AI productiviteit meten in je MSP: waarom tijd besparen niets zegt

AI productiviteit meten voelt op dit moment als iemand die trots zegt dat hij sneller fietst, zonder te checken of hij richting het juiste dorp rijdt. Je engineers zijn blij met Copilot, je servicedesk sluit tickets in de helft van de tijd, en toch zie je het onder aan je P&L nog niet terug. En dat is precies de vraag waar bijna elke MSP-eigenaar nu op kauwt.

Vraag een willekeurige MSP-eigenaar wat AI zijn bedrijf oplevert, en je krijgt bijna altijd hetzelfde antwoord: "mensen zijn sneller". Prima. Maar sneller met wat? En wat gebeurt er met die gewonnen tijd? Verdwijnt die in extra koffie, in meer vergaderingen, of in nieuwe omzet? In negen van de tien gesprekken die wij voeren weet niemand dat echt te zeggen.

Het probleem is dat de meeste MSPs AI meten op taakniveau. Hoeveel seconden korter is een ticket. Hoeveel minuten bespaart iemand aan een offerte. Dat soort cijfers verzamel je snel en ze voelen goed. Alleen: als je beslisorgaan daarachter traag blijft, als je sales-proces nog zes weken duurt, als je onboarding nog steeds een maand kost, dan heb je een snelle taak in een trage keten gezet. De bottleneck is gewoon een paar meter opgeschoven.

Daar bovenop komt een tweede valkuil. We horen bij klanten uit het MKB continu "er moet iets met AI", zonder dat iemand kan zeggen wat er precies opgelost moet worden. Dus ga je als MSP demo's draaien op een probleem dat niemand expliciet heeft benoemd, en meet je vervolgens of de demo iets heeft gedaan. Dat is geen meten. Dat is hopen met een dashboard erbij.

Meet het proces, niet het taakje

Wat in de praktijk wel werkt is simpel maar oncomfortabel: je stopt met kijken naar tijdwinst per handeling, en begint te meten op procesniveau. Pak één proces vast, bijvoorbeeld eerste-lijns support of lead-kwalificatie, en meet vier dingen: doorlooptijd van begin tot eind, kwaliteit van de output, klantervaring en opbrengst. Pas als die vier samen bewegen, heb je echt winst.

Een voorbeeld. In onze eigen customer service lossen we inmiddels 50 procent van de cases autonoom op. Dat is een mooi getal, maar het zegt pas iets als je er drie andere cijfers naast legt: wat gebeurt er met de CSAT op die cases, wat is het effect op de tweede en derde lijn, en wat kost het aan tokens versus wat het bespaart aan loonkosten. Zonder die vier samen weet je niet of je bedrijf er beter van wordt of alleen anders.

Datzelfde geldt aan de salesvoorkant. Je ziet dat kwalificatie van leads veel scherper wordt, dat BDR-werk via voice-agents verrassend goed loopt, en dat je sneller demo's weggeeft. Mooi. Maar als de conversie per demo niet omhooggaat en je deal-size gelijk blijft, dan heb je enkel je kostenplaatje van sales verlaagd en je marketingfunnel breder gemaakt. Niet verkeerd, wel iets heel anders dan "AI maakt ons productiever".

De kernvraag die wij op elke mapping-sessie stellen is: welke KPI gaat door AI bewegen die er voor dit bedrijf echt toe doet? Voor een scale-up is dat innovatiesnelheid. Voor een traditionele MSP is dat marge per engineer. Voor een security-speler is dat tijd tussen signaal en response. Pas als die KPI benoemd is, mag er iemand aan een AI-use case beginnen. Niet eerder.

Follow the pain, dan pas de techniek

Wij hanteren intern een volgorde die bijna niemand aanhoudt: eerst elimineren, dan simplificeren, dan standaardiseren, en pas daarna automatiseren. Dat is geen fancy framework, dat is gewoon wat werkt. Rubbish in, rubbish out, en als je een slecht proces versnelt met AI, krijg je een snel slecht resultaat. Of nog erger: een snel slecht resultaat waar niemand meer tegenin durft te gaan omdat "AI het zei".

Een scherp voorbeeld uit onze eigen boekhouding. Elke maand sluiten we af en bepalen we het onderhanden werk. Vorig jaar had ik een stevige discussie met onze financiële man: zijn getal week significant af van wat ik uit mijn hoofd uitrekende. Twaalf jaar dezelfde Excel, zelfde formule. Bleek dat Copilot de formule stilletjes had aangepast, omdat hij dacht dat het slimmer was. We misten een flink bedrag in de rapportage. De grootste waarde van een mens in een AI-proces is niet snelheid, maar het vermogen om "dit klopt niet" te blijven zeggen.

Drie use-cases waar het echt beweegt

Als we eerlijk zijn zien we op dit moment drie plekken waar AI in een MSP structureel iets oplevert. Eén: eerstelijns support, waar 40 tot 50 procent van de cases autonoom opgelost kan worden mits je data en governance op orde zijn. Twee: lead-kwalificatie en BDR-werk, waar voice-agents inmiddels zo goed zijn dat klanten tijdens een call niet doorhebben dat er geen mens aan de lijn hangt. Drie: code-generatie in context, waarbij het model begrijpt op welk platform het werkt, Salesforce versus Oracle versus Workday.

Alle drie hebben een gemeenschappelijke voorwaarde: er zit een datavraagstuk onder. Data coverage, data labeling, data security, data ownership. Dit is ook waarom datamanagement eindelijk uit de saaie hoek komt. Waar wij vroeger aan een dood paard trokken bij klanten, kloppen ze nu zelf aan: data governance, we moeten er wat mee. Niet omdat ze governance opeens leuk vinden, maar omdat ze doorhebben dat hun AI-ambitie zonder schone data niet verder komt dan een demo.

En dan nog de token-economie. Op dit moment heeft bijvoorbeeld Salesforce unlimited tokens, dus iedereen stookt vrolijk door. Dat gaat veranderen. De Anthropics en OpenAI's van deze wereld moeten een keer geld verdienen, en dan verschuift het gesprek van "wat kan AI" naar "wat kost deze use-case per maand en levert hij meer op dan hij verbrandt". Juist daar ligt voor een MSP een plek om zich te specialiseren: FinOps voor AI-tokens, want geen MKB-klant gaat dat zelf uitvogelen.

AI productiviteit meten in je MSP begint niet bij een dashboard, maar bij één eerlijke vraag per proces: welke KPI moet door deze AI-use case bewegen, en meten we die ook echt. Wie dat gesprek intern voert voor zijn eigen bedrijf voert het straks moeiteloos met zijn klanten. Wie dat gesprek overslaat, verbrandt tokens, tijd en vertrouwen van zijn team. Binnen de MSP Late Night community wisselen leiders maandelijks uit welke metrics bij hen wel en niet werken. Schuif aan als je daar jouw cijfers naast wilt leggen.