AI-gebruik verdubbelt, productiviteit stagneert en waar blijft de economische winst?
- Rabi Safi
- 8 uur geleden
- 8 minuten om te lezen
Nederlandse bedrijven gebruiken in hoog tempo meer kunstmatige intelligentie. Vooral grote ondernemingen lopen voorop, maar ook onder microbedrijven is het gebruik in twee jaar tijd meer dan verdubbeld. In de productiviteitscijfers is die technologische doorbraak voorlopig echter nauwelijks terug te zien.
Dat is geen bewijs dat AI niet werkt. Het laat vooral zien hoeveel stappen er zitten tussen toegang tot een taalmodel en een meetbare verbetering van de economische output.
Voor beleggers raakt dit direct aan de discussie over semiconductors tegenover software. Chipbedrijven en datacenterleveranciers boeken omzet zodra infrastructuur wordt besteld. Softwarebedrijven moeten daarna aantonen dat AI daadwerkelijk wordt ingebouwd in werkprocessen, voldoende wordt gebruikt én tot hogere omzet, lagere kosten of betere klantbinding leidt.
De hardwarecyclus is al duidelijk zichtbaar. Het productiviteitsdividend moet nog komen.
Direct naar een onderdeel van dit artikel
AI-gebruik bij microbedrijven is in twee jaar verdubbeld
Volgens een uitgebreid CBS-onderzoek naar AI-gebruik bij Nederlandse microbedrijven gebruikte in 2023 ongeveer 6,8% van de bedrijven met twee tot tien werkzame personen ten minste één AI-technologie.
Dat percentage steeg naar:
10,6% in 2024;
13,8% in 2025.
In twee jaar tijd is het aandeel AI-gebruikers binnen deze groep dus meer dan verdubbeld. Die groei is indrukwekkend, maar laat ook zien dat het grootste deel van het Nederlandse kleinbedrijf nog geen AI gebruikt. Bij ongeveer zes op de zeven microbedrijven is AI nog niet structureel in de bedrijfsvoering terechtgekomen.
Bovendien stijgt het gebruik sterk met de omvang van de onderneming.
De percentages voor bedrijven vanaf tien werkzame personen komen uit de CBS StatLine-tabel over ICT-gebruik bij bedrijven. De cijfers voor microbedrijven zijn afkomstig uit aanvullend CBS-onderzoek. Omdat het om verschillende statistische bronnen en populaties gaat, moeten de percentages niet worden behandeld alsof zij één volledig uniforme reeks vormen. Het microonderzoek vraagt naar zeven AI-technologieën, terwijl de StatLine-reeks voor grotere bedrijven er acht onderscheidt. De richting is desondanks onmiskenbaar: schaal vergroot de kans op AI-gebruik enorm.
Een onderneming met minstens vijfhonderd werknemers gebruikt ruim zes keer zo vaak AI als een bedrijf met twee werkzame personen.
Waarom grote bedrijven zoveel sneller gaan
Grote ondernemingen beschikken niet alleen over meer geld. Zij hebben ook meer digitale processen waarin AI kan worden geïntegreerd.
Denk aan:
klantenservice;
softwareontwikkeling;
fraudedetectie;
marketingpersonalisatie;
documentverwerking;
financiële administratie;
cybersecurity;
logistieke planning;
onderzoek en productontwikkeling.
Een groot bedrijf kan de implementatiekosten bovendien over veel meer werknemers, klanten en transacties verdelen. Een AI-oplossing die één uur per week bespaart, heeft bij een onderneming met tienduizend medewerkers een totaal andere economische waarde dan bij een zelfstandige met één werknemer.
Daar komt bij dat grotere bedrijven vaker beschikken over eigen IT-teams, centraal beheerde data, beveiligingsbeleid en budget voor externe consultants. Precies die organisatorische infrastructuur ontbreekt bij veel kleinere ondernemingen.
Van de microbedrijven die AI wel hebben overwogen maar nog niet gebruiken, noemt volgens het CBS 71,6% een gebrek aan relevante kennis of ervaring als obstakel.
Dat is een belangrijk signaal. De belangrijkste beperking is niet noodzakelijk een tekort aan chips of beschikbare modellen. Voor een groot deel van het bedrijfsleven is de bottleneck praktisch: hoe wordt AI veilig, betrouwbaar en rendabel in een bestaand proces geplaatst?
Software is de distributielaag van AI
Bijna de helft van de AI-gebruikende microbedrijven, 48,2%, verkrijgt toegang tot de technologie via direct aangeschafte commerciële software.
Daarmee ondersteunt het CBS-onderzoek een belangrijk onderdeel van het softwareverhaal. De meeste kleine ondernemingen zullen geen eigen taalmodel trainen, GPU-cluster bouwen of team van machine-learningingenieurs aannemen. Zij gebruiken AI wanneer hun bestaande boekhoudpakket, CRM-systeem, ontwerpprogramma, beveiligingsplatform of productiviteitssoftware een bruikbare functie toevoegt.
De softwareleverancier vormt daarmee de distributielaag tussen de AI-infrastructuur en de eindgebruiker.
Dat levert gevestigde softwarebedrijven een potentieel voordeel op. Zij bezitten al:
de klantrelatie;
toegang tot relevante bedrijfsdata;
bestaande gebruikersrechten;
integraties met andere applicaties;
kennis van het werkproces;
een vertrouwde betaal- en distributiestructuur.
Een AI-start-up kan technologisch een beter model aanbieden, maar moet vervolgens nog toegang krijgen tot data, budget, gebruikers en interne processen. Een bestaande softwareleverancier kan een nieuwe assistent direct aan miljoenen bestaande gebruikers tonen.
Distributie is echter niet automatisch hetzelfde als monetisatie. Wanneer AI-functionaliteit gratis in een bestaand abonnement wordt opgenomen, kan zij vooral dienen om klanten vast te houden. De opbrengst verschijnt dan niet als een afzonderlijke AI-omzetregel, maar mogelijk als een lagere uitstroom, meer gebruik of een sterkere concurrentiepositie.
Voor beleggers is dat verschil essentieel. Een hoge adoptie kan waardevol zijn zonder onmiddellijk tot een hogere omzet per gebruiker te leiden.
De sectorverschillen zijn enorm
Ook tussen bedrijfstakken loopt het AI-gebruik sterk uiteen. Onder microbedrijven gebruikte in 2025 ongeveer 50,4% van de ondernemingen in informatie en communicatie AI. Bij specialistische zakelijke dienstverlening lag het aandeel op 27,1%.
Daar tegenover stonden onder meer:
Dat verschil is logisch. Digitale bedrijven beschikken meestal over meer gestructureerde data, digitaal uitgevoerde processen en werknemers die gewend zijn aan software. Een programmeur, consultant of online marketeer kan generatieve AI direct in het dagelijkse werk toepassen.
Bij een restaurant, transportbedrijf of bouwonderneming vindt een groter deel van de waardecreatie in de fysieke wereld plaats. AI kan daar nog steeds helpen bij planning, inkoop, administratie of klantencontact, maar slechts een deel van de totale werkzaamheden kan rechtstreeks door software worden versneld.
Daarom zal AI waarschijnlijk niet in iedere sector hetzelfde productiviteitseffect hebben. De technologie kan in digitale bedrijfstakken relatief snel zichtbaar worden, terwijl de implementatie in fysieke sectoren aanvullende investeringen in sensoren, machines, data-infrastructuur en procesverandering vraagt.
De arbeidsproductiviteit daalde licht in 2024
Tegenover de snelle adoptie staat een veel minder spectaculair macro-economisch beeld.
Volgens het CBS-onderzoek naar de Nederlandse arbeidsproductiviteit daalde de arbeidsproductiviteit in de commerciële sector in 2024 met 0,1%.
De bruto toegevoegde waarde groeide met 1,0%, terwijl het aantal gewerkte uren met 1,1% toenam. De economie produceerde dus iets meer, maar had daar relatief nog iets meer arbeid voor nodig.
Het CBS splitst de ontwikkeling daarnaast uit naar verschillende onderliggende factoren. In 2024 droeg een gunstigere samenstelling van arbeid ongeveer 0,27 procentpunt bij en kapitaalverdieping circa 0,05 procentpunt. De bijdrage van de multifactorproductiviteit bedroeg daarentegen min 0,42 procentpunt.
Multifactorproductiviteit is grofweg het deel van de productiegroei dat niet rechtstreeks kan worden verklaard door meer arbeid of meer kapitaal. Daarin kunnen onder meer technologie, organisatie, efficiëntie en innovatie doorwerken. Het is tegelijkertijd een statistisch restbegrip dat door veel meer wordt beïnvloed dan alleen digitalisering.
Het zou daarom onjuist zijn om de negatieve bijdrage simpelweg aan AI toe te schrijven.
AI-gebruik bij microbedrijven groeit snel, terwijl de arbeidsproductiviteitsgroei in de commerciële sector volatiel en recent zwak bleef. De reeksen hebben verschillende populaties en verslagperioden en bewijzen geen causaliteit. Bron: CBS; bewerking De Belegger.
Dit is geen test waarin AI is gezakt
De AI-adoptiecijfers lopen tot en met 2025, terwijl het meest recente hier gebruikte productiviteitscijfer betrekking heeft op 2024. De twee reeksen meten bovendien verschillende populaties en concepten.
Er kan op basis hiervan geen causaal verband worden gelegd. Zelfs wanneer een bedrijf in een enquête aangeeft AI te gebruiken, weten we nog niet:
hoeveel werknemers de toepassing gebruiken;
hoe vaak zij dat doen;
voor welke werkzaamheden;
hoeveel tijd werkelijk wordt bespaard;
of de kwaliteit van de output verbetert;
of de vrijgekomen tijd productief wordt ingezet;
welke implementatiekosten tegenover de besparing staan.
Een onderneming die een generatieve AI-assistent test, telt mogelijk al mee als gebruiker. Dat betekent nog niet dat haar volledige bedrijfsmodel efficiënter is geworden.
Nieuwe technologie leidt bovendien zelden onmiddellijk tot maximale productiviteit. Eerst moeten processen worden aangepast, werknemers worden opgeleid, data worden opgeschoond en verantwoordelijkheden opnieuw worden verdeeld.
Een oude werkwijze met een AI-chatvenster ernaast is nog geen nieuw productiesysteem.
De implementatielag kan jaren duren
De huidige fase doet denken aan eerdere technologische veranderingen. De aanschaf van computers leverde pas echt grote voordelen op nadat ondernemingen hun organisaties, distributie en werkprocessen rond die technologie hadden herbouwd.
Bij AI kan een vergelijkbare vertraging optreden. In de eerste fase kopen bedrijven chips, cloudcapaciteit en softwarelicenties. Dat verhoogt de investeringen en kosten. Werknemers besteden tijd aan pilots, trainingen en controles. Sommige taken gaan sneller, maar mensen controleren de uitkomsten nog intensief of voeren dezelfde werkzaamheden parallel op de oude manier uit.
Pas in een latere fase kunnen functies, processen en producten fundamenteel veranderen. Het productiviteitsdividend ontstaat niet wanneer een werknemer af en toe een tekst laat samenvatten. Het ontstaat wanneer een compleet proces met minder fouten, minder wachttijd en minder menselijke tussenstappen kan worden uitgevoerd.
Daarvoor moeten modellen niet alleen intelligent zijn. Zij moeten ook betrouwbaar, controleerbaar, veilig en geïntegreerd zijn.
Semiconductors ontvangen het geld als eerste
Dit verklaart het verschil tussen het semiconductor- en softwareverhaal. Wanneer een hyperscaler een datacenter bouwt, worden chips, netwerkcomponenten en energiesystemen direct besteld. De leverancier kan omzet boeken voordat de uiteindelijke zakelijke klant ook maar één extra euro heeft verdiend met AI.
Semiconductorbedrijven en infrastructuurleveranciers staan daardoor vooraan in de economische keten.
Softwarebedrijven bevinden zich dichter bij de daadwerkelijke toepassing. Hun kans is potentieel breder en langduriger, maar ook moeilijker meetbaar. Zij moeten laten zien dat AI leidt tot:
hogere omzet per klant;
extra verbruik;
meer gebruikers;
lagere klantuitstroom;
betere brutomarges;
of aantoonbare kostenbesparingen.
De infrastructuurlaag profiteert van de bouw van AI-capaciteit. De softwarelaag moet bewijzen dat die capaciteit productief wordt gebruikt.
Het CBS-beeld suggereert dat die tweede fase is begonnen, maar nog lang niet is voltooid.
Lees ook: hoe Nvidia en softwarebedrijven ieder een ander deel van de AI-keten monetiseren, waarom neoclouds de kapitaalintensieve brug vormen en wat Broadcoms cijfers aan het AI-infrastructuurverhaal veranderen.
Waar beleggers nu op moeten letten
De belangrijkste vraag is niet langer uitsluitend hoeveel bedrijven “iets met AI” doen. Het gaat om de diepte van het gebruik.
Bij softwarebedrijven zijn daarom vooral de volgende indicatoren relevant:
Betaald gebruik in plaats van alleen activatie, Hoeveel klanten betalen daadwerkelijk extra voor AI-functionaliteit?
Integratie in kernprocessen, Wordt AI gebruikt voor incidentele experimenten, of voor bedrijfskritische werkzaamheden?
Meetbare klantwaarde, Kan de leverancier aantonen hoeveel tijd, personeel of fouten een klant bespaart?
Effect op omzet en klantbinding, Stijgt de omzet per klant, het verbruik of de retentie?
Kosten van de modellen, Extra AI-omzet is minder aantrekkelijk wanneer inferencekosten vrijwel even snel oplopen.
Verschillen tussen sectoren, Leveranciers aan digitale en kennisintensieve bedrijfstakken kunnen eerder profiteren dan softwarebedrijven die vooral fysieke sectoren bedienen.
Voor semiconductorbedrijven verschuift de aandacht geleidelijk naar de andere kant van dezelfde keten. Niet alleen het aantal bestelde accelerators telt, maar ook de vraag hoeveel rendabele eindtoepassingen op de gebouwde capaciteit ontstaan.
Zonder voldoende economisch rendement bij gebruikers kan zelfs een enorme investeringsgolf uiteindelijk afkoelen.
De productiviteitswinst is uitgesteld, niet bewezen
De Nederlandse cijfers geven zowel optimisten als sceptici een bruikbaar argument. De optimist ziet dat AI-gebruik onder microbedrijven in twee jaar is verdubbeld en bij de grootste ondernemingen inmiddels bijna gemeengoed is. De technologie verspreidt zich sneller door het bedrijfsleven en commerciële software maakt haar toegankelijk voor ondernemingen zonder eigen AI-team.
De scepticus ziet dat de commerciële arbeidsproductiviteit in 2024 nog met 0,1% daalde en dat multifactorproductiviteit een negatieve bijdrage leverde. De enorme technologische vooruitgang is op macroniveau dus nog niet overtuigend terug te vinden.
Beide observaties kunnen tegelijk waar zijn. Adoptie komt vóór reorganisatie. Reorganisatie komt vóór meetbare productiviteitswinst. En productiviteitswinst komt niet noodzakelijk terecht bij dezelfde onderneming die de chips, cloudcapaciteit of software heeft geleverd.
Conclusie...
De CBS-cijfers laten geen mislukte AI-revolutie zien. Zij tonen een economie die zich nog midden in de implementatiefase bevindt.
Grote bedrijven lopen ver voor op kleine ondernemingen. Digitale sectoren lopen voor op fysieke bedrijfstakken. Commerciële software is voor veel kleinere bedrijven de belangrijkste toegangspoort, terwijl gebrek aan kennis en ervaring een grotere beperking vormt dan toegang tot de technologie zelf.
Voor beleggers is dat een belangrijke nuance. Semiconductors monetiseren de verwachting dat AI groot wordt. Softwarebedrijven moeten de technologie vertalen naar dagelijks gebruik. De uiteindelijke economische test wordt geleverd door productiviteit, marges en nieuwe omzet bij de klant.
De investeringscyclus is al zichtbaar in de resultaten van infrastructuurleveranciers. Het gebruik groeit snel. Maar de laatste stap, van meer AI naar structureel meer economische output per gewerkt uur, moet nog overtuigend worden gezet.
Dit artikel bevat algemene informatie en geen persoonlijk financieel advies. De genoemde CBS-reeksen hebben verschillende verslagperioden, populaties en definities. De combinatie ervan laat een economische ontwikkeling zien, maar bewijst geen causaal verband tussen AI-gebruik en arbeidsproductiviteit.
Opmerkingen