Ik krijg deze vraag nu regelmatig. Een inkoopvacature staat een paar maanden open en dan komt de vraag op of we die nog wel moeten invullen. Er is inmiddels toch AI?
Er verdwijnt inderdaad inkoopwerk naar AI. Spend-analyses, samenvattingen van contracten, het signaleren van leveranciersrisico’s — dat gaat inmiddels sneller en vollediger dan ooit tevoren. Op zich een prima ontwikkeling.
Maar de rekensom onder die vraag klopt niet. En dat merk je pas een jaar later, als de rekening binnenkomt en de functie allang geschrapt is.
Een salaris is een vast getal
Een inkoper kost wat hij kost. Je kent het bedrag voordat het jaar begint, je kunt het begroten, en het verandert niet omdat het toevallig een druk kwartaal is. Als je wilt weten wat je volgend jaar aan die persoon kwijt bent, kijk je op één regel in de begroting.
Bij een AI-systeem werkt het anders. Je betaalt per gebruiker en vaak (deels) ook per vraag (per token). De rekening groeit met iedere vraag die extra tokens vereist. En bedenk, AI stopt niet om vijf uur.
Dat verschil klinkt technisch maar is het niet. Het is het verschil tussen een kostenpost die je kunt plannen en een kostenpost die je achteraf ontdekt.
Waarom die rekening blijft groeien
Bij de meeste software geldt: je koopt licenties en daarmee is het klaar. Bij AI ligt dat anders, en het loont om te begrijpen waarom, want dit is precies het soort kostenstructuur waar inkoop normaal gesproken niet blij mee is.
Bij de nieuwere systemen die zelfstandig een taak afmaken, betaal je bovendien voor de stappen die je nooit te zien krijgt. De tussenstappen, de pogingen die nergens toe leiden, het opnieuw inlezen van dezelfde documenten bij elke ronde. Je koopt geen product met een prijs, je koopt een meter die loopt.
De kosten die op geen enkele offerte staan
Daar komt bij wat er nooit in de businesscase terechtkomt.
Iemand moet het systeem inrichten en bijhouden. Iemand moet controleren of de uitkomsten kloppen, en bij inkoop is dat geen formaliteit: een verkeerd samengevatte clausule is geen taalfout maar een contractrisico. Iemand moet bepalen wat het systeem zelfstandig mag doen en wat niet, en dat vastleggen zodat het over een jaar nog uit te leggen is.
Dat werk komt bovenop het bestaande werk. En het landt vrijwel altijd bij dezelfde persoon.
Wat het onderzoek werkelijk zegt
Op dit punt is het verstandig om de cijfers erbij te pakken en ze nauwkeurig te lezen, want ze worden vaak scherper geciteerd dan ze zijn.
MIT publiceerde The GenAI Divide: State of AI in Business, een onderzoek onder bedrijven die AI in gebruik namen. De bevinding die is blijven hangen: 95 procent van de pilots leverde geen meetbaar effect op de winst-en-verliesrekening.
Let op de formulering, want die doet ertoe. Er staat niet dat 95 procent mislukte. Er staat dat het effect niet terugkwam in de cijfers. Dat is iets anders, en voor deze discussie eigenlijk relevanter: de techniek deed vaak precies wat beloofd was, maar het verschil bleef onzichtbaar op de plek waar een directie kijkt.
Drie cijfers, met de kanttekening erbij
Twee andere onderzoeken maken het beeld compleet, en ik geef er de kanttekeningen bij die je in de LinkedIn-versie van deze cijfers zelden ziet.
IDC vond dat 96 procent van de organisaties die generatieve AI uitrolt, de kosten hoger of veel hoger vindt uitvallen dan verwacht. Dat onderzoek is betaald door een softwareleverancier, dus lees het met die wetenschap — maar de richting sluit aan bij al het andere.
Gartner verwacht dat minstens de helft van de generatieve-AI-projecten in 2028 over het budget heen gaat, door verkeerde architectuurkeuzes en te weinig ervaring met het beheer achteraf. Voor de zelfstandig opererende systemen voorspelt Gartner dat ruim veertig procent van de projecten vóór eind 2027 wordt stopgezet.
En uit het onderzoek dat ik eerder aanhaalde: van alle organisaties die in 2024 experimenteerden, kwam vijf procent tot een echte implementatie.
Waarom de pilot slaagt en de uitrol strandt
Dat laatste getal verklaart het meeste, zeker naast het gegeven dat 82 procent van de organisaties binnen drie jaar met deze systemen wil werken. Dat cijfer komt uit onderzoek van Capgemini onder 1.100 executives bij organisaties met meer dan een miljard dollar omzet.
Een pilot draait op geselecteerde data, met een enthousiaste collega ernaast, en zonder dat er iets van afhangt. Een uitrol draait op de data die je werkelijk hebt: leveranciersnamen die op zes manieren gespeld zijn, contracten die als gescande pdf in een map staan, artikelnummers die per vestiging verschillen, en een raamovereenkomst waar de helft van de organisatie omheen koopt.
Driekwart van de inkoopmanagers zegt zelf dat hun data er nog niet klaar voor is. Dat is geen softwareprobleem, het lost zichzelf niet op, en het kost mensen om het op te lossen.
Het werk dat echt verdwijnt
Ik wil hier niet het omgekeerde beweren. Er verdwijnt werk, en dat is oké.
Offertes opvragen en naast elkaar leggen. Uitgavenpatronen doorspitten op zoek naar een categorie die de moeite waard is. Een contract van veertig pagina’s terugbrengen tot de vijf punten die ertoe doen. Signaleren dat een leverancier drie kwartalen achter elkaar te laat levert.
Dat was het werk dat je vroeger als junior deed. En eerlijk gezegd: er zijn leukere dingen te doen.
Het werk dat overblijft, is zwaarder
Maar kijk dan naar wat er overblijft, want dat is waar de rekensom omslaat.
Onderhandelen met een leverancier die niet wil bewegen. Een relatie repareren nadat het is misgegaan. Een strategie vertalen naar keuzes die geld kosten en waar iemand nee op gaat zeggen. En zien wat geen enkel dashboard laat zien: dat een leverancier stilletjes in de problemen zit, dat een clausule anders uitpakt dan bedoeld, dat de vraag die de business stelt niet de vraag is die hij bedoelt.
Dat haal je niet uit data. Het betekent dat de functie die je overhoudt zwaarder is dan de functie die je schrapte, niet lichter — en dat je hem dus ook niet met een junior kunt opvullen.
De tweede rekening: de kennis die meeliep
Er is nog een kostenpost, en die staat op geen enkele begroting.
Als je een ervaren inkoper laat gaan, vertrekt er kennis die nergens is vastgelegd. Welke leverancier je belt als het misgaat. Welke clausule bij deze categorie altijd tegenvalt. Waarom die ene raamovereenkomst is opgebouwd zoals hij is opgebouwd, en welke afspraak daar acht jaar geleden onder lag.
Een AI-systeem neemt dat niet over, want het heeft het nooit gehad. Het staat in geen enkel document dat je erin kunt laden. Wij schreven eerder over de vergrijzing in dit vakgebied; dit is dezelfde rekening, alleen jaren eerder gepresenteerd en uit eigen keuze.
Waarom bedrijven opnieuw gaan werven
Het patroon dat ik nu zie, is dit: geschrapt in het ene jaar, opnieuw geworven in het volgende. Vaak tegen een hoger tarief, omdat de functie inmiddels zwaarder is en de markt krapper.
Dat is de duurste route naar precies dezelfde plek. Je betaalt de besparing terug, plus de wervingskosten, plus een half jaar waarin iemand de organisatie nog niet kent. En je hebt in de tussentijd de kennis verloren die je niet terugkoopt.
Dit is geen pleidooi tegen AI
Daar wil ik duidelijk over zijn. De organisaties die dit goed doen, gebruiken AI volop — meer dan de organisaties die aarzelen.
Het verschil is dat zij het inzetten om hun mensen méér te laten doen, niet om er minder te hebben. Ze rekenen de kosten door op het gebruik dat ze over een jaar verwachten, niet op het gebruik in de demo. En ze investeren in twee dingen tegelijk: de techniek en de mensen die ermee moeten werken.
Vier vragen voordat je een functie schrapt
Wat kost dit systeem bij het gebruik dat we over een jaar verwachten? Niet bij het gebruik van vandaag, en niet bij het gebruik in de proefopstelling.
Wie controleert de uitkomsten, hoeveel tijd kost dat, en staat die tijd ergens begroot? Als het antwoord “dat doen we erbij” is, is het niet begroot.
Welke kennis zit alleen in het hoofd van de persoon die we niet vervangen? En waar leggen we die vast voordat het antwoord er niet meer toe doet?
Wat kost het als we dit over achttien maanden moeten terugdraaien? Inclusief werving, inclusief inwerktijd, inclusief het tarief van dat moment.
Conclusie
AI maakt de inkoper niet overbodig. Het maakt het routinewerk goedkoper en het overgebleven werk zwaarder, en dat is iets heel anders dan een besparing op de loonlijst. Wie die twee door elkaar haalt, schrapt een functie op basis van een som die niet is uitgerekend.
Reken daarom niet met het salaris dat je uitspaart, maar met de rekening die ervoor in de plaats komt. Wie dat vooraf doet, hoeft die vacature over een jaar niet opnieuw open te zetten.
