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).

• Bij bedrijven die AI al gebruiken, is administratie en bestuurstaken een van de belangrijkste toepassingsgebieden, na marketing en verkoop.

• Vroege adopters van generatieve AI rapporteerden gemiddeld 15,8% omzetstijging, 15,2% kostenbesparing en 22,6% productiviteitsverbetering (Gartner, 2024), al gaat dat cijfer over generatieve AI in brede zin, niet specifiek over autonome AI agents.

• Tegelijk voorspelt Gartner dat meer dan 40% van de agentic AI projecten voor eind 2027 wordt stopgezet, niet door de techniek, maar door onduidelijke bedrijfswaarde en gebrekkige governance (Gartner, 2025).

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

Dit artikel gaat over een specifieke laag boven die bekende procesautomatisering: AI agents. Niet de chatbot die een vraag beantwoordt als u erom vraagt, maar software die zelfstandig initiatief neemt binnen een afgebakend proces. Wat leveren die agents daadwerkelijk op voor uw marge, en waar zit het risico dat de cijfers liever verzwijgen?

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

Het simpelste onderscheid: Een chatbot beantwoordt een vraag. Een AI agent handelt: hij leest een binnenkomende factuur, controleert die tegen de inkooporder, en boekt hem in, zonder dat iemand op "verzenden" hoeft te drukken. De agent redeneert over meerdere stappen en systemen heen, binnen de grenzen die u vooraf heeft ingesteld.

Dat maakt AI agents interessant voor precies het soort werk dat nu vaak op de burelen van uw backoffice landt. Repetitief, regelgebaseerd, maar te veelvormig voor een simpele koppeling of macro.

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, een forse stijging ten opzichte van eerdere jaren (CBS, 2026). Bij de allerkleinste bedrijven (2 tot 10 medewerkers) ligt dat met 13,8% aanzienlijk lager, ook al is dat aandeel sinds 2023 verdubbeld. De belangrijkste reden om AI niet te gebruiken is niet prijs of wantrouwen, maar simpelweg gebrek aan ervaring: 71% van de microbedrijven 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.

Interessant is ook waarvóór AI al wordt ingezet. Bij het bredere MKB en grootbedrijf staat de inzet voor administratieve processen en bestuurstaken zelfs bovenaan de lijst met toepassingen, nog vóór marketing en verkoop (Accountancy Vanmorgen, 2026). Dat is precies het domein waar output loskoppelen van extra FTE het meeste oplevert.

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

Wat AI agents daadwerkelijk opleveren: de cijfers, zonder overdrijving

Hier wordt het interessant, en het vraagt om precisie. Er circuleren tientallen "productiviteitsstatistieken" over AI agents online, met tijdwinstcijfers die uiteenlopen tussen de twee en zeven uur per week per medewerker, 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, reproduceerbare 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 bij een veertigurige werkweek (Bick, Blandin & Deming, 2025). Geen doorbraakcijfer, maar wel een cijfer waarvan de herkomst klopt. Belangrijke kanttekening van de onderzoekers zelf: bespaarde tijd vertaalt zich niet automatisch naar meetbare productiviteit. Een deel verdwijnt in minder drukke werkdagen, niet in extra output, tenzij een organisatie er bewust op stuurt.

Voor het financiële plaatje is een ander cijfer relevanter. Gartner onderzocht vroege adopters van generatieve AI en vond dat zij gemiddeld 15,8% omzetstijging, 15,2% kostenbesparing en 22,6% productiviteitsverbetering rapporteerden (Gartner, 2024). Belangrijk om hier eerlijk over te zijn: dit onderzoek gaat over generatieve AI in brede zin, niet specifiek over zelfstandige agents. Online wordt dit cijfer regelmatig verkeerd aangehaald als een agentic AI statistiek. Wij gebruiken het met de juiste labeling: het toont het potentieel van AI volwassenheid in een organisatie, niet een gegarandeerd agent resultaat.

Dat onderscheid is precies waarom de volgende sectie net zo belangrijk is als de vorige.

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

Dit is waar wij, in lijn met onze positionering, de andere kant van het verhaal laten zien. Want de belofte van AI agents is reëel, maar het risico op mislukking is dat evenzeer.

Gartner voorspelt dat meer dan 40% van de agentic AI 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. Gartner analist Anushree Verma noemt de meeste huidige agentic AI projecten "vroege experimenten die vooral door hype worden gedreven, en vaak verkeerd worden toegepast." Een deel van de markt draagt daar zelf aan bij: Gartner schat dat van de duizenden aanbieders die zich als "agentic" profileren, slechts ongeveer 130 daadwerkelijk substantiële autonome functionaliteit bieden. De rest is bestaand product met een nieuw label.

Voor het MKB betekent dit concreet: een AI agent is geen plug-and-play oplossing die u naast uw bestaande systemen zet en die het vanzelf goed doet. Zonder heldere kaders voor wat de agent wel en niet zelfstandig mag beslissen, zonder toezicht op de kwaliteit van de onderliggende data, en zonder een duidelijk gedefinieerd, afgebakend proces om mee te starten, is de kans op een kostbare stopzetting reëel. Dit is dezelfde les die wij eerder trokken rond generatieve 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 treffend voorbeeld hiervan, zij het met no-code in plaats van een pure AI agent, is de samenwerking met Bakerstreet, onderdeel van de Vital Food Group. 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."

Dezelfde onderliggende logica geldt voor AI agents: het gaat niet om de technologie an sich, maar om het loskoppelen van omzetgroei en overhead. Een goed ingericht, autonoom proces kost evenveel om tien transacties te verwerken als om duizend. Uw medewerker die dat handmatig deed, niet. Waar no-code die schaalbaarheid biedt via visuele workflows, doet een AI agent dat via zelfstandige besluitvorming binnen vaste kaders, mits die kaders er zijn.

Conclusie: de winst zit niet in de technologie, maar in de discipline ervoor

AI agents kunnen daadwerkelijk output loskoppelen van extra personeel, maar alleen als de basis klopt: een afgebakend proces, schone data en heldere grenzen voor wat de agent zelfstandig mag beslissen. De cijfers over tijdwinst zijn reëel maar bescheiden, en de cijfers over mislukking zijn minstens zo groot als de cijfers over succes. Wie AI agents inzet als losse technologische toevoeging zonder governance, loopt het risico onderdeel te worden van de 40% die Gartner voor 2027 voorspelt. Wie eerst het proces en het fundament op orde brengt, kan wel het marge effect realiseren dat de vroege adopters rapporteren.

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.