AI is geen experiment meer. Bij Europese organisaties wordt het steeds meer infrastructuur: ingebed in dagelijkse operaties en bepalend voor besluitvorming. Toch blijft de ROI voor de meesten ongrijpbaar. Tools zijn uitgerold, investeringen gedaan, adoptiedashboards laten groei zien. Maar het organisatorische werk heeft de technologie-investeringen niet bijgehouden. Governance is slechts gedeeltelijk ingericht, verantwoordelijkheid is impliciet in plaats van expliciet belegd, terwijl capabilities worden opgebouwd via methoden die zich niet vertalen naar het dagelijkse oordeel op de werkvloer. AI is bovenop bestaande processen gestapeld, terwijl werkprocessen, besluitvorming en verantwoordelijkheid ongewijzigd bleven. Drie op de vier Europese organisaties halen geen transformatieve waarde uit AI — en de meeste huidige programma’s zijn niet ingericht om daar verandering in te brengen.
De illusie van vooruitgang
De Eraneos People & AI-studie is ontwikkeld om de kloof tussen AI-ambitie en werkelijkheid te meten. Ons onderzoek bekijkt dezelfde organisatie tegelijkertijd vanuit vijf hiërarchische niveaus: C-level executive, directeur, senior manager, manager en frontlijnspecialist. Met 19 indicatoren worden drie kerngebieden in kaart gebracht: AI-adoptie, AI-capabilities, vertrouwen & governance. Zo wordt niet alleen zichtbaar hoeveel AI organisaties inzetten, maar ook of de randvoorwaarden om er daadwerkelijk waarde mee te creëren zijn geborgd.
"Echte AI-transformatie gebeurt niet wanneer AI wordt geïntroduceerd, maar wanneer organisaties veranderen hoe ze werken. Onze onderzoek onthult waarom drie op de vier Europese organisaties nog vastzitten, en wat de winnaars anders doen."
Belangrijkste bevindingen
De People & AI Study 2026 geeft Europese leiders de data om te diagnosticeren waar hun programma vastloopt, en een helder kader voor wat er in plaats daarvan gebouwd moet worden. De organisaties die vooroplopen draaien niet meer AI. Zij hebben de governance, verantwoordelijkheid en ingebedde capabilities opgebouwd die AI-uitkomsten betrouwbaar en actionable maken. Ons onderzoek identificeert vier belangrijkste bevindingen:
- Leiderschap leest de werkelijkheid verkeerd. C-level executives zijn gemiddeld 2,3 keer zo geneigd als frontlijnspecialisten om hun organisatie positief te beoordelen op elk van de dimensies die we hebben getest. De kloof is het grootst als het gaat om vertrouwen in AI, waar deze oploopt tot 47 procentpunten. De leiders die het beste in staat zijn het probleem op te lossen, zijn het minst geneigd het te zien.
- Adoptie is een ijdele metric. Slechts 7% van de organisaties ziet significante AI-impact op elke gemeten dimensie, terwijl AI gemiddeld 39% van de dagelijkse operaties raakt. Adoptie en waarde zijn structureel ontkoppeld. De onderscheidende factor is niet hoeveel AI je inzet. Het is wat je er omheen hebt gebouwd.
- Vertrouwen breekt in de laatste mijl. 74% van de respondenten verwerpt minstens 40% van de AI-aanbevelingen die ze ontvangen. De oorzaak is niet nauwkeurigheid. Het is het ontbreken van duidelijke richtlijnen en heldere verantwoordelijkheidsverdeling. Waar richtlijnen duidelijk zijn en breed bekend, daalt dat cijfer naar 54%. Waar er sprake is van groot vertrouwen in AI, daalt het naar 47%.
- Hoe je AI-capabilities opbouwt, is net zo belangrijk als óf je ze opbouwt. Het vertrouwen op de werkvloer bereikt 56% waar AI is ingebed in dagelijkse werkprocessen, tegenover 15% bij losstaande trainingen. Medewerkers met een hoog vertrouwen in AI geven hun werkgever een NPS van +91, tegenover +26 voor medewerkers zonder dat vertrouwen.
Figuur 1. De kloof tussen directieleden en (senior) specialisten
De People & AI Study geeft Europese leiders de data om te diagnosticeren waar hun programma vastloopt, en een helder kader voor wat er in plaats daarvan gebouwd moet worden. De organisaties die vooroplopen draaien niet meer AI. Zij hebben de governance, verantwoordelijkheid en ingebedde capabilities opgebouwd die AI-uitkomsten betrouwbaar en actionable maken. Als jouw organisatie investeert in AI maar de opbrengsten nog uitblijven, laat dit onderzoek zien waarom dat zo is en waar je moet beginnen.
