Geschatte leestijd: 10 minuten

Kernpunten:

  • AI-agents zijn niet langer alleen een onderwerp voor keynotes en boardroom-decks. Bij enterprises draaien ze inmiddels op grote schaal in productie en leveren ze meetbare resultaten op core-processen.
  • 54% van de organisaties zet agents nu in op core-operaties, en 80% van die deployments rapporteert meetbare ROI met een gemiddeld rendement van 171% en terugverdientijden van zeven tot negen maanden.
  • De winnaars zijn niet de partijen met het beste model, maar met de beste harness: gerichte tooltoegang, schone context en een mens als laatste check op gevoelige beslissingen.
  • Klarna en JPMorgan laten zien dat zelfs de grootste organisaties met AI-agents werk in de orde van honderden tot duizenden FTE kunnen automatiseren, mits ze hun terugval-paden bouwen voordat ze opschalen.
  • In álle succesvolle cases blijft de mens onmisbaar als laatste check, escalatiepunt en eindverantwoordelijke. Maar met de juiste aanpak kom je al opvallend ver: de combinatie van agent en mens levert structureel meer op dan beide afzonderlijk.
  • Voor het MKB is dit het signaal om te stoppen met pilots-zonder-einde en één afgebakend proces echt in productie te zetten. De drempel ligt niet meer in de technologie, maar in de uitvoering.

Inhoudsopgave

  1. Kernpunten
  2. Inhoudsopgave
  3. Inleiding: praten kan iedereen, inzetten is iets anders
  4. Diepe case 1: Klarna en de teruggekantelde balans
  5. Diepe case 2: JPMorgan, 450 use-cases in productie
  6. Vier kortere voorbeelden uit het veld
  7. Wat onderscheidt de enterprises die het laten werken
  8. Wat het MKB hier morgen mee kan
  9. Tot slot
  10. Veelgestelde vragen
  11. Bronnen

Geschatte leestijd: 8 minuten

Kernpunten

  • AI-agents zijn niet langer alleen een onderwerp voor keynotes en boardroom-decks. Bij enterprises draaien ze inmiddels op grote schaal in productie en leveren ze meetbare resultaten op core-processen.

  • 54% van de organisaties zet agents nu in op core-operaties, en 80% van die deployments rapporteert meetbare ROI met een gemiddeld rendement van 171% en terugverdientijden van zeven tot negen maanden.

  • De winnaars zijn niet de partijen met het beste model, maar met de beste harness: gerichte tooltoegang, schone context en een mens als laatste check op gevoelige beslissingen.

  • Klarna en JPMorgan laten zien dat zelfs de grootste organisaties met AI-agents werk in de orde van honderden tot duizenden FTE kunnen automatiseren, mits ze hun terugval-paden bouwen voordat ze opschalen.

  • In álle succesvolle cases blijft de mens onmisbaar als laatste check, escalatiepunt en eindverantwoordelijke. Maar met de juiste aanpak kom je al opvallend ver: de combinatie van agent en mens levert structureel meer op dan beide afzonderlijk.

  • Voor het MKB is dit het signaal om te stoppen met pilots-zonder-einde en één afgebakend proces echt in productie te zetten. De drempel ligt niet meer in de technologie, maar in de uitvoering.

Inhoudsopgave

  • Inleiding: praten kan iedereen, inzetten is iets anders

  • Diepe case 1: Klarna en de teruggekantelde balans

  • Diepe case 2: JPMorgan, 450 use-cases in productie

  • Vier kortere voorbeelden uit het veld

  • Wat onderscheidt de enterprises die het laat werken

  • Wat het MKB hier morgen mee kan

  • Tot slot

  • Veelgestelde vragen

Inleiding: praten kan iedereen, inzetten is iets anders

Op elke conferentie hangt het thema in de lucht. Iedere boardroom-update bevat een slide over “agentic AI”. Iedere consultant heeft inmiddels een framework. Maar achter de presentaties is er nu een tweede groep ontstaan, die opvallend stil is: de enterprises die agents niet meer bespreken maar gewoon laten draaien.

Het Enterprise AI Agents 2026-rapport van G2 schat dat 54% van de organisaties op dit moment actief AI-agents inzet in core-operaties. 80% van die deployments rapporteert meetbare ROI, met een mediane reductie van 40% in kosten per eenheid op volwassen workflows (G2, 2026). Dat zijn geen pilot-cijfers meer. Dat zijn productie-cijfers van bedrijven die zijn opgehouden met praten en zijn begonnen met bouwen.

In dit artikel twee voorbeelden in detail en vier in het kort, plus het patroon dat ze gemeen hebben en wat het MKB daar deze week mee kan.

Diepe case 1: Klarna en de teruggekantelde balans

De meest geciteerde casus is nog steeds Klarna. In Q3 2025 rapporteerde de Zweedse betaaldienst dat zijn AI-agent het werk van 853 fulltime medewerkers verzette en het bedrijf $60 miljoen aan kosten had bespaard. Antwoordtijden in de klantenservice zakten van vijftien minuten naar onder de twee minuten, en de kosten per transactie daalden naar circa $0,19, een reductie van 40% in twee jaar tijd (Customer Experience Dive, OpenAI casestudy).

Wat het verhaal interessant maakt voor het bredere veld is de tweede helft. Klarna begon vorig jaar juist weer mensen aan te nemen voor klantenservice. Niet omdat de agent het slechter ging doen, maar omdat sommige gesprekstypes en escalaties bevatten waar geen prompt en geen retrieval iets aan veranderde. Klarna noemt het nu publiekelijk een “AI-first, human-hybrid”-model: de agent handelt nog altijd het leeuwendeel af, maar elke klant kan op elk moment een mens spreken (CX Dive over de bijstelling).

De les voor wie naar deze cijfers kijkt is dubbel. Aan de ene kant: de besparingen zijn echt en blijvend. Aan de andere kant: de organisaties die nu het verst zijn, hebben eerst geprobeerd alles te automatiseren en daarna teruggebouwd waar het moest. Wie die fase overslaat en direct op de “definitieve” mix mikt, leert minder snel waar zijn agent echt eindigt.

Diepe case 2: JPMorgan, 450 use-cases in productie

Diepe case 2: JPMorgan, 450 use-cases in productie

Aan de andere kant van het spectrum staat JPMorgan Chase. Begin dit jaar draaiden er meer dan 450 AI-use-cases in productie, met een planning richting 1.000 tegen het einde van het jaar. De interne LLM Suite wordt dagelijks gebruikt door circa 230.000 medewerkers. Het bestuur rapporteert $1,5 tot $2 miljard aan jaarlijkse kostenbesparingen, plus aparte bijdragen zoals $220 miljoen uit AI-gestuurde creditcard-upgrades en $100 miljoen uit AI-gegenereerde aanbevelingen in de zakelijke bank (Artificial Intelligence News, CNBC).

Bijzonder is de fraudedetectie: een agentische pipeline reduceerde fout-positieven in anti-witwasalarmen met 95%. Voor een bank betekent dat duizenden onderzoeken per week die niet meer hoeven, en compliance-medewerkers die hun aandacht naar de echte signalen kunnen verplaatsen.

Wat hier opvalt is dat JPMorgan níet één model of één leverancier kiest, maar een platform bouwt waar use-cases als modules op draaien. De CIO beheert een budget van $19,8 miljard en 65.000 technologen om die infrastructuur in stand te houden. Voor het MKB is dat budget irrelevant, maar het patroon niet: de bank bouwt eerst de generieke laag (toolaccess, audit, observability) en pas daarna de specifieke agents.

Vier kortere voorbeelden uit het veld

Moderna. Het biotechbedrijf rolde ChatGPT Enterprise uit naar circa 3.000 medewerkers. Binnen twee maanden waren er 750 interne GPT’s gebouwd door de medewerkers zelf, gebruikte iedere gebruiker gemiddeld 120 conversaties per week en haalde het juridische team 100% adoptie (Constellation Research, OpenAI casestudy). Interessant detail: het juridische team, typisch het laatste bastion van handwerk, was de eerste functie met volledige adoptie.

Salesforce als eigen klant. In het eerste jaar dat Salesforce zijn eigen Agentforce-product intern gebruikte, handelde de service-agent meer dan 1,5 miljoen supportverzoeken af, het overgrote deel zonder menselijke tussenkomst. De interne SDR-agent bewerkte 43.000 leads en genereerde $1,7 miljoen aan nieuwe pipeline (Salesforce News).

reMarkable. De Noorse e-paper fabrikant zette zijn eerste AI-agent in productie binnen drie weken. “Mark” is een kennisbank-FAQ-agent die inmiddels meer dan 18.000 servicegesprekken heeft afgehandeld, met NPS- en deflection-cijfers die wekelijks verbeteren (Salesforce klantverhalen). Drie weken van eerste idee tot productie is een belangrijk getal: het is de marker waarboven veel MKB-pilots kapot gaan aan scope-creep.

Macquarie Bank. De Australische bank rapporteert via Google’s Gemini Enterprise een 38% hogere self-service-ratio, 40% minder fout-positieven in alerts, een 24% lagere personeelsbehoefte in de retail-tak en tegelijkertijd 50% groei in hypotheekvolume (G2-rapport). Dezelfde combinatie als bij JPMorgan: kosten omlaag én capaciteit voor groei omhoog.

Wat onderscheidt de enterprises die het laten werken

Wat onderscheidt de enterprises die het laten werken

Als je deze cases naast elkaar legt, ontstaat er een patroon dat opvallend weinig met de modelkeuze te maken heeft.

Ze beginnen klein en gericht. Klarna begon met één gespreksklasse in de klantenservice. Moderna begon met juridische review. Macquarie begon met fraude-alerts. Geen van deze organisaties is begonnen met een “AI-strategie voor de hele onderneming”; ze zijn begonnen met één proces dat pijnlijk genoeg was om te doen.

Ze bouwen escalatie in voordat ze opschalen. Bij elke succesvolle case is een mens de exit-route. Klarna maakt dit nu expliciet, JPMorgan heeft het ingebouwd via compliance-officers, Salesforce houdt klantcontact in laatste instantie bij accountmanagers. De agents nemen werk weg, geen verantwoordelijkheid.

In álle cases is dat het meest hardnekkige patroon: de mens blijft onmisbaar. Niet als noodzakelijk kwaad, maar als bewuste ontwerpkeuze. Tegelijk laten dezelfde cases zien dat je met de juiste aanpak al opvallend ver komt: 80 tot 90% van het volume kan op veel processen prima door agents worden afgehandeld, mits de overige 10 tot 20% met aandacht bij een mens terechtkomt. Het is dus geen of-of, maar een goed gechoreografeerde combinatie waarin elk zijn sterkste rol speelt.

Ze meten kosten per eenheid, niet aantallen prompts. De rapportages die het meest worden geciteerd gaan over kosten per transactie, oplostijd, false-positive ratio en NPS, niet over hoe vaak het model is aangeroepen. Dat dwingt teams om use-cases zo te ontwerpen dat ze überhaupt meetbaar zijn.

Ze investeren in de laag eronder. Tools, audit, observability en context-pipelines worden bij elk van deze organisaties als infrastructuur behandeld, niet als bijproduct. Het Deloitte State of AI in the Enterprise-rapport noemt dit consequent als de scheidslijn tussen organisaties die opschalen en organisaties die in pilot-modus blijven hangen (Deloitte).

Wat het MKB hier morgen mee kan

Voor het MKB is dit allemaal goed nieuws, om twee redenen. De eerste: de moeilijke vragen zijn een aantal jaren door enterprises beantwoord. Welke use-cases werken (klantenservice, classificatie van inkomende vragen, contractreview, fraudedetectie, lead-kwalificatie). Hoe je escalatie inbouwt. Hoe je meet. Die patronen zijn nu publiek.

De tweede: een klein bedrijf hoeft geen 450 use-cases te hebben. Eén goed werkende, voor één afgebakend proces, levert al een verschil dat in een MKB-resultaat zichtbaar is. reMarkable’s drie-weken-implementatie is een veel realistischer template dan JPMorgan’s $19 miljard transformatie.

Concreet: kies één terugkerend proces dat veel tijd of frustratie kost. Eerste-lijns klantvragen, offerte-opmaak, factuur-classificatie, intern HR-FAQ. Bouw daar een agent omheen met gerichte tooling en heldere escalatie. Meet er twee maanden lang op. Beslis dán of je doorrolt naar het volgende proces of dit eerst dieper maakt. Dat is het hele recept.

Tot slot

Tot slot

AI-agents zijn niet meer een belofte van wat technologie ooit zal kunnen. Het is een verzameling productie-cijfers, met winnaars die laten zien hoe je de stap maakt en met genoeg openlijk gedeelde fouten om de eigen route uit te zetten. De drempel ligt inmiddels niet meer in de modellen, niet in de tooling, niet in de prijs. De drempel ligt in de bereidheid om één concreet proces écht aan te pakken in plaats van te blijven praten over het potentieel.

Die laatste stap is precies waar veel MKB-bedrijven nog vastlopen. Niet omdat ze tekort schieten, maar omdat de hype hen geleerd heeft groot te denken. De enterprises die nu winnen, hebben juist klein gedacht en consequent uitgevoerd. Dat is de copyboek-strategie waar elke ondernemer iets mee kan.

Veelgestelde vragen

Zijn deze cijfers niet vooral marketing van de leveranciers?

Een deel komt onvermijdelijk uit casestudies van OpenAI, Salesforce en Google. Maar onafhankelijke bronnen (G2, Deloitte, financieel-zakelijke media) bevestigen het bredere patroon: 80% van de enterprise-deployments rapporteert meetbare ROI, en de meeste cijfers zijn intussen ook in jaarverslagen terug te vinden.

Vervangen agents medewerkers?

In sommige rollen verschuift werk substantieel. Klarna’s klantenservice is daar het duidelijkste voorbeeld. Tegelijk laten Macquarie en JPMorgan zien dat capaciteit vaak verschuift naar groeiwerk in plaats van te verdwijnen. De Klarna-bijstelling toont ook aan dat volledig vervangen meestal niet de eindstand is.

Wat is het kleinste begin dat zinvol is?

Eén proces, één team, één agent met een duidelijke escalatie naar een mens. reMarkable’s drie weken naar productie is een goede maatstaf. Als jouw eerste pilot drie maanden duurt zonder iets in productie, ligt dat bijna nooit aan de techniek.

Hoe verhoudt dit zich tot de EU AI Act?

De meeste klantenservice- en kantooragents vallen in de minimale tot beperkte risicocategorie. Wel geldt voor alle agents transparantie- en logverplichtingen. Een goed georganiseerde harness (context, tools, audit, escalatie) dekt het meeste daarvan automatisch.

Bronnen