Je investeert in AI. Waar blijft het rendement?

Eerder schreef ik dat 2026 het jaar van de context is: de modellen zijn voor iedereen te koop, dus je voorsprong zit in wat de AI van jóu weet. Die context moet ergens vandaan komen, en dat is het onderwerp van dit stuk. Want zodra AI niet alleen meedenkt maar ook gaat handelen in je klantsystemen, wordt de kwaliteit van je klantdata ineens een commercieel risico.

Stel, je zet een AI-agent op je CRM om leads op te volgen. Hij leest je klantdata en handelt zelf: hij mailt, plant een afspraak en werkt de deal bij. Dan moet hij wel weten wélke klant, uit welk systeem, met welke historie. Staat diezelfde klant vijf keer net anders in vijf systemen, dan kiest de agent er zelfverzekerd één en volgt hij de verkeerde op.

Dat is geen theoretisch bezwaar. Forbes liep in juli 2026 langs de redenen waarom agentic AI-projecten stranden en kwam uit bij vier woorden die niets met modellen te maken hebben: governance, datatoegang, eigenaarschap en ROI. De pilots halen de productie niet, en dat komt zelden doordat de AI te dom was.

Forbes, 7 juli 2026, mede op basis van een Gartner-voorspelling uit juni 2025 dat ruim 40% van de agentic AI-projecten eind 2027 geschrapt is.

Kijk eens wat je CRM-leverancier eigenlijk verkoopt

Kijk naar de partij met het grootste belang om te zeggen dat AI vanzelf gaat: Salesforce. Zij rapporteerden op 26 augustus hun tweede kwartaal, en die cijfers vertellen precies dit verhaal.

Agentforce en Data 360 samen zijn goed voor bijna 3,9 miljard dollar aan jaarlijks terugkerende omzet, ruim drie keer zoveel als een jaar eerder. Agentforce, de agents zelf, is daarvan goed voor ruim 1,5 miljard. De rest, zo'n 2,4 miljard, zit in Data 360: de laag die de data ophaalt, opschoont en klaarzet.

Zet dat naast de reclame. In de reclame gaat het over agents die je werk overnemen. In de omzet gaat het grootste deel naar het opruimen en koppelen van je data. De leverancier weet dus allang wat het echte werk is, alleen staat dat niet op de billboards.

En Salesforce staat daar niet alleen in. Elke serieuze CRM-leverancier heeft in hetzelfde jaar twee dingen gelanceerd: een agent-laag én een datalaag eronder.

Dat laatste is een eerlijk gesprek waard. De nieuwkomers hebben gelijk dat een schoon fundament sneller rendeert, maar jouw klantdata verhuist niet mee zonder dat iemand beslist wat de waarheid is. Dat werk zit niet in het pakket.

Wat een agent nodig heeft om te renderen

Onder elk AI-model dat waarde oplevert ligt hetzelfde dragende vlak. Data die betrouwbaar is, regie over wie ermee mag werken, en governance die vastlegt wat er wel en niet zelfstandig mag gebeuren. Ben je zwak op één van de drie, dan zakt de belofte weg voordat er rendement is.

Het aantrekkelijke aan dit rijtje is dat het niets kost om te controleren en veel scheelt als je het overslaat. Je hoeft er geen platform voor aan te schaffen, je hoeft alleen eerlijk te kijken.

Niet alle AI is even datahongerig

Dit fundament geldt niet overal even streng, en dat scheelt je een hoop paniek. Het verschil zit in wat de AI met je bedrijfsdata doet: iets ópzoeken, of er zelf naar hándelen. Hoe verder naar rechts op dit spectrum, hoe zwaarder het fundament weegt.

De meeste organisaties zitten op niveau één en denken dat ze niveau drie doen. Dat is geen ramp, het betekent alleen dat de winst die je nu boekt niet vanzelf meeschaalt naar de volgende stap. Bij opzoeken kom je met rommelige data nog een heel eind, bij handelen automatiseer je vooral je rommel.

Vier checks voor je een agent op je klantdata loslaat

Bij een datavalidatie loop ik altijd dezelfde vier dingen langs. Het verschil met vroeger is wat er gebeurt als een van de vier niet klopt. Bij een rapport zag je een raar getal en corrigeerde je het, bij een agent gaat het gewoon door naar je klant.

Die laatste kolom is de reden dat dezelfde klacht elk kwartaal terugkomt. "De data klopt niet" wordt vrijwel altijd bij IT neergelegd, terwijl deze vier checks drie verschillende eigenaren nodig hebben. Een koppeling die eruit ligt is werk voor functioneel beheer, een klant die dubbel staat is een definitiekwestie voor de data-eigenaar, en een leeg of gegokt veld hoort bij de key-user in het team dat ermee werkt. Leg je alle drie bij IT neer, dan krijg je er één opgelost en houd je er twee over.

Wat deze vier prettig maakt is dat je ze per fase kunt beoordelen in plaats van voor je hele organisatie. Voor een agent die offertes voorbereidt telt volledigheid zwaar, voor een agent die verlengingen signaleert is up-to-date het kritische punt. Je hoeft dus niet eerst alles op orde te hebben, je moet weten welke van de vier telt voor wat je wil automatiseren.

Scoort een van de vier onvoldoende op de plek waar je AI wil inzetten, dan los je dat niet op met een slimmer model of een duurdere agent, want dan ligt daar je eerste project. En er is een prettige kant aan: wie dat fundament op orde brengt hoeft geen duurdere AI te kopen, maar haalt rendement uit de AI die er al staat.

Pak dus de toepassing die je als eerste wil aanzetten, loop de vier checks langs en zet achter elke check een naam. Geen afdeling, een naam, en laat die persoon zelf bevestigen dat hij het is. Komt er bij een van de vier geen naam uit, dan heb je je eerste project gevonden en kost het je geen licentie. First things first.