Als AI te duur lijkt, waar maken bedrijven zich nog meer zorgen over?

Van de 547 bedrijven die aan de criteria voldeden en hoge AI-kosten noemden, meldden er 197 ook zowel een tekort aan personeel met de benodigde vaardigheden als problemen met de beschikbaarheid of kwaliteit van data. Met de enquêtegewichten komt de schatting uit op 37,5%. Het ongewogen aandeel is 36,0%.^[1][8]

Beide percentages gebruiken dezelfde bedrijven en antwoorden. In het ongewogen cijfer telt ieder bedrijf even zwaar mee. Het gewogen cijfer kent elk record de bijdrage toe die het enquêteontwerp voorschrijft. Dat is daarom onze hoofdschatting. De weging verandert de schatting, niet welke antwoorden als bevestiging van beide zorgen tellen.

Het 95%-betrouwbaarheidsinterval voor de steekproefonzekerheid loopt van 29,8% tot 45,2%. Die bandbreedte is een reden om te spreken van ongeveer vier op de tien, in plaats van 37,5% als een exact percentage voor elk vergelijkbaar bedrijf te presenteren.

Omdat alle drie de antwoorden uit hetzelfde record komen, meet de analyse de overlap rechtstreeks. We kunnen nagaan of bedrijven die zich zorgen maken over de kosten, ook uitdrukkelijk zorgen over zowel personeel als data hebben gemeld.

Daarmee liggen de overige antwoorden nog niet vast. Een bedrijf dat niet beide zorgen heeft bevestigd, kan één van de twee zorgen noemen, geen van beide, of een onbekend antwoord hebben. Je kunt de rest dus niet omschrijven als bedrijven waarvoor alleen de prijs een probleem is. De vragenlijst bevat ook andere redenen, en onze hoofdbevinding rangschikt die niet.

Het percentage beschrijft deze groep uit een eerder gehouden Braziliaanse enquête. Een bedrijf elders kan het onderscheid gebruiken om een eigen onderzoeksvraag te formuleren.

De kostenvraag gaat erover of de kosten te hoog lijken. De enquête legt geen leveranciersofferte vast, geen bedrag dat een bedrijf zou kunnen betalen en ook niet welke uitgave de respondent bedoelde. Daarom spreken we van een ervaren kostenbezwaar. De antwoorden vertellen niet hoeveel prijzen zouden moeten dalen of of korting een beslissing zou veranderen.^[2]

De personeelsvraag gaat over mensen binnen het bedrijf die de vaardigheden hebben om de technologieën te gebruiken. De vragenlijst controleert eerst of er een IT-onderdeel, afdeling of specialist is. Die ondersteuning op zichzelf bewijst niet dat de betrokken mensen de vaardigheden hebben die voor een voorgestelde AI-taak nodig zijn.

De datavraag combineert beschikbaarheid en kwaliteit. Een ja-antwoord kan gaan over de vraag of geschikte informatie bestaat, of die bruikbaar is, of over beide. Omdat de enquête deze mogelijkheden niet uit elkaar haalt, kan zij niet vaststellen welke voorbereiding een bepaald bedrijf nodig heeft.

De zeven vragen over AI-gebruik gaan over meer dan generatieve AI. Ze omvatten onder meer tekstanalyse, spraakherkenning, machine learning en het automatiseren van werkprocessen. De uitkomst betreft dus die bredere lijst technologieën.

Onbekende antwoorden over personeel of data blijven meetellen in de volledige groep met zorgen over de kosten. Ons hoofdpercentage telt expliciete bevestiging van beide zorgen; we vullen ontbrekende antwoorden niet in met een aanname. Ook onbekende of ontbrekende antwoorden over AI-gebruik kunnen aan de selectiecriteria voldoen. ‘Geen gebruik gemeld’ betekent dus niet dat vaststaat dat er geen gebruik was.

Voor een ondernemer of marketingverantwoordelijke is de praktische les om drie vragen uit elkaar te houden: wat kost de voorgestelde taak, wie kan het werk beoordelen en welke informatie is ervoor nodig? De waargenomen overlap geeft een reden om die vragen samen te bespreken. Wil je knelpunten bij het invoeren van AI in je eigen bedrijf onderzoeken, begin dan met een afgebakende taak en informatie van de mensen die het werk zouden doen.

Begin met een beschrijving van werk dat iemand kan controleren. ‘AI gebruiken in marketing’ is te breed om duidelijk te maken wat het team nodig heeft. ‘Binnenkomende productvragen per onderwerp groeperen, zodat het verkoopteam ze kan bekijken’ noemt een resultaat en de mensen die het gebruiken. Met zo’n afgebakende taak kun je de prijs van iets concreets bespreken.

Vraag vervolgens wat de voorgestelde prijs omvat. Een abonnement op een hulpmiddel en de tijd die medewerkers nodig hebben om informatie voor te bereiden of een resultaat te beoordelen, zijn verschillende posten in een plan. Dat is een voorgesteld onderscheid voor de planning, geen uitsplitsing die de enquête heeft gemeten. Een team kan die posten vastleggen zonder aan te nemen dat een onbekende taak duur wordt of tijd zal besparen.

Een vraag over controle kan nuttiger zijn dan een algemene vraag over vertrouwen in het werken met AI. Wie zou een verkeerd ingedeelde klantvraag herkennen? Welke bron raadpleegt die persoon bij twijfel? Wie bepaalt of het resultaat bruikbaar is? Die vragen maken verantwoordelijkheden voor de voorgestelde taak duidelijk. Ze leiden iemands vaardigheden niet af uit een enquêtestatistiek.

Houd de volgende stap in verhouding tot de beslissing. Een bedrijf moet misschien een offerte verduidelijken, betrouwbare productdocumentatie vinden of een collega een klein voorbeeld laten beoordelen. Kies de controle die de concrete open vraag beantwoordt voordat je je aan een groter project verbindt.

Neem een fictieve regionale groothandel waarvan het verkoopteam productvragen ontvangt via de website, e-mail en berichten op sociale media. Een manager stelt voor om die vragen met AI per onderwerp te groeperen. Het team wil weten bij welke vragen duidelijkere productinformatie nodig is en welke naar een verkoper moeten. Dit is een denkbeeldig planningsvoorbeeld, geen bedrijf dat in de enquête is waargenomen.

Het eerste gesprek blijft steken bij de prijs. In plaats van te besluiten dat de kosten alles verklaren, schrijft de manager het voorgestelde resultaat op: een lijst met vraagonderwerpen, gekoppeld aan de oorspronkelijke berichten zodat een persoon die kan beoordelen. Automatisch antwoorden of producten aanbevelen aan klanten valt buiten het voorstel.

De verkoopverantwoordelijke merkt op dat vergelijkbare productnamen tot verwarring kunnen leiden. Ze spreekt af de indeling aan de actuele catalogus te toetsen en vragen te markeren waarvan de betekenis onduidelijk is. De relevante vraag wordt dan of zij de informatie en productkennis heeft om dat te beoordelen, niet of iemand in het bedrijf in algemene zin ‘goed is met AI’.

Een collega controleert de informatie die de taak zou gebruiken. Productbeschrijvingen staan in verschillende documenten en sommige berichten bevatten klantgegevens. Het team besluit eerst de actuele productbron aan te wijzen en na te gaan welke berichten het op een passende manier kan gebruiken. Pas daarna maakt het een voorbeeld.

De manager kan nu om een concreter voorstel vragen. Wat doet het hulpmiddel, wat moet een persoon controleren en welke informatie moet worden voorbereid? Het team noteert die taken naast de prijs uit de offerte.

De volgende beslissing is of een afgebakende beoordeling de resterende vragen kan beantwoorden. Het team kan doorgaan, de taak aanpassen of uitstellen. De manager legt vast waarom die keuze is gemaakt en welke nieuwe informatie aanleiding zou zijn om de beslissing opnieuw te bekijken.

Kopieer dit sjabloon naar een bestaand projectdocument of vergaderverslag. Je hebt geen Influence-account nodig. Vul het in voor één voorgestelde taak.

1. Beoogde taak: [concreet werk] → [resultaat dat iemand kan controleren] → [persoon of team dat het gebruikt]. Noteer zowel wat binnen als wat buiten het voorstel valt.

2. Kostenvraag: [offerte of raming die je bespreekt] · [wat is inbegrepen] · [wat nog onbekend is]. Leg voorbereidings- of controlewerk van medewerkers apart vast als dat relevant is. Verzin geen besparing om het voorstel te rechtvaardigen.

3. Verantwoordelijkheid voor controle: [naam van de beoordelaar] · [wat diegene controleert] · [bron om te raadplegen] · [wat er bij twijfel gebeurt]. Alleen een functietitel beantwoordt die vragen misschien niet.

4. Benodigde informatie: [brondocumenten of records] · [wie ze bijhoudt] · [of ze actueel en geschikt voor dit gebruik zijn] · [open vraag over beschikbaarheid of kwaliteit].

5. Kleine volgende controle: [vraag om te beantwoorden] · [verantwoordelijke] · [informatie die de beslissing zou ondersteunen]. Beschrijf de controle voordat je het resultaat uitlegt.

6. Besluit vastleggen: [doorgaan, aanpassen of uitstellen] · [reden die de controle ondersteunt] · [resterende onzekerheid]. Houd een zorg gescheiden van bewijs dat die zorg is weggenomen.

In het voorbeeld van de fictieve groothandel is het resultaat een lijst met vraagonderwerpen. De verkoopverantwoordelijke beoordeelt die lijst en de actuele catalogus biedt de productreferentie. De volgende controle gaat erover of deze werkwijze iets oplevert dat het verkoopteam kan beoordelen. Die invulling maakt het voorstel concreter, zonder een succespercentage te lenen uit een enquête die niet over dit project ging.

We gebruikten de openbare microdata van TIC Empresas 2025 van NIC.br/Cetic.br, bewerkt om de vertrouwelijkheid te beschermen. De interviews vonden in Brazilië plaats van februari 2025 tot en met januari 2026. De enquête omvat actieve formele particuliere bedrijven waar minstens tien mensen werken, binnen de vastgestelde sectoren.^[1][3][4]

Onze analyse begint met de selectie op een IT-onderdeel, afdeling of specialist in de vragenlijst. Vervolgens behouden we bedrijven zonder een bevestigend antwoord bij de zeven genoemde AI-technologieën en met een ja-antwoord op de vraag naar als hoog ervaren kosten. De hoofdberekening deelt het enquêtegewicht van bedrijven die expliciet zowel personeels- als datazorgen melden door het gewicht van de hele daarvoor in aanmerking komende groep met kostenbezwaar. Onbekende antwoorden over personeel of data blijven in die noemer.

We berekenden de steekproefonzekerheid met de 200 meegeleverde gecombineerde bootstrap-replicatiegewichten. De intervallen beschrijven onzekerheid rond afzonderlijke schattingen, niet elke mogelijke foutbron. We tonen alleen resultaten die aan onze vooraf vastgelegde eisen voor voldoende onderliggende gegevens en openbaarmaking voldoen. Weggelaten uitsplitsingen zijn niet hetzelfde als nul.^[8]

We legden de onderzoeksvraag en berekeningen vast voordat we de gezamenlijke resultaten bekeken. Bij de broncontroles documenteerden we een inconsistentie in gepubliceerde antwoordcodes buiten onze analysegroep en corrigeerden we een te precieze vergelijking met gepubliceerde referentietabellen. De download legt vast wat veranderde en wanneer. De wijzigingen veranderden de analysepopulatie en de beoogde berekeningen niet. Een onafhankelijke berekening reproduceerde het gepubliceerde resultaat.^[8]

Het openbare bestand is bewerkt om de vertrouwelijkheid te beschermen. Cetic.br toetst de bruikbaarheid aan de gepubliceerde tabellen, maar daarmee staat niet vast dat elke nieuwe gezamenlijke analyse identiek is aan een analyse van de oorspronkelijke interviews.^[7]

Het algemene inzicht dat zorgen over personeel, data en geld kunnen samengaan, bestaat al. Eerder onderzoek groepeerde bedrijven naar combinaties van belemmeringen, en het rapport van de enquêteproducent uit 2025 bespreekt mensen en data als voorwaarden voor invoering. Onze bijdrage is een directe schatting van geselecteerde zorgen die samen worden genoemd binnen deze specifieke groep met kostenbezwaar, geen ontdekking van een nieuwe oorzaak van het uitblijven van AI-gebruik.^[5][6]