De paradox van AI-rendement: waarom generalistische modellen en verouderde ERP-systemen uw budget zullen ruïneren

In oktober 2025 publiceerde Deloitte een rapport dat bevestigde wat elke consultant al geruime tijd zou moeten weten. Bedrijven pompen miljarden dollars in generatieve kunstmatige intelligentie, maar het beloofde rendement op investering blijft tot nu toe grotendeels uit.

We hadden verwacht dat AI onze bedrijfssystemen direct zou automatiseren en de operationele kosten drastisch zou verlagen. In plaats daarvan zien managers zich geconfronteerd met torenhoge softwarekosten, vastgelopen pilotprogramma's en een duidelijk gebrek aan meetbare zakelijke waarde. De markt is duidelijk nog steeds in de war, en de recente paniek rond SaaS-bedrijfsmodellen weerspiegelt deze diepe onzekerheid.

Als uw bedrijf moeite heeft om het rendement op investering (ROI) van uw nieuwe AI-initiatieven te bepalen, ligt het probleem niet bij het concept van kunstmatige intelligentie zelf. Het probleem zit hem vooral in de processen binnen de fabriek.

Naar mijn mening zien we momenteel een enorme architectonische mismatch. Organisaties maken twee fouten tegelijk: ze kopen het verkeerde type intelligentie en ze proberen die te integreren in de verkeerde software.

Laat me precies uitleggen waar volgens mij uw AI-budget weglekt en hoe u deze trend kunt keren door uw gehele aanpak van bedrijfssystemen te herzien.

De waan van het universele brein

Tijdens mijn recente ervaringen heb ik een terugkerend, gevaarlijk instinct opgemerkt: de drang om de grootste en meest bekende AI-modellen op de markt na te jagen. Vanuit mijn perspectief lijken de meeste mensen zich volledig te richten op generalistische, grootschalige taalmodellen (LLM's) met triljoenen parameters en steeds bredere, universele mogelijkheden.

Begrijp me niet verkeerd, ik vind deze enorme generalistische modellen onmiskenbaar fantastisch voor veel consumententoepassingen.

Mijn visie op de toekomst van bedrijfstechnologie is echter heel anders. In mijn dagelijkse werk zie ik voortdurend dat deze gebieden een compleet andere reeks vaardigheden vereisen.

Ik ben het volkomen eens met AI-pionier Yann LeCun wanneer hij erop wijst dat deze enorme LLM's geen enkel inherent begrip van de fysieke wereld bezitten. Het zijn slechts probabilistische machines die ontworpen zijn om het volgende logische woord te voorspellen. Naar mijn mening heeft het absoluut geen zin om modellen met steeds meer parameters na te jagen als je doel is om zeer specifieke bedrijfslogica uit te voeren.

Als je een generalistische LLM-student vraagt ​​om de materiaalstroom bij cross-docking in een druk magazijn te optimaliseren, of om een ​​meerlaagse stuklijst opnieuw te berekenen op basis van een plotseling tekort aan componenten, kan ik je garanderen dat je om problemen vraagt. Het antwoord klinkt misschien grammaticaal perfect en vol zelfvertrouwen, maar ik heb zelf gezien hoe datzelfde antwoord in de praktijk vaak onmogelijk of financieel rampzalig is.

Ik ben ervan overtuigd dat het werkelijke rendement op investering (ROI) in bedrijfssoftware niet schuilt in algemene kennis over triljoenen parameters, maar in hyperspecialisatie.

Ik zie de oplossing voor deze specifieke verspilling van middelen duidelijk: het Small Language Model (SLM). Een SLM werkt doorgaans met minder dan 10 miljard parameters en wordt getraind op zorgvuldig samengestelde datasets van leerboekkwaliteit. In plaats van een beetje te weten over alles op het internet, is een SLM ontworpen om absoluut alles te weten over één specifiek domein.

Als een bedrijf overweegt een gelokaliseerd SLM-systeem te implementeren, neemt het letterlijk de volledige controle over de intelligentie. Uw bedrijfseigen gegevens verlaten nooit uw beveiligde perimeter. U krijgt toegang tot een zeer gespecialiseerde agent die de fysieke en logistieke beperkingen van uw specifieke activiteiten begrijpt, en dat alles tegen een fractie van de rekenkracht en API-kosten die de grote cloudproviders vereisen.

De valkuil van het aangepaste chassis

Het verkrijgen van het juiste, gespecialiseerde AI-model lost slechts de helft van het probleem op. De tweede belangrijke reden waarom AI-rendementen zo moeilijk te behalen zijn, is de omgeving waarin deze intelligentie wordt ingezet.

Zoals ik uitvoerig heb beschreven in mijn vorige artikel, "De AI-killer: waarom vuile data uw agent failliet zullen laten gaan", is er een harde realiteit die AI in bedrijven de das omdoet: je kunt geen hoogwaardige Ferrari-motor in een verroest, dertig jaar oud chassis plaatsen en een wonder verwachten.

Historisch gezien beschouwden bedrijven hun sterk aangepaste, on-premise ERP-systemen als een erekenteken. Tegenwoordig is die extreme mate van maatwerk een technologische gevangenis die inherent gevuld is met onzuivere data.

Omdat AI uitsluitend leert van historische patronen, leert het voeden met tien jaar aan verouderde data het alleen maar om je inefficiënties razendsnel op te schalen. Deze vicieuze cirkel van rommel erin, rampzalige resultaten is precies de reden waarom bedrijven hoge prijzen betalen voor AI-software, maar geen rendement op hun investering zien.

Bruikbare inzichten voor bedrijfsleiders

Bent u CEO, CFO of IT-manager en moet u uw huidige AI-budget verantwoorden of uw volgende ERP-migratie plannen? Dan zijn hier de praktische stappen die u moet nemen om een ​​meetbaar rendement op uw investering te garanderen.

1. Zet uw kernaanpassingen om: behandel uw ERP-systeem niet langer als een op maat gemaakt product. Zet verouderde aanpassingen actief om in moderne uitbreidingsmogelijkheden. Hoewel AI technisch gezien aangepaste tabellen kan lezen, ontbreekt het aan de semantische voortraining om uw unieke velden te begrijpen, wat kan leiden tot kostbare hertrainingscycli of hallucinaties. Door aangepaste logica naar externe, API-gestuurde extensies te verplaatsen, blijft uw kerndatabase standaard en direct begrijpelijk voor de AI.

2. Richt je aandacht op Small Language Models (SLM's): maak je geen zorgen meer over welke techgigant deze week het model met de meeste parameters heeft uitgebracht. Begin met het evalueren van open-source modellen die specifiek voor jouw branche kunnen worden afgestemd. Bereken de ROI van het hosten van een SLM in je eigen gecontroleerde omgeving (op dedicated lokale hardware of een private cloudinfrastructuur zoals AWS) ten opzichte van de onvoorspelbare, terugkerende kosten van het huren van algemene API-tokens.

3. Voer een grondige datamigratie uit: voordat u een AI-pilotprogramma start, moet u uw systemen opschonen. Wees bij de migratie naar een modern cloud-ERP-systeem uiterst meedogenloos met uw historische gegevens. Migreer geen vijftien jaar aan afgesloten facturen of verouderde leverancierscodes. Archiveer die informatie in een aparte data lake en gebruik generatieve BI om deze indien nodig te bevragen. Breng alleen uw actieve stamgegevens, openstaande transacties en actuele voorraadsaldi over naar het nieuwe systeem. Een hoge signaal-ruisverhouding is de fundamentele voorwaarde voor de nauwkeurigheid van AI. Wilt u zich verder verdiepen in dit onderwerp? Begin dan hier: Het migratiehandboek.

Mijn definitieve conclusie

De paradox rond rendement op investering (ROI) die Deloitte aan het licht bracht, dient als een broodnodige waarschuwing voor de hele techindustrie. Het herinnert ons eraan dat het simpelweg aanschaffen van een abonnement op de nieuwste populaire software een organisatie niet op magische wijze transformeert in een autonome grootmacht.

Echte bedrijfsintelligentie vereist een diepgaande architectonische discipline. De markt zal ongetwijfeld een zuivering zien van bedrijven die generalistische AI ​​proberen in te zetten om hun gebroken, verouderde processen te repareren. Organisaties die echter de hypergespecialiseerde focus van Small Language Models combineren met de gestandaardiseerde flexibiliteit van Cloud ERP-uitbreidbaarheid, zullen eindelijk stoppen met het najagen van de hype. Zij zullen de basis leggen die nodig is om daadwerkelijke, cumulatieve waarde te genereren op de werkvloer.

Geschreven door Andrea Guaccio 

28 maart 2026