De 30%-regel voor AI-implementatie: zo weeg je kosten en baten af

Wanneer is een AI-project de investering waard? Dat is de vraag die elke beslisser stelt voordat een traject van start gaat. De 30 procent regel AI is een praktische vuistregel die antwoord geeft: een AI-implementatie is pas financieel zinvol als het systeem minstens 30% van de huidige inspanning, kosten of doorlooptijd van een proces bespaart. In dit artikel leggen we uit wat die regel inhoudt, hoe je hem toepast en welke fouten je beter kunt vermijden.

Wat is de 30%-regel bij AI-implementatie?

De 30%-regel is een drempelwaarde die bepaalt of de business case voor een AI-project sterk genoeg is om verder te onderzoeken. Eenvoudig gezegd: als een automatisering of AI-oplossing minder dan 30% winst oplevert op tijd, kosten of kwaliteit, dan zijn de implementatie- en onderhoudskosten in de meeste gevallen moeilijk terug te verdienen.

De vuistregel is geen absolute wet, maar een filter. Hij helpt om snel onderscheid te maken tussen processen die rijp zijn voor automatisering en processen waarbij de moeite de baten niet rechtvaardigt. In de praktijk merken wij dat bedrijven die zonder zo’n drempelwaarde werken, te snel investeren in oplossingen met een twijfelachtige return on investment.

De achterliggende logica is eenvoudig: AI-implementaties brengen initiële kosten met zich mee (ontwikkeling, datavoorbereiding, integratie), maar ook structurele beheerskosten. Als de besparing te klein is, druk je de eerste investering nooit terug. Pas zodra de besparing substantieel is, tilt het voordeel op de lange termijn duidelijk boven de kosten uit.

Hoe bereken je of een proces de drempel haalt?

De eerste stap is het meetbaar maken van het huidige proces. Veel bedrijven schatten dit intuïtief in, maar een goede business case vraagt om concrete getallen. Denk aan: hoeveel uur besteden medewerkers aan de taak per week, wat kost een fout in dit proces, en hoe vaak herhaalt het zich?

Stel dat een bedrijf met 8 administratieve medewerkers elke week gemiddeld 6 uur per persoon kwijt is aan het handmatig verwerken van inkomende facturen. Dat is 48 uur per week, of ruwweg 2.400 uur per jaar. Bij een gemiddeld uurtarief van 35 euro kom je op 84.000 euro per jaar aan arbeidskosten voor dit ene proces.

De 30%-drempel betekent in dit geval: de AI-oplossing moet minstens 720 uur per jaar besparen (30% van 2.400 uur) om de business case te rechtvaardigen. Bij een implementatiebudget van 40.000 euro en jaarlijkse beheerkosten van circa 8.000 euro verdient het systeem zichzelf dan in minder dan twee jaar terug. Haal je die 30% niet, dan wordt de terugverdientijd al snel drie tot vijf jaar, wat een heel ander risicoprofiel geeft.

Let op: bij dit soort berekeningen zijn de aannames cruciaal. Wees conservatief met de inschatting van de besparing en ruim met de kostenraming. In de praktijk vallen implementatietrajecten vaker duurder uit dan gepland, niet goedkoper.

Wanneer wijkt de 30%-regel af?

De vuistregel van 30% is een startpunt, geen eindoordeel. Er zijn situaties waarin je al bij een lagere besparing toch door moet gaan, en situaties waarin zelfs 50% besparing niet genoeg is.

Afwijken naar beneden (lager dan 30%) kan zinvol zijn als:

• Het proces een hoog foutrisico heeft met grote financiële of juridische gevolgen (denk aan compliance-checks of kwaliteitscontroles in kritieke ketens).

• De schaalbaarheid uitzonderlijk groot is: bij 10x procesvolume stijgt de besparing proportioneel mee.

• De implementatie een noodzakelijke stap is in een bredere digitaliserings- of AI-strategie, niet alleen een losstaand project.

Zelfs bij een hoge besparing toch voorzichtig zijn wanneer:

• De datakwaliteit structureel slecht is. Schone, betrouwbare data is de grondstof van elk AI-systeem. Als 40% van je projectbudget opgaat aan datacleaning, verschuift het break-evenpunt aanzienlijk.

• Het proces te onregelmatig of uitzonderlijk is om een model op te trainen.

• De organisatie nog niet klaar is voor verandering: zonder draagvlak en training mislukt zelfs de best gebouwde oplossing.

Voor wie meer wil weten over hoe je bepaalt welke processen wél en niet geschikt zijn voor automatisering, biedt ons artikel over AI-automatisering van processen: van inefficiëntie naar slimme werkprocessen een uitgebreid kader met stappenplan en checklist.

Veelgemaakte fouten bij het toepassen van de 30%-regel

De 30%-drempel is pas waardevol als je hem op de juiste manier hanteert. In de praktijk zien wij een aantal terugkerende fouten die de analyse vertekenen.

Fout 1: Alleen kijken naar tijdsbesparing Tijdsbesparing is meetbaar, maar niet het enige wat telt. Een AI-systeem dat foutpercentages terugdringt van 8% naar 1% levert ook een besparing op, alleen minder zichtbaar op de urenstaat. Tel ook kwaliteitswinst, klanttevredenheid en vermeden kosten mee in de berekening.

Fout 2: De beheerkosten onderschatten Een veelgemaakte fout is de initiële projectkosten berekenen, maar vergeten dat AI-systemen onderhoud vragen. Modellen verouderen, datastromen veranderen en gebruikers hebben begeleiding nodig. Reken structureel beheerkosten mee in je business case, ook na de livegang.

Fout 3: De huidige procestijd te rooskleurig inschatten Wanneer je vraagt hoeveel tijd een taak kost, noemen medewerkers vaak de ideale situatie. De werkelijkheid inclusief uitzonderingen, onderbrekingen en herstelwerk ligt in veel gevallen hoger. Gebruik tijdmeting of procesdata in plaats van schattingen.

Fout 4: De 30%-regel toepassen op het verkeerde niveau De drempel moet gelden op procesniveau, niet op taakniveau. Als een AI-tool één kleine stap in een proces versnelt, maar de rest van het proces ongewijzigd blijft, haal je de 30% op procesniveau niet. Kijk naar het hele werkproces, van trigger tot uitkomst.

Fout 5: Vergeten dat ook de technologiekeuze de drempel beïnvloedt Een RPA-oplossing en een machine learning-model hebben heel verschillende kosten- en besparingsprofielen. Voor gestructureerde, repetitieve taken is RPA vaak goedkoper; voor processen met variabele input is AI beter geschikt. Het artikel over AI-automatisering versus RPA helpt je die keuze onderbouwen.

Van rekensom naar beslissing: een praktisch stappenplan

Het toepassen van de 30%-regel is geen momentopname, maar onderdeel van een bredere haalbaarheidsanalyse. De stappen hieronder helpen je de berekening gestructureerd aan te pakken.

1. Breng het proces in kaart: omschrijf het begin, de stappen en het eindresultaat. Noteer wie erbij betrokken is en hoe vaak het proces plaatsvindt.
2. Meet de huidige kosten: gebruik tijdregistratie, procesdata of interviews. Vertaal uren naar euro’s op basis van reële uurtarieven (inclusief overhead).
3. Schat de AI-besparing conservatief: baseer je op vergelijkbare use cases en wees terughoudend. Een besparingsschatting van 40% die in de praktijk uitkomt op 28%, zet de hele business case op losse schroeven.
4. Bereken de implementatie- en beheerkosten: inclusief datavoorbereiding, integratie, training van medewerkers en jaarlijks onderhoud.
5. Bepaal de terugverdientijd: deel de totale investering door de jaarlijkse nettobesparing. Onder twee jaar is doorgaans groen licht; boven vier jaar vraagt het extra rechtvaardiging.
6. Toets aan de 30%-drempel: haal je de drempel niet op procesniveau, heroverweeg dan of dit het juiste proces is, of zoek naar een combinatie van processen waarbij de optelsom wél zinvol is.

Wil je weten welke concrete AI-toepassingen voor jouw sector of procestype bewezen werken? Op onze pagina met praktische AI-toepassingen voor bedrijven vind je use cases voor onder andere automatische factuurverwerking, vraagvoorspelling en documentanalyse, telkens met heldere criteria voor wanneer een toepassing zinvol is en wanneer niet.

Veelgestelde vragen

Wat is de 30%-regel bij AI-implementatie precies?

De 30%-regel is een vuistregel die aangeeft dat een AI-project pas financieel haalbaar is als het minimaal 30% bespaart op de huidige kosten, tijd of foutenlast van een proces. Het is geen wettelijke norm, maar een praktisch filter om kansrijke projecten te onderscheiden van projecten met een te lage return on investment.

Geldt de 30%-drempel voor elk type AI-project?

De drempel is een richtlijn, geen absolute wet. Bij processen met een hoog foutrisico of grote schaalbaarheid kan een lagere besparing al volstaan. Bij processen met slechte datakwaliteit of beperkt organisatiedraagvlak is zelfs een hogere besparing soms onvoldoende rechtvaardiging. Gebruik de regel als startpunt voor je analyse, niet als eindoordeel.

Hoe houd ik rekening met beheerkosten in mijn business case?

Reken naast de eenmalige implementatiekosten ook jaarlijkse beheerkosten mee: modelonderhoud, datamonitoring, gebruikerstraining en eventuele licentiekosten. In de praktijk liggen deze structurele kosten regelmatig op 20% tot 30% van de initiële investering per jaar. Vergeet je ze, dan overschat je de nettobesparing aanzienlijk.

Wat doe ik als mijn proces de 30%-drempel niet haalt?

Overweeg dan of je meerdere processen kunt bundelen in één AI-traject, waardoor de gecombineerde besparing wél boven de drempel uitkomt. Een andere optie is beginnen met een goedkopere basisoplossing (zoals een eenvoudige automatisering) en pas opschalen naar AI wanneer de procesvolumes groeien. Het stappenplan in de 7 fasen van AI-implementatie helpt je die keuzes gestructureerd te doorlopen.

Hoe nauwkeurig moet mijn kostenanalyse zijn voordat ik de 30%-regel toepas?

Perfecte precisie is niet vereist in de verkenningsfase, maar orde van grootte wel. Een ruwe berekening met aannames is beter dan geen berekening. Wees expliciet over je aannames en herbereken zodra er meer procesdata beschikbaar is. Kleine afwijkingen in de besparingsinschatting kunnen grote gevolgen hebben voor de terugverdientijd.

Conclusie

De 30 procent regel AI geeft structuur aan een vraag die anders te vaag blijft: wanneer loont een AI-investering? Door een heldere drempelwaarde te hanteren, voorkom je dat je investeert in projecten met een marginale return en stuur je je aandacht naar de processen waar AI werkelijk verschil maakt.

De kracht van de regel zit in de eenvoud, maar de toepassing vraagt zorgvuldigheid. Meet de huidige procestijd eerlijk, reken beheerkosten structureel mee en kijk verder dan alleen tijdsbesparing. Wij merken dat bedrijven die deze analyse serieus nemen, niet alleen betere investeringsbeslissingen nemen, maar ook AI-trajecten succesvol afronden omdat de verwachtingen van meet af aan realistisch zijn.

Wil je weten hoe jouw organisatie ervoor staat? Bekijk de concrete voorbeelden en criteria op onze AI-toepassingenpagina of verken het bredere kader voor procesautomatisering met AI.

Lees ook ons uitgebreide overzichtsartikel: bekijk het complete overzicht.