Nu 2025 ten einde loopt, moet de rekening voor de hausse op het gebied van kunstmatige intelligentie officieel worden betaald. Terwijl de roadmaps van bedrijven volgestopt blijven met generatieve pilots, wordt de kloof tussen ‘magie’ en ‘marge’ bij het genereren van AI-inkomsten steeds groter.
Recente gegevens schetsen een grimmig beeld van deze ‘ROI-kloof’. Volgens een onderzoek uit december 2025 van MIT bijna 95% van de AI-projecten voor ondernemingen leveren momenteel geen meetbaar rendement op. Op dezelfde manier meldt Forrester dat alleen 15% van de leidinggevenden heeft enige verbetering in de winstmarges gezien van hun AI-investeringen van het afgelopen jaar.
De ongemakkelijke stilte in de bestuurskamers gaat niet langer over de vraag of de technologie werkt, maar over waarom deze niet lonend is.
Om van een veelbelovende demo naar een inkomstengenererende engine te gaan, is meer nodig dan alleen schone data en goede modellen; het vereist een fundamentele verandering in de strategie – een verandering die de kloof overbrugt tussen de ambitie van het management en de technische realiteit.
Om deze kloof te overbruggen, wenden we ons tot Vladyslav TsjekryzjovDirecteur Data Science & AI bij AUTODOC. Chekryzhov is actief in 27 verschillende Europese markten en bevindt zich op het zeldzame kruispunt van executive producteigendom en praktische systeemarchitectuur. In tegenstelling tot de theoretische futuristen die vaak de krantenkoppen domineren, is zijn mandaat gebaseerd op de realiteit waar grote belangen bij de grote e-commerce op het spel staan: het leveren van systemen van productiekwaliteit die rechtstreeks van invloed zijn op de prijsstelling, het behoud en de klantenloyaliteit.
Hij vertegenwoordigt een discipline die we ‘inkomstenrealisme’ zouden kunnen noemen: het inzicht dat een AI-model slechts zo waardevol is als zijn vermogen om in het wild te overleven en meetbare commerciële impact te hebben.
Hier zijn vijf strategische draaipunten die nodig zijn om de AI-hype om te zetten in P&L-realiteit.
Het ‘utiliteitsfilter’: meedogenloze prioriteitstelling
De eerste valkuil waar veel organisaties in trappen is de ‘oplossing op zoek naar een probleem’. Nu de toegangsdrempel voor generatieve AI lager is dan ooit, is de verleiding groot om ‘coole’ functies te bouwen. Het genereren van inkomsten vereist echter een gedisciplineerde weigering om trends na te jagen die geen verandering brengen.
Voor Tsjekryzjov is het onderscheid tussen een kenmerk en een zakelijke drijfveer groot. Het begint niet met code, maar met financiële modellering.
“Uiteindelijk komt het prioriteren van AI/ML-initiatieven neer op de discipline van het bouwen van aannames. Vertrouw niet op intuïtie; modelleer eerst de impact – verdien geld in Excel voordat de code zelfs maar is geschreven.”
Hij categoriseert initiatieven in drie niveaus: het optimaliseren van de huidige economie (niveau 1), het ontsluiten van nieuwe producteconomieën (niveau 2) en het hermodelleren van het zakelijke ecosysteem (niveau 3). De gevarenzone, merkt hij op, ligt meestal op niveau 3, waar strategische verhalen vaak zwakke aannames maskeren.
“De meest voorkomende fout is het bouwen van duur speelgoed… Ik dwing een leverancierstest af: zouden we voor deze mogelijkheid betalen tegen leverancierstarieven (bijvoorbeeld OpenAI) en toch de marges behouden? Als er geen verdedigbaar pad is naar omzetgroei of een stapsgewijze verandering in de bedrijfskosten, is het slechts een kostbaar experiment.”
Het algoritme in evenwicht brengen: prijzen versus retentie
In e-commerce wordt AI vaak belast met optimalisatie. Maar optimalisatie is zelden een nulsom. Een model dat is ontworpen om de directe marge te maximaliseren (Dynamic Pricing), zou onbedoeld de loyaliteit op de lange termijn kunnen afstraffen (Retentie).
Tsjekryzjov stelt dat het beheersen van deze spanning niet gaat over het vinden van de perfecte neurale netwerkarchitectuur, maar over het vaststellen van de juiste organisatorische grenzen.
“Het minimum dat verrassend goed werkt is cultuur, niet architectuur: rigoureus experimenteren met de juiste vangrails. Elke prijs- of promotiewijziging wordt niet alleen gemeten op basis van onmiddellijke efficiëntie, maar ook op basis van de ‘halo-effecten’: hoe het gedrag over cohorten en segmenten verschuift… We definiëren vooraf welke statistieken mogen bewegen, in welke richting en met hoeveel. Als een margewinst gepaard gaat met een retentie of CLV-hit buiten die grenzen, is het geen overwinning.’
Om dit technisch te implementeren, stelt hij voor om ‘black box’-monolieten te vermijden, ten gunste van een gelaagde aanpak die bedrijfsleiders controle geeft zonder dat een volledige omscholing van het model nodig is.
“Een praktische manier om dit te doen is een cascade van modellen: een prijsmodel stelt kandidaat-prijzen voor, vervolgens voorspellen lichtgewicht modellen gebruikersresultaten en fungeren als een filter of een herrangschikking van de weging. Het voordeel is controle: je kunt de bedrijfslogica aanpassen door de uiteindelijke configuratie te veranderen in plaats van het zware model telkens opnieuw te trainen als de prioriteiten veranderen.”
De “productiekloof”: waar de ROI sterft
Een Proof of Concept (POC) is een gecontroleerd experiment; productie is een oorlogsgebied. Veel omzetprognoses mislukken omdat ze de technische overhead onderschatten die nodig is om een model op schaal draaiende te houden.
Tsjekryzjov waarschuwt dat AI een specifiek soort technische schuld introduceert die traditionele software-ingenieurs vaak over het hoofd zien: non-determinisme.
“Het eerlijke antwoord is dat een succesvolle PoC niet bewijst dat je een schaalbaar product hebt… Het model is niet-deterministisch: een herhaling kan verschillende uitkomsten opleveren. Dat doet de debugging-kosten exploderen, maakt incidenten moeilijker te reproduceren en legt de lat voor monitoring hoger. Technische schulden duiken eerder op in AI-systemen dan in traditionele software, en worden een belasting op de ontwikkelingssnelheid van het hele team.”
Strategisch betekent dit dat uw ROI-berekening de kosten van betrouwbaarheid moet omvatten. Als u alleen budget besteedt aan ontwikkeling en niet aan de ‘belasting’ op onderhoud, zullen uw marges verdampen.
“De beste investeringen die ik hier heb gezien zijn niet exotisch… Ik dring aan op basishygiëne (MLOps-cultuur en het continue proces van ML-systeemontwerp)de onderdelen die niet verouderd raken: meetbare kwaliteit, foutopsporing en omkeerbaarheid.”
Het signaal isoleren: de attributie-uitdaging
Misschien wel de meest complexe strategische vraag om te beantwoorden is: “Heeft de AI dat gedaan?” In een complex ecosysteem met tientallen markten, seizoensinvloeden en marketinguitgaven is het toewijzen van inkomsten aan specifieke bronnen statistisch gezien rommelig. Maar zonder duidelijke attributie is het onmogelijk om voortdurende investeringen aan de top van het management te rechtvaardigen.
Tsjekryzjov benadert dit met de strengheid van een wetenschapper en verwerpt het idee dat complexe modellen vertrouwen scheppen. In plaats daarvan vertrouwt hij op contrafeiten, die bewijzen wat er zou zijn gebeurd zonder de AI.
“De enige manier om met een strak gezicht te beweren dat ‘AI X aandreef’ is door te verankeren in een geloofwaardige contrafeitelijke situatie. Ik vertrouw op twee families van bewijsmateriaal: gerandomiseerde experimenten (A/B) als dat haalbaar is, en quasi-experimentele methoden als dat niet het geval is. Als de beslissing er buiten het testvenster toe doet, voegen we een mondiale houvast toe aan de A/B-opstelling: een aanhoudende controlegroep die de functie nooit ziet. Het is pijnlijk – je verliest letterlijk geld. Maar het is vaak de enige betrouwbare link naar de realiteit.”
“Voor de C-suite is de boodschap consistent: vertrouwen komt niet voort uit een complex model. Het komt voort uit een transparante aanpak en een meetontwerp dat je duidelijk kunt uitleggen.”
Veiligheidsrails: vertrouwen op de machine
Ten slotte brengt het automatiseren van beslissingen over inkomsten, zoals biedingen of prijzen, inherente risico’s met zich mee. Een ‘hallucinerende’ chatbot is gênant; een prijsalgoritme dat voorraad verkoopt met een verlies van 90% is catastrofaal.
Strategische implementatie vereist een ‘human-in-the-loop’-filosofie die evolueert naar ‘human-over-the-loop’-bestuur. Tsjekryzjov adviseert om de kosten van fouten in kaart te brengen voordat hij autonomie verleent.
“Ik begin met het ontwerp van ML/AI-systemen, en één artefact is hier het belangrijkst: de kosten van fouten. Als de keerzijde hoog is en moeilijk omkeerbaar is, jaag ik geen volledige autonomie na… Als het risicoprofiel acceptabel is, hou ik van een ‘autonomie-schuifregelaar’. Vroege iteraties worden door mensen gevalideerd. Terwijl je gegevens en vertrouwen verzamelt, verplaats je de schuifregelaar in gecontroleerde stappen naar automatisering.”
Zelfs als een systeem volledig autonoom is, moet het functioneren binnen strikte grenzen die door het bedrijf zijn gedefinieerd, en niet door het model.
“Autonomie moet worden begrensd door beleid als code. Het systeem moet expliciete beperkingen, stroomonderbrekers en veilige terugvalmogelijkheden hebben… Je debatteert niet in theorie over autonomie; je verdient het.”
AI-inkomsten hebben een volwassenheidsupgrade nodig
De overgang van AI-experimenten naar AI-inkomsten is geen technologische upgrade; het is een volwassenheidsupgrade. Het vereist afstand nemen van de aantrekkingskracht van nieuwigheid en het omarmen van de nauwkeurigheid van techniek, de complexiteit van attributie en de discipline van het stellen van prioriteiten.
Zoals Tsjekryzjovs ervaring bij AUTODOC aantoont, zijn de bedrijven die zullen winnen niet noodzakelijkerwijs de bedrijven met de meest geavanceerde modellen, maar de bedrijven met de meest robuuste bruggen tussen datawetenschap en bedrijfsstrategie.
