De ROI van AI in marketing: waarom sneller werken niet je grootste winst is
AI maakt marketing sneller. Maar als snelheid het enige is wat je eruit haalt, laat je waarschijnlijk het belangrijkste deel van de ROI liggen.
Stel: je bureau besteedt iedere maand 40 uur aan onderzoek, campagnes, content, analyse en optimalisatie. En dan komt AI. Onderzoek gaat sneller, eerste concepten staan eerder, data analyseer je in minder tijd, en waar een specialist vroeger drie uur nodig had, lukt hetzelfde werk nu in anderhalf.
De logische vraag die dan bij je klant opkomt: waarom zou ik nog voor 40 uur betalen? Terecht. Maar wat mij betreft ook de verkeerde vraag.
Want als je AI alleen inzet om hetzelfde werk in minder tijd te doen, gebruik je het als bezuinigingsinstrument. De interessante vraag is juist deze: wat gebeurt er als je binnen dezelfde capaciteit betere beslissingen neemt, sneller uitvoert én vaker leert wat écht werkt? Dan verandert niet de kostprijs van marketing, maar de ROI ervan. En precies daar wordt het interessant voor iedereen die over een marketingbudget beslist.
Begin bij het meest zichtbare effect. Generatieve AI maakt kennisintensief werk sneller: onderzoek, analyses, samenvattingen, eerste concepten, variaties.
Onderzoek van Brynjolfsson, Li en Raymond (2023) onder 5.179 klantenservicemedewerkers liet zien dat medewerkers met AI-ondersteuning gemiddeld zo’n 14% productiever werden, en bij minder ervaren mensen zelfs rond de 34%. Dit gaat nog niet zozeer over marketing, maar wel over het mechanisme eronder: AI hielp mensen hun rol beter in te vullen. Opgebouwde kennis kwam sneller beschikbaar op het moment dat iemand die nodig had. En dat is voor marketing misschien belangrijker dan tijd besparen alleen.
Vreemd om te zeggen in een tijd waarin iedereen sneller content wil maken. Maar de meeste B2B-bedrijven hebben geen tekort aan output. De meeste marketingteams produceren al meer content dan ze kunnen evalueren.
De moeilijkere vragen liggen ergens anders: maken we de juiste content, richten we ons op het juiste probleem, welke boodschap moeten we nú testen, welk kanaal verdient meer budget, en wat hebben we eigenlijk geleerd van vorige maand? Dat zijn geen productievragen. Dat zijn beslisvragen. En juist daar ontstaat de interessantere businesscase voor AI.
Toegang tot AI is op zichzelf niet onderscheidend. Het verschil zit in de context die jij eraan toevoegt.
Een marketeer neemt dagelijks tientallen beslissingen: welke doelgroep krijgt prioriteit, welke boodschap gebruiken we, waarom presteert campagne A beter dan B, welke aanname testen we als eerste?
In theorie houd je bij elke beslissing rekening met alles wat je over klant en markt weet. In de praktijk lukt dat nauwelijks, want die kennis zit versnipperd: van strategiedocumenten, dashboards en CRM-data tot salesgesprekken, reviews en het hoofd van die ene collega die nét met vakantie is. Geen enkele marketeer heeft dat continu paraat.
AI kan dat gedeeltelijk veranderen. Niet omdat het vanzelf betere marketing bedenkt, maar omdat je er veel meer relevante context in kunt stoppen vóórdat de beslissing valt. Daarmee verschuift de waarde van AI van “maak deze taak sneller” naar “help me deze beslissing beter geïnformeerd te nemen”. Dat verschil is wat mij betreft essentieel.
Vrijwel ieder bedrijf heeft toegang tot dezelfde grote AI-modellen. Toegang tot AI is dus op zichzelf niet onderscheidend. Het verschil zit in de context die jij eraan toevoegt.
Geef AI de opdracht “bedenk een campagne voor een B2B-softwarebedrijf” en je krijgt een keurig antwoord, waarschijnlijk hetzelfde als honderd andere bedrijven. Geef datzelfde systeem toegang tot je klantinterviews, commerciële strategie, jaren campagnedata, gewonnen en verloren salestrajecten en de expertise van je specialisten, en de situatie is fundamenteel anders. De technologie is vergelijkbaar. De context niet.
In ons eerdere artikel over B2B-contentstrategie schreven we al dat AI je sneller maakt, maar dat autoriteit niet automatisch volgt uit meer output. Daar voegen we nu iets aan toe:
Aan de buitenkant wordt autoriteit je voorsprong op je concurrentie. Aan de binnenkant wordt context je kracht.
Wie meer relevante kennis bezit, dit beter organiseert en structureert en op het juiste moment inzet, kan simpelweg betere marketingbeslissingen nemen.
Concreet: Eén speler die dankzij AI het niveau van een heel elftal benadert, wordt steeds vaker de realiteit. In een veldexperiment met 776 professionals van Procter & Gamble vonden Dell’Acqua et al. (2025) dat individuen die met AI werkten op bepaalde taken prestaties haalden die vergelijkbaar waren met complete teams zónder AI.
Dat betekent niet dat AI een team vervangt, en al helemaal niet dat expertise minder belangrijk wordt. Eerder het tegenovergestelde: AI wordt waardevoller naarmate er betere expertise is om uit te putten. De kennis van een strateeg hoeft dan niet alleen in een sessie te leven, de learnings van een SEO-specialist niet alleen in diens hoofd, de inzichten van sales niet te verdampen zodra de meeting voorbij is. Organiseer je die kennis goed, dan haalt AI dit bij een volgende beslissing opnieuw naar boven. Dat verhoogt de kwaliteit én de snelheid van beslissingen tegelijk.
Op het eerste gezicht lijkt AI een bedreiging voor bureaus zoals TO BE FOUND. Als content en onderzoek sneller klaar zijn, kun je als marketeer meer zelf oppakken. Dat gebeurt ook, vooral bij uitvoerend werk met weinig context.
Maar zodra context het concurrentievoordeel wordt, kantelt dat. Jij hebt de diepste interne kennis. Denk aan klanten, producten, ambities, marktgeschiedenis. Een bureau brengt externe patronen en specialistische diepgang mee. Verbind je die twee met AI, dan ontstaat iets wat beide partijen los van elkaar moeilijker bouwen: interne context plus externe expertise wordt meer dan de som der delen. Forrester beschrijft precies die verschuiving, van uitvoerend bureau naar partner die AI in processen en besluitvorming verankert (Pattisall & Proulx, 2026).
Zo werken wij zelf ook. Voor elk klantproject houden we twee lagen context bij: een duurzame laag met informatie dat niet snel verandert. Denk aan de positionering, doelen, ambities, de belangrijkste bedrijfskennis. Daarnaast de actuele laag die we via onze projecttools live gekoppeld houden aan status en resultaten. Door die twee te combineren kunnen we bijvoorbeeld het voorbereidende werk rond rapportages en presentaties grotendeels automatiseren. De tijd die dat oplevert gaat niet naar minder werk, maar naar het gesprek dat er echt toe doet.
En elk kwartaal leggen we de resultaten naast de doelen en ambities van de klant, met één simpele vraag: is dit nog waar de klant blij van wordt? Zo weten we continu of we in lijn lopen. Dat is context als kracht in de praktijk. Niet een tool die iedereen kan kopen, maar een manier van werken die met elke campagne slimmer wordt.
En ja, ik spreek hier enigszins voor eigen parochie door te zeggen dat je het bureaubudget niet meteen moet halveren. Neem me dat niet blindelings kwalijk, maar toets het aan een betere vraag: gebruikt je bureau de gewonnen tijd om minder te doen, of om meer uit de samenwerking te halen?
De vraag is niet óf je bureau AI gebruikt, maar wat het met de gewonnen tijd doet.
De klassieke AI-discussie gaat over één ding: hoeveel uur besparen we? Begrijpelijk, want uren zijn makkelijk meetbaar. Maar voor een beslisser is een andere vraag relevanter: hoeveel meer commerciële waarde creëren we met dezelfde marketingeuro?
Wij bekijken de ROI van AI-gedreven marketing daarom langs vier stappen.
Hoeveel relevante kennis is beschikbaar op het moment dat we een beslissing nemen? Niet alleen publieke marktinformatie, maar juist klantdata, eerdere resultaten en interne expertise. Dit is precies waar wij die twee contextlagen voor inrichten: duurzame klantkennis plus actuele resultaten, altijd paraat op het moment van beslissen.
Leidt die context tot betere hypotheses en prioriteiten? AI kan patronen aanwijzen, maar er blijft menselijke expertise nodig om te beoordelen wat relevant en strategisch verstandig is.
Hoe snel voeren we een goede beslissing daadwerkelijk uit? Hier zit de bekende AI-efficiency: voorbereiding, productie, analyses en variaties gaan veel sneller.
Hoe snel komt een resultaat terug in de volgende beslissing? De meest onderschatte factor, want marketing is geen productieproces maar een leerproces: je doet iets, ziet wat er gebeurt, leert, past aan, probeert opnieuw. Meet daarom niet bespaarde uren, maar tijd van inzicht tot uitvoering, aantal geteste hypotheses, snelheid van optimalisatie en uiteindelijk pipelinebijdrage en marge.
De volgorde is dus: context → beslissing → uitvoering → resultaat → learning → volgende beslissing. De partij die die cyclus sneller én beter doorloopt, bouwt een kennisvoorsprong op. En juist daar zit wat ons betreft de toekomstige ROI van AI.
Daar hoort een waarschuwing bij: snelheid is niet hetzelfde als resultaat. Een slechte hypothese die je dankzij AI drie keer sneller uitvoert, blijft een slechte hypothese. Sterker nog, AI helpt je ook om sneller geld te verspillen: meer advertenties voor de verkeerde doelgroep, twintig contentstukken over een onderwerp waar je klant niet wakker van ligt, of een agent die bijstuurt op de verkeerde KPI’s.
Onderzoek van Forrester legt die spanning bloot: negen op de tien onderzochte Amerikaanse bureaus zetten inmiddels generatieve AI in, maar Forrester waarschuwt dat een eenzijdige focus op productiviteit en kostenbesparing de effectiviteit, creativiteit en merkdifferentiatie kan uithollen (Forrester, 2026).
En dat verklaart een tweede cijfer. Uit onderzoek van McKinsey onder 521 marketeers gebruikt bijna 60% AI meerdere keren per week, terwijl minder dan 10% waarde realiseert over complete end-to-end-workflows (Ader et al., 2026). AI gebruiken is dus makkelijk. Je organisatie eromheen opnieuw ontwerpen is lastig. De meeste bedrijven zitten hier: marketeer → taak → AI-tool → output. Handig, maar beperkt. Een echt AI-gedreven proces ziet er anders uit: klantdata + marktkennis + strategie + expertise → beslissing → uitvoering → performancedata → nieuwe learning → volgende beslissing. AI zit dan niet naast het proces, maar dóór het proces heen.
Dan de ongemakkelijke vraag. Stel, een bureau had vroeger twintig uur nodig, AI maakt daar twaalf uur van. Dan kun je twee dingen doen.
De klant krijgt hetzelfde werk goedkoper. Pure efficiency.
Meer onderzoek, meer varianten, meer klantgesprekken, snellere optimalisatie, meer strategische verdieping. Dan koop je niet dezelfde marketing voor minder geld, maar probeer je meer effect uit hetzelfde geld te halen — een compleet andere businesscase.
Forrester adviseert dan ook om efficiencywinst niet uitsluitend als besparing te behandelen, maar opnieuw te investeren in talent, creativiteit en processen die sterkere resultaten opleveren (Forrester, 2026). Zo verschuift ook waar je een bureau voor betaalt: niet langer primair voor productie, maar voor het begrijpen van commercieel relevante problemen, het structureren van klantkennis, het formuleren van betere hypotheses en het sneller valideren van wat werkt. De vraag is dan niet meer “hoeveel uur krijg ik voor mijn budget”, maar “hoeveel betere beslissingen kunnen we ermee nemen en hoe snel wordt het resultaat van vandaag de input voor de volgende?”
Blijft je bureau exact hetzelfde doen en heeft het alleen minder uren nodig? Dan is een gesprek over de prijs logisch. Zet het de vrijgekomen tijd in voor betere beslissingen? Dan kan hetzelfde budget juist meer opleveren.
Ieder bureau gaat binnenkort zeggen dat het “met AI werkt”, net zoals het analytics of een CRM gebruikt. Dat vertelt je weinig. De relevante vraag is hóé het AI inzet om jouw proces beter te maken. Vijf dingen om op te letten:
En besef: het bureau kan dit niet alleen. Een bureau kan geen sterke context gebruiken als je die niet deelt, niet leren van salesgesprekken waar het geen toegang toe heeft, en niet sturen op impact als marketing alleen wordt afgerekend op klikken. Zorg daarom intern dat bedrijfskennis toegankelijk is (met duidelijk eigenaarschap en actualiteit), dat marketing bij de commerciële werkelijkheid zit, dat helder is wanneer menselijke controle verplicht blijft, en dat je de volledige leercyclus meet in plaats van alleen bespaarde uren.
Meet niet hoeveel tijd AI bespaart, maar hoeveel sneller je leert.
Wie AI puur als efficiencytool bekijkt, laat snel resultaat zien: een taak duurde vier uur, nu twee, 50% bespaard, klaar. Maar de meest interessante ROI bouwt zich op, omdat klantcontext groeit, learnings worden opgeslagen en nieuwe campagnes sneller voortbouwen op oude resultaten.
Daar ontstaat een vliegwiel. Iedere campagne levert niet alleen resultaat op, maar ook kennis. Ieder klantinterview is niet alleen input voor één artikel, maar nieuwe context. Iedere verloren lead kan een inzicht opleveren, iedere test maakt de volgende hypothese beter. AI maakt dat opgebouwde geheugen schaalbaar, en daarmee wordt het steeds interessanter om te investeren in langdurige klantkennis in plaats van in losse productie.
McKinsey beschrijft vergelijkbare mogelijkheden in end-to-end-workflows waarin inzicht, creatie, uitvoering en performance continu verbonden zijn. In sommige pilots werd de doorlooptijd van contentprocessen vier keer zo snel, terwijl marketeers verantwoordelijk bleven voor strategische sturing en kwaliteitsbewaking (McKinsey & Company, 2026).
Want uiteindelijk is marketing-ROI nog verrassend ouderwets. Je moet betere beslissingen nemen dan je concurrent, ze goed uitvoeren, en sneller leren van wat er daarna gebeurt. AI verandert vooral de snelheid en schaal waarmee dat kan. En dat is veel meer waard dan een paar bespaarde uren.
