Managing Director Rogier Soetens vatte het destijds zo samen: "Met de Bakerstreet app bouwen we aan een platform waarin we door middel van no-code sneller nieuwe functies kunnen ontwikkelen. Zodat we sneller kunnen inspelen op de veranderende markt."

Het verschil met een AI agent zit in wie de beslissingen neemt. Bij Bakerstreet volgt het systeem vooraf ingerichte workflows: vaste stappen die een mens heeft bedacht. Een AI agent gaat een stap verder en neemt daarbinnen ook zelf kleine beslissingen, zoals bij het factuurvoorbeeld. Beide aanpakken delen hetzelfde doel: een proces kost evenveel om tien transacties te verwerken als duizend, terwijl een medewerker die het handmatig doet, dat niet kan volhouden. Voor bedrijven die zoals hierboven beschreven, is dit vaak precies de tussenstap: eerst schaalbaarheid via digitalisering, later pas autonomie via AI.

Conclusie: voor de meeste MKB-bedrijven is digitalisering & automatisering de volgende stap

AI agents kunnen op termijn daadwerkelijk output loskoppelen van extra personeel, maar de cijfers zijn duidelijk over de volgorde. Bijna 70% van het MKB wereldwijd zit nog in een vroege fase van AI volwassenheid, en de belangrijkste reden is niet gebrek aan ambitie, maar een ontbrekend datafundament en gefragmenteerde processen. Voor veel MKB-organisaties is de logische volgende stap dan ook niet de AI agent, maar eerst de digitalisering en automatisering van de onderliggende processen: gestructureerde data, gekoppelde systemen en heldere workflows. Pas op dat fundament kan een AI agent betrouwbaar en met een beperkt risico worden toegevoegd. Wie deze volgorde omdraait, loopt het risico onderdeel te worden van de 40% aan AI agent projecten die Gartner voor 2027 voorspelt zal worden stopgezet. Wie eerst het fundament op orde brengt, positioneert de organisatie om die stap, wanneer die aan de orde is, wél succesvol te zetten.

Stop met het uitstellen van een keuze die uw concurrenten al maken

Elke maand dat uw administratieve overhead meegroeit met uw omzet, betaalt u een prijs die niet op uw balans zichtbaar is, maar wel voelbaar in uw marge. PragmatiQ biedt een Architectuur check (30 min) aan, waarin we objectief beoordelen of uw processen en data klaar zijn voor AI agents, en welk proces als eerste in aanmerking komt.

Inzicht dat u morgen kunt gebruiken.

Plan direct uw Architectuur-check in.