De AI-realiteit van 2026: minder mensen, hogere kosten, onduidelijke opbrengst

Maar ergens onderweg veranderde het verhaal.

AI werd geen hulpmiddel meer, maar een businesscase. En die businesscase werd opvallend snel gekoppeld aan iets anders: het reduceren van mensen.

Vrijwel dagelijks verschijnen berichten over reorganisaties, hiring freezes en efficiencyprogramma’s “gedreven door AI”. De belofte klinkt verleidelijk eenvoudig: minder medewerkers, hogere productiviteit, betere marges. Vooral investeerders en private equity-partijen lijken gevoelig voor die boodschap. AI als schaalbaarheidsmachine.Alleen begint er een ongemakkelijke werkelijkheid zichtbaar te worden. De rendementen blijven opvallend vaag.

Gartner gooit een interessante steen in de AI-vijver

Recent onderzoek van Gartner laat zien dat organisaties die personeel reduceren om AI-investeringen te financieren helemaal niet automatisch betere rendementen behalen. Sterker nog: bedrijven die blijven investeren in menselijke expertise, governance en samenwerking tussen mens en AI blijken structureel succesvoller.

De quote van Gartner is eigenlijk vernietigend simpel:

“Workforce reductions may create budget room, but they do not create return.”

En precies daar begint het ongemak rondom een groot deel van de huidige AI-discussie.

Want vrijwel overal wordt AI nog steeds verkocht als efficiencymachine:
minder mensen, lagere kosten, hogere marges.

Maar ondertussen lopen de kosten voor governance, explainability, compliance, kwaliteitscontrole en validatie van output juist op.

AI maakt organisaties voorlopig niet eenvoudiger. AI maakt organisaties bestuurlijk complexer.

De CFO-case voor AI wordt steeds dunner

De dominante AI-discussie van de afgelopen twee jaar draaide bijna volledig om efficiency.

• Hoeveel FTE kan eruit?
• Hoeveel uren besparen we?
• Hoeveel sneller kunnen we output genereren?

Maar opvallend weinig organisaties lijken fundamenteel antwoord te geven op een andere vraag:Wat levert AI daadwerkelijk op ná correctie voor governance, kwaliteitscontrole, risico’s en menselijke validatie?

Daar begint de discussie ineens een stuk ingewikkelder te worden. Want AI produceert misschien sneller output, maar snelheid is niet hetzelfde als betrouwbaarheid.

Van productiviteit naar controlekosten

Juist in kennisintensieve sectoren begint een duidelijke ontwikkeling zichtbaar te worden. Hoe meer AI-output er ontstaat, hoe groter de behoefte aan ervaren professionals die die output kunnen beoordelen.

Dat zie je in de accountancy, maar net zo goed in consultancy, fiscaliteit, softwareontwikkeling en juridische dienstverlening.

De praktijk blijkt namelijk weerbarstig. Een LLM kan prima samenvatten, structureren en eerste analyses maken. Soms indrukwekkend goed zelfs. Maar zodra context, interpretatie, nuance, uitzonderingen of aansprakelijkheid een rol gaan spelen, verschuift het werk niet naar beneden maar juist omhoog in de organisatie.

Senior professionals worden belangrijker. Niet minder belangrijk.

En precies daar wringt de economische logica achter veel AI-businesscases.

Want senior capaciteit is schaars én duur.

Human Intelligence wordt duurder, niet goedkoper

Jarenlang werd voorspeld dat AI menselijke kennis goedkoper zou maken. Maar in veel sectoren gebeurt voorlopig het tegenovergestelde.

Er ontstaat juist meer vraag naar mensen die:

• AI-uitkomsten kunnen challengen;
• fouten herkennen;
• context begrijpen;
• risico’s inschatten;
• modellen kunnen uitleggen;
• governance kunnen organiseren;
• en uiteindelijk verantwoordelijkheid durven nemen.

Dat laatste blijft opvallend onderbelicht in vrijwel iedere AI-presentatie. Want AI neemt misschien taken over, maar aansprakelijkheid blijft nog steeds verbazingwekkend menselijk. En daarmee verschuift de economische waarde steeds meer naar professionals met ervaring, beoordelingsvermogen en domeinkennis.

Met andere woorden fijne mensen:
Human Intelligence wordt geen kostenpost.
Human Intelligence wordt de bottleneck.

De vergeten kosten van AI

Veel organisaties meten AI-succes nog steeds op drie relatief eenvoudige KPI’s:

• snelheid;
• outputvolume;
• reductie van FTE.

Maar de echte kosten zitten vaak ergens anders.

In governance.
In explainability.
In kwaliteitscontrole.
In herstelwerk.
In compliance.
In reputatierisico.
In menselijke validatie.

En vooral: in cognitieve afhankelijkheid.

Want wie grote groepen professionals vervangt door AI-systemen, moet uiteindelijk ook accepteren dat er steeds minder mensen overblijven die nog écht begrijpen hoe processen, analyses en afwegingen tot stand komen.

Dat probleem zie je nu al voorzichtig ontstaan.

Juniors leren anders.
Controlewerk verschuift.
Kennisopbouw verandert.

En organisaties lopen het risico dat fundamentele vakkennis langzaam verdampt achter AI-output die nog maar beperkt inhoudelijk wordt bevraagd. Dat is geen technologische discussie meer. Dat is een strategisch risico.

Waarom boutique firms misschien sterker uit deze golf komen

Juist daarom zou het zomaar kunnen dat kleinere gespecialiseerde organisaties relatief sterk uit deze AI-golf komen.Niet ondanks het ontbreken van schaal. Maar juist dóór het ontbreken van schaal.

Boutique firms draaien vaak op:

• senioriteit;
• korte lijnen;
• vakinhoudelijke cultuur;
• directe klantinteractie;
• en menselijke interpretatie.

Daar zit precies het deel van de economie waar AI voorlopig het minst eenvoudig schaalbaar blijkt. Misschien wordt 2026 daardoor wel het jaar waarin de markt ontdekt dat “meer AI” niet automatisch betekent:

• lagere kosten;
• hogere kwaliteit;
• betere besluitvorming;
• of sterkere marges.

Sterker nog: de organisaties die AI het meest succesvol inzetten, zijn mogelijk juist de organisaties die blijven investeren in mensen. Niet omdat technologie faalt.

Maar omdat technologie zonder menselijke duiding uiteindelijk verrassend weinig waarde toevoegt.

Audit starts where automation stops

Binnen de accountancy zie je die spanning inmiddels overal terugkomen.

AI kan ondersteunen bij analyses, documentatie en signalering. Dat is waardevol. Maar de echte audit begint nog steeds op het moment dat een professional moet bepalen:

• klopt dit werkelijk;
• wat betekent dit;
• wat ontbreekt hier;
• welke context speelt mee;
• en welk risico accepteer ik uiteindelijk wel of niet?

Daar zit de kern van het vak. Niet in het genereren van output.
Maar in het begrijpen ervan. En misschien is dat uiteindelijk wel de belangrijkste les van deze AI-golf. De toekomst behoort waarschijnlijk niet toe aan organisaties die zo snel mogelijk mensen vervangen. Maar aan organisaties die technologie weten te combineren met sterke menselijke intelligentie, ervaring en professioneel oordeel.