AI-transformatie is ongelijk: wat we zien bij B2B-bedrijven

AI-transformatie in B2B-bedrijven verloopt ongelijk. Ze gaat het snelst in drukke markten met lage marges en het traagst waar de concurrentiedruk laag is. Binnen elk bedrijf dragen een paar power users het, terwijl de rest werkt zoals in 2021. De bedrijven die resultaat halen, behandelen AI als een systeem met een eigenaar, een omzetmetric en een onderhoudsplan, niet als een verzameling persoonlijke tools.

Het ongemakkelijke deel is dit. De meeste bedrijven transformeren niet. Een paar mensen binnen die bedrijven wel.

Bij Revenue Wizards werken we aan de commerciële kant van B2B-bedrijven (sales, marketing, customer success en de systemen eronder). Het afgelopen jaar is AI in bijna elk klantgesprek geslopen. Soms is het de hele agenda. Soms is het iets wat de CEO in de laatste vijf minuten van de call nog even aankaart.

En het beeld dat we zien is niet het beeld uit de vendor decks. Het is fragmentarisch. Ongelijk. Duur op manieren die nog niemand meet. Ons eigen RevOps in 2026-onderzoek onder 123 professionals bij mid-market B2B SaaS-bedrijven liet hetzelfde gat zien: 73% heeft een AI-mandaat en maar 38% heeft de samenhangende data om dat te ondersteunen.

Dus dit is wat we echt zien, waar het onderzoek het onderbouwt, en welke vragen we nu stellen voordat we ook maar één agent bouwen.

AI-transformatie in B2B in zes cijfers

Cijfer	Wat het meet	Bron
Ongeveer 5%	GenAI-pilots die zorgden voor snelle omzetgroei	MIT NANDA, 2025
78%	AI-gebruikers die hun eigen AI-tools meenemen naar het werk	Microsoft en LinkedIn, 2024
52%	AI-gebruikers die niet graag toegeven dat ze AI gebruiken voor hun belangrijkste taken	Microsoft en LinkedIn, 2024
Ongeveer 6%	Bedrijven die als AI high performer gelden	McKinsey, 2025
16% naar 43%	Logistieke bedrijven met een actieve aanpak voor AI, binnen één jaar	Annual Study of Logistics and Transportation Trends, 2026
Ongeveer 205%	Groei in vacatures voor GTM engineers, 2024 naar 2025	Onfire

Elk cijfer staat met bron in de sectie waarin we het gebruiken.

AI-adoptie hangt af van hoe hard je markt je onder druk zet

AI-transformatie ziet er bij onze klanten niet hetzelfde uit. Bij lange na niet.

Bedrijven in sectoren met felle concurrentie en dunne marges zijn de betere adopters. Dat moet ook wel. Als je concurrent sneller outbound doet, scherper target of een goedkopere supportaanpak heeft, voel je dat binnen een kwartaal in je pipeline. Vooroplopen met technologie is voor hen geen nice to have, het is overleven.

Dan zijn er sectoren zoals logistiek en productie. Ik heb het nog steeds over de commerciële kant, niet over de fabrieksvloer. Adoptie gaat daar langzamer, en voor zover ik kan zien komt dat door twee dingen.

1. Minder druk. Minder nieuwe toetreders, langere klantrelaties, langzamere salescycli. Niemand wordt voor vrijdag gedisrupt.
2. Minder doorstroom van talent. Mensen blijven langer in hun rol. Er komen minder nieuwe mensen binnen met verse gewoontes uit een AI-native bedrijf.

Volgens het onderzoek negeren deze sectoren AI niet, ze zitten vast tussen proberen en opschalen. De Annual Study of Logistics and Transportation Trends van 2026 liet zien dat het aandeel logistieke bedrijven met een actieve AI-aanpak in een jaar steeg van 16% naar 43%, terwijl maar 7% sterk vertrouwt op wat AI aanbeveelt (Supply Chain 24/7). In de productie komt een onderzoek van Parsec uit op 72% adoptie, met maar 10% die het over hun hele netwerk heeft opgeschaald (Parsec).

Veel pilots. Heel weinig uitrol. Dat is precies wat wij zien.

AI power users en de rest binnen één bedrijf

Zoom in op één klant en dezelfde ongelijkheid duikt weer op.

Er zijn champions. Mensen die AI elke dag gebruiken en stilletjes een flink deel van hun eigen werk hebben geautomatiseerd. En er zijn mensen die hun werk precies zo doen als in 2021.

Dit is het tijdperk van de sterk ondersteunde individuele medewerker. Eén nieuwsgierige account executive met goede prompts en een paar automatiseringen doet nu het onderzoek, de voorbereiding en de follow-up waar vroeger een klein team voor nodig was.

Wat hen onderscheidt is geen senioriteit of technische kennis. Het is nieuwsgierigheid. De mensen die blijven vragen "hoe kan dit deel van mijn week sneller?" halen bijna al het voordeel binnen, en verbruiken de meeste tokens waar het bedrijf voor betaalt.

Veel daarvan gebeurt buiten de officiële programma's. De Work Trend Index 2024 van Microsoft en LinkedIn liet zien dat 78% van de AI-gebruikers hun eigen AI-tools meeneemt naar het werk (Fortune).

Waarom AI-champions hun kennis voor zichzelf houden

Dit is de grootste uitdaging die we bij klanten zien.

Kennis gaat niet van de champions naar de rest. Wie heeft uitgevogeld hoe je callvoorbereiding terugbrengt van een uur naar tien minuten, houdt dat vaak voor zichzelf. Er komt geen lunchsessie. Het wordt niet opgeschreven.

Ik denk niet dat het kwade wil is. Het is baanzekerheid. In dezelfde Work Trend Index zei 52% van de AI-gebruikers dat ze niet graag toegeven dat ze AI gebruiken voor hun belangrijkste taken, en 53% was bang dat het hen vervangbaar zou laten lijken. Maar 39% had AI-training van hun werkgever gekregen (Virtualization Review).

Zo krijg je een bedrijf waarin de AI-kennis in een handvol persoonlijke accounts zit. Als een van die mensen vertrekt, loopt die kennis mee de deur uit.

Waarom AI een verzameling persoonlijke hacks blijft in plaats van een systeem

Zelfs met alle enablement, workshops en licenties hebben mensen moeite om de puntjes te verbinden.

Neem een typische salesorganisatie (een illustratie, geen specifieke klant). Eén rep heeft een sterke prompt voor callsamenvattingen. Iemand in marketing draait een enrichment-flow. Een manager heeft een custom GPT gebouwd voor offertes. Alle drie nuttig. Geen van de drie praat met de andere, en geen van de drie schrijft betrouwbaar terug naar het CRM.

Dat is geen transformatie. Dat is een verzameling persoonlijke productiviteitshacks.

Denken in systemen betekent vragen waar data binnenkomt, wat ermee gebeurt, waar het terechtkomt en wie erop handelt. En dan bepalen waar AI in die keten thuishoort. De meeste teams hebben nooit geleerd zo naar hun werk te kijken, en AI maakt dat gat zichtbaarder, niet kleiner. Ons AI-playbook voor sales en RevOps laat per workflow zien hoe dat eruitziet.

Waarom nog niemand de kosten van AI meet

Dit verraste me. Op dit moment maakt bijna niemand met wie we werken zich zorgen over wat AI kost.

Budget is het probleem niet. Iedereen probeert juist zoveel mogelijk aan AI uit te geven. We zitten in de bouwfase, met experimenten, trials, pilots en nog meer pilots. De hoop is dat efficiëntie en productiviteit later volgen, en dat optimaliseren een probleem is voor later.

De data laat zien dat die hoop veel zwaar werk doet. Het MIT NANDA-rapport van 2025 liet zien dat maar ongeveer 5% van de generatieve AI-pilots voor snelle omzetgroei zorgde, en dat meer dan de helft van de GenAI-budgetten naar sales en marketing gaat, terwijl het grootste rendement in de automatisering van de backoffice zat (Fortune). Het was een vroeg onderzoek met een omstreden steekproef, dus ik behandel het exacte getal als richtinggevend. Over de richting valt weinig te twisten.

Mijn inschatting is dat de optimalisatiefase eraan komt, en dat die het hardst aankomt bij de bedrijven die het meest hebben gebouwd zonder iets te meten. Dat is mijn conclusie, geen statistiek. Als die fase komt, maakt het net zoveel uit hoe je leveranciers AI afrekenen als wat je bouwt. Daarom schreven we uit hoe AI-prijsmodellen en credits werken.

Wie onderhoudt de AI-agents als het project klaar is?

Hier denken we het meest over na als we AI in de revenue-engine van een klant bouwen.

AI is nog steeds een systeem. Agents, orchestrators, prompts, kennisbanken, integraties. Iemand moet dat allemaal overnemen als het project klaar is. En bij de meeste klanten kan niemand in het team dat.

Het grotere probleem is dat er in de markt nog geen vaste patronen zijn. Elk team werkt met andere tools, andere kennisbanken en andere manieren om data en context op te slaan. Er is geen standaardmanier om deze systemen te bouwen, te onderhouden, te verbeteren en te draaien. Elke AI-opzet is dus een beetje uniek, en unieke systemen zijn duur in onderhoud.

Die onderhoudskosten moet je vanaf dag één meerekenen. Niet pas als het eerste ding kapotgaat.

De bedrijven die wel resultaat halen, pakken AI serieus aan, met echte ontwikkel- en deploymentkracht erachter. Volgens McKinsey's State of AI 2025 is ongeveer 6% van de respondenten een AI high performer (5% of meer van de EBIT toegeschreven aan AI), en het herontwerpen van workflows is een van de duidelijkste dingen die hen onderscheiden (McKinsey). Herontwerpen, niet een chatbot op het oude proces plakken.

Waarom het leiderschap achterloopt met AI-transformatie

Helaas loopt het leiderschap in veel startups nog achter. Niet overal, en het verschilt sterk tussen de groepen bedrijven waarmee we werken. Maar het patroon is echt.

Sommige leiders begrijpen niet goed wat AI voor hun bedrijf kan doen. Anderen snappen het in principe, maar hebben geen tijd om diep in hun eigen processen te duiken en te zien waar het past. Hoe dan ook wordt AI gedelegeerd aan wie het meest enthousiast is, en dan zijn we weer terug bij het probleem van de champions.

Er is nog een lange weg te gaan voordat AI in de workflows van de meeste bedrijven zit, laat staan in hun manier van denken.

Waarom RevOps eigenaar moet zijn van AI-transformatie aan de commerciële kant

Een van de grootste remmen op AI-adoptie is talent. Omdat er nog geen standaardmanier is om AI uit te rollen, moet veel werk nog met de hand aan elkaar worden geknoopt. Daarom is de vraag naar GTM engineers geëxplodeerd. Eén analyse van meer dan 1.000 vacatures liet zien dat het aantal met ongeveer 205% steeg van 2024 naar 2025 (Onfire). De meeste van die data komen van leveranciers in deze markt, dus lees het als een richting, niet als een telling.

Het addertje bij de GTM engineer-aanpak is simpel. Je kunt elke tool koppelen, elke agent bouwen en ze allemaal orkestreren. Je hebt nog steeds iemand nodig die garandeert dat het geheel optelt tot omzet. Nieuwe omzetstromen, of betere uit de stromen die je al hebt.

En onthoud dat optimaliseren nog bij niemand op de radar staat. Er gaat dus veel geld naar bouwen zonder dat iemand checkt hoe het in de cijfers terugkomt.

Daarom denk ik dat revenue operations het best gepositioneerd is om AI aan de commerciële kant te orkestreren, met GTM engineering als bouwfunctie daaronder. RevOps is al eigenaar van het proces, het datamodel en de metrics. Het is de logische plek om te beslissen welke agents er überhaupt moeten zijn. We vergeleken de twee rollen uitgebreid in GTM engineer vs revenue operations.

De echte beperking zit in mensen die beide helften kunnen. Ze moeten het landschap van AI-tools begrijpen én de zakelijke taal van de organisatie goed genoeg spreken om die te vertalen naar systemen en agents. Simpel gezegd weten de meeste mensen nog niet wat haalbaar is, of hoe hun dagelijkse werk echt zou kunnen veranderen.

Zeven vragen voordat je een AI-agent bouwt

Dit is de checklist die we nu bij klanten gebruiken. Neem hem gerust over.

1. Welke omzetmetric beweegt dit? Als niemand er een kan noemen, is het speelgoed. Leuk speelgoed misschien.
2. Wie neemt het over? Een persoon aan klantkant met een naam, die kan uitleggen hoe het werkt zonder dat wij erbij zijn.
3. Waar staat de kennis? Op één gedocumenteerde plek, niet in vijf persoonlijke accounts.
4. Herontwerpen we de workflow of versieren we hem? AI bovenop een kapot proces geeft je een sneller kapot proces.
5. Wie zijn de champions, en wat zou ze aan het delen krijgen? Erkenning, tijd in de week, een rol in de uitrol. Angst om vervangbaar te zijn verdwijnt niet vanzelf.
6. Wat kost het per maand bij volledig gebruik? Ook als niemand er nu naar vraagt. Iemand gaat dat doen.
7. Kan het leiderschap het verdedigen in een budgetreview? Als de CEO niet kan uitleggen waarom het bestaat, overleeft het de eerste bezuiniging niet.

Waar je deze week begint met je AI-transformatie

Begin niet met meer agents. Begin met een kaart.

Zoek uit wie in je commerciële team AI echt gebruikt, waarvoor, en waar die kennis zit. Waarschijnlijk vind je twee of drie champions die het meeste dragen, met een stapel losse experimenten om hen heen. Kies dan één omzetworkflow (lead routing, callvoorbereiding, verlengingen) en herontwerp die van begin tot eind, met een eigenaar, een metric en een kostenplaatje.

De tokens zijn nu goedkoop. Het systeem dat je moet onderhouden niet.

Wil je dat iemand met een frisse blik naar die kaart kijkt, plan dan een gesprek met ons. In kaart brengen waar AI in een revenue-engine past, en wie daarna eigenaar is, is precies het werk dat we bij Revenue Wizards doen.

FAQ over AI-transformatie

Wat is AI-transformatie in een B2B-bedrijf?

AI-transformatie is de verschuiving van individuele mensen die AI-tools gebruiken naar AI die is ingebouwd in hoe het bedrijf zijn workflows draait, met eigenaren, metrics en onderhoud. Aan de commerciële kant betekent het dat je sales-, marketing- en customer success-processen rond AI herontwerpt, en niet een chatbot aan het oude proces toevoegt.

Waarom verloopt AI-adoptie zo ongelijk tussen bedrijven?

Marktdruk drijft het. Bedrijven in drukke markten met lage marges moeten snel bewegen, dus ze adopteren AI eerder en harder. Sectoren met minder concurrentiedruk of minder doorstroom van talent, zoals logistiek en productie aan de commerciële kant, gaan langzamer. Veel van hen doen pilots met AI, maar veel minder hebben het opgeschaald voorbij experimenten.

Waarom laten de meeste AI-pilots geen zakelijk resultaat zien?

Meestal is het een implementatieprobleem, geen modelprobleem. Volgens onderzoek van MIT NANDA uit 2025 zorgde maar ongeveer 5% van de generatieve AI-pilots voor snelle omzetgroei. Veelvoorkomende oorzaken zijn kwetsbare workflows, geen duidelijke omzetmetric, kennis verspreid over tools, en niemand in het bedrijf die kan onderhouden wat er gebouwd is.

Wat is het verschil tussen een GTM engineer en RevOps in AI-projecten?

Een GTM engineer knoopt tools aan elkaar, waaronder enrichment, agents, automatiseringen en orkestratie. RevOps is eigenaar van het revenue-systeem waar die onderdelen op aansluiten, inclusief het proces, het datamodel en de metrics. GTM engineers bouwen de onderdelen, en RevOps bepaalt welke onderdelen er moeten zijn en zorgt dat ze optellen tot pipeline en omzet.

Hoe maak je AI-agents onderhoudbaar als de consultant vertrekt?

Plan de overdracht voordat je bouwt. Wijs een interne eigenaar aan, houd kennis en prompts op één gedocumenteerde plek bij, koppel elke agent aan een omzetmetric, en schat de maandelijkse kosten bij volledig gebruik. Als niemand in het team kan uitleggen hoe een agent werkt, gaat hij binnen een paar maanden ongemerkt stuk.