Waar zit de waarde van AI voor marketing in 2026?

AI in marketing gaat al lang niet meer vooral over het schrijven van teksten.

De kansen lopen inmiddels van onderzoek, klantinzicht en contentproductie tot media-optimalisatie, personalisatie, leadkwalificatie, rapportage, experimenten en steeds vaker het automatiseren van complete marketingworkflows.

Dat stelt het management voor een vraagstuk.

Het aantal mogelijke toepassingen is veel sneller gegroeid dan ons vermogen om betrouwbaar iets te zeggen over hun economische waarde. Er is inmiddels redelijk sterk bewijs dat generatieve AI losse kennistaken sneller maakt. Er is veel minder onafhankelijk bewijs over wat er financieel gebeurt wanneer complete marketingprocessen rond AI en agents worden herontworpen.

Dat onderscheid is belangrijk voor wie een AI-strategie maakt.

McKinsey schat dat generatieve AI productiviteitswaarde kan opleveren ter grootte van 5–15% van de totale marketinguitgaven. Die schatting gaat vooral over directe productiviteitseffecten. Mogelijke indirecte voordelen van betere doelgroepkeuze, betere inzichten of hogere conversie vallen er grotendeels buiten.

Tegelijk blijft de werkelijke transformatie ver achter bij de adoptie. In de Global Marketer Survey van McKinsey uit mei 2026 zei bijna 60% van de marketeers AI meerdere keren per week te gebruiken, terwijl minder dan 10% waarde begon te halen uit complete workflows.

BCG zag in de kern dezelfde kloof. In het onderzoek uit 2026 onder 300 CMO’s wereldwijd zei 96% dat AI een volledige transformatie van marketing in gang zette. Toch gebruikte 42% GenAI nog vooral om mensen bij losse taken te helpen. Iets minder dan een derde werkte met workflows die door agents worden aangestuurd, en slechts 8% voerde campagnes uit waarin meerdere agents zelfstandig werkten.

Voor mij is dat het nuttigste vertrekpunt om in 2026 over de waarde van AI in marketing na te denken.

Er is veel waarde te halen. Maar die komt niet uit één bron, laat zich niet op één manier meten, en bewijs van het ene automatiseringsniveau mag je niet zomaar doortrekken naar een ander niveau.

Vier heel verschillende niveaus van AI-waarde

Ik onderscheid vier niveaus.

Dit is meer dan een volwassenheidsmodel.

Elk niveau werkt economisch anders.

Op copilotniveau is de hoofdvraag hoeveel capaciteit van medewerkers vrijkomt. Op taakniveau kan het om kosten per eenheid gaan. Op workflowniveau veranderen overdrachten, doorlooptijden en externe uitgaven. Op het niveau van het operating model kan de organisatie mogelijk de hoeveelheid, snelheid en precisie van haar marketing veranderen.

BCG meldt bijvoorbeeld uit recente trajecten met toonaangevende CMO's 20–30% verbetering in kostenefficiëntie, een verdrievoudiging van de marketing-ROI en tien keer kortere campagnedoorlooptijden. Dat zijn belangrijke observaties, maar het zijn uitkomsten uit BCG-klanttrajecten met koplopers, geen gemiddelde effecten die een CMO als verwacht rendement in een businesscase moet opnemen.

Dat onderscheid tussen benchmark, waargenomen caseresultaat en prognose hoort in iedere serieuze AI-investeringscase terug te komen.

De AI-waardekaart voor marketing

Zodra deze niveaus zijn gescheiden, wordt de volgende vraag praktischer:

Waar kan een marketingorganisatie vandaag werkelijk waarde vinden?

Ik zou het landschap opdelen in een aantal afzonderlijke waardebronnen.

1. Individuele productiviteit van marketeers

Dit blijft het meest verdedigbare startpunt.

Marketeers besteden veel tijd aan onderzoek, documenten lezen, briefings voorbereiden, materiaal opstellen, e-mail afhandelen, informatie uit overleggen samenbrengen, data analyseren en presentaties maken.

Dat zijn precies de algemene kennistaken waarvoor inmiddels redelijk stevig experimenteel bewijs bestaat.

Microsoft Research voerde een gerandomiseerd veldexperiment van zes maanden uit met meer dan 6.000 medewerkers in 56 organisaties. Medewerkers die Microsoft 365 Copilot gebruikten, rondden documenten 12% sneller af en besteedden per week ongeveer een half uur minder aan het lezen van e-mail. Bijna 40% van de medewerkers met toegang gebruikte Copilot tijdens het onderzoek regelmatig.

Dat betekent voor marketing niet dat iedere activiteit 12% sneller wordt.

Het betekent dat toepassingen zoals bureauonderzoek, documenten samenvatten, eerste versies van briefings, verslagen van overleggen, content aanpassen en basisanalyses nu geloofwaardig bewijs hebben voor de aanname dat ze productiever worden.

Ik zou daarom uitspraken als deze vermijden:

“AI maakt onderzoek 50% sneller.”

Beter te verdedigen is:

Generatieve AI heeft in gerandomiseerd onderzoek meetbare tijdsbesparing opgeleverd op veelvoorkomende kennistaken. De werkelijke besparing binnen een specifieke marketingorganisatie moet worden vastgesteld door op taakniveau te meten.

Dat klinkt voorzichtig. In werkelijkheid maakt het de investeringscase sterker, omdat algemene AI-claims plaatsmaken voor meetbare operationele hypotheses.

2. Onderzoek, klantinzicht en de stem van de klant

AI en klantinzicht passen technisch bijzonder goed bij elkaar.

Marketingorganisaties hebben steeds vaker toegang tot grote hoeveelheden ongestructureerde klantinformatie:

reviews, open enquêteantwoorden, gesprekken op social media, salesgesprekken, service-interacties, CRM-notities en onderzoeksdocumenten.

Vroeger kon maar een fractie daarvan grondig worden geanalyseerd, omdat menselijke synthese slecht schaalt.

Generatieve AI doorbreekt die beperking. Het helpt grote hoeveelheden ongestructureerde data in te delen en samen te vatten, thema’s te herkennen, terugkerende klantproblemen zichtbaar te maken en informatie te verbinden die eerder over losse bronnen verspreid was. McKinsey noemt het samenvatten van ongestructureerde informatie en het creëren van rijker klantinzicht en betere segmentatie nadrukkelijk als bronnen van marketingwaarde.

Wat we niet hebben, is een geloofwaardige universele benchmark die zegt dat consumentenonderzoek bijvoorbeeld 60% goedkoper wordt.

Daarom zou ik deze waardebron op twee manieren modelleren.

Ten eerste als gewone productiviteit:

aantal onderzoeken × huidige uren per onderzoek − nieuwe uren per onderzoek.

Ten tweede, en mogelijk belangrijker:

hoeveel meer klantbewijs kan dezelfde insightscapaciteit analyseren?

Dat tweede effect verdwijnt gemakkelijk uit een gewone businesscase voor kostenbesparing.

Als een team kan overstappen van handmatig een paar honderd reacties lezen naar systematisch honderdduizenden interacties analyseren, is de waarde niet simpelweg minder onderzoeksuren. Het kan een fundamenteel ander vermogen opleveren om klanten te begrijpen.

De complexiteit van de implementatie is doorgaans gemiddeld. Niet omdat de modellen zo moeilijk zijn, maar omdat toegang tot schone, goed beheerde klantdata vaak het lastigere probleem is.

3. Contentproductie

Content is waarschijnlijk de meest zichtbare AI-toepassing in marketing.

AI kan nu ondersteunen bij copy, beeld, video, vertaling, formaataanpassing, lokalisatie, productbeschrijvingen, hergebruik en creatieve variatie.

Uit onderzoek van Adobe uit 2025 bleek dat 86% van de marketingleiders verwachtte dat generatieve AI de snelheid en het volume van content aanzienlijk zou verhogen. Dat cijfer weerspiegelt verwachtingen van bestuurders, geen gemeten productiviteitsverbetering van 86%. Het onderzoek van Adobe uit 2026 laat wel zien dat organisaties steeds vaker verbeteringen in contentvolume en medewerkerproductiviteit rapporteren als gevolg van GenAI-experimenten.

De economische kans wordt makkelijk verkeerd begrepen.

De interessante vraag is niet meer alleen hoe snel één tekstschrijver één tekst kan maken.

Het gaat erom wat er gebeurt met de economie van de complete contentketen wanneer één centraal idee veel goedgekeurde uitwerkingen kan krijgen:

één concept → meerdere doelgroepen → meerdere kanalen → meerdere formaten → meerdere markten → meerdere talen.

Daardoor verschuift het knelpunt.

Wanneer productie goedkoop wordt, worden selectie, onderscheidend vermogen, merkconsistentie, goedkeuring en kwaliteitscontrole relatief belangrijker.

De waarde kan daarom op meerdere plekken zichtbaar worden: minder interne productietijd, lagere bureaukosten, kortere doorlooptijden en een veel groter outputvolume.

Ik zou de harde-kostencase nog steeds bottom-up berekenen:

aantal assets × huidige kosten per asset – toekomstige kosten per asset

en afzonderlijk:

externe productie-uitgaven vóór AI – externe productie-uitgaven na AI.

Maar achter die rekensommen zit een grotere strategische vraag. Als de twintigste relevante variant bijna niets kost vergeleken met de eerste, kan het optimale niveau van contentvariatie fundamenteel veranderen.

4. Productcontent op schaal

Retailers en andere organisaties met zeer grote productcatalogi hebben een bijzonder duidelijke toepassing voor content.

Eén product kan een titel, beschrijving, kenmerken, SEO-tekst, tekst voor marktplaatsen, categorie-informatie, beeld, vertalingen en soms video nodig hebben.

Vermenigvuldig dat met tienduizenden of honderdduizenden producten, meerdere kanalen en meerdere markten, en relatief kleine verbeteringen in de kosten per eenheid worden aanzienlijk.

Generatieve AI kan veel van die onderdelen maken of verrijken op basis van product-, PIM- en leveranciersdata. McKinsey noemt gepersonaliseerde productbeschrijvingen en betere vindbaarheid van producten nadrukkelijk als kansen voor GenAI.

Ook hier is het juiste antwoord niet om aan te nemen dat AI 80% van de kosten voor productcontent wegneemt.

Een bruikbare proof-of-value kiest één categorie en meet:

menselijke productietijd, outputkosten, foutpercentage, goedkeuringspercentage, SEO-prestaties en conversie vóór en na AI.

Pas daarna zou ik extrapoleren.

Dit principe komt in de hele AI-waardekaart terug: waar extern bewijs zwak is, moet intern experimenteren de plaats innemen van verzonnen precisie.

5. Betaalde media

Betaalde media vragen om een iets andere blik, omdat veel van de AI daar helemaal geen generatieve AI is.

Bieden, doelgroepoptimalisatie en budgetallocatie met machine learning bestaan al jaren. Moderne advertentieplatforms gaan veel verder door bieden, creatie, doelgroepselectie en cross-channeloptimalisatie te combineren.

Google Performance Max gebruikt bijvoorbeeld Google AI voor bieden, doelgroepen en creatie. Google meldt dat adverteerders die Performance Max inzetten gemiddeld 27% meer conversies of conversiewaarde realiseren bij een vergelijkbare CPA of ROAS, ook adverteerders die al broad match en Smart Bidding gebruikten. Google verwijst ook naar een meta-analyse van Nielsen op basis van marketing-mix-modellering waarin Performance Max gemiddeld 8% hogere ROAS en 10% hogere salesefficiëntie opleverde dan strategieën met alleen Search.

Dat zijn veel bruikbaardere externe ijkpunten dan de algemene claim dat AI de media-efficiëntie met “3–10%” verbetert.

Ze vragen nog steeds om voorzichtigheid.

Het cijfer van 27% is een door Google gerapporteerde platformbenchmark. Resultaten hangen sterk af van conversiedata, campagnestructuur, budget, marktomstandigheden en de kwaliteit van de onderliggende signalen van de adverteerder.

Voor een businesscase zou ik de externe cijfers daarom gebruiken om de hypothese te onderbouwen en gecontroleerde interne tests om de investering te onderbouwen.

Dit is ook een goed voorbeeld van waarom “AI-waarde” niet alleen via fte-besparing kan worden beoordeeld.

Het hoofddoel van AI in media is meestal niet minder mensen, maar een betere besteding van iedere euro mediabudget.

6. CRM, klantbeslissingen en personalisatie

Personalisatie werkt economisch weer anders.

AI kan segmentatie, aanbevelingen, de beste volgende stap, voorspelling van klantverloop, aanbodkeuze, het optimale verzendmoment en gepersonaliseerde content ondersteunen.

De centrale vraag is niet:

Hoeveel marketinguren kunnen we schrappen?

Maar:

Kunnen we voor iedere klant relevantere beslissingen nemen?

Dit is op de lange termijn mogelijk een van de grootste bronnen van marketingwaarde, omdat één beslissysteem miljoenen individuele contacten kan beïnvloeden.

Retail biedt al zichtbare voorbeelden. McKinsey beschrijft toepassingen die realtime gedragssignalen, aanbevelingsmodellen en GenAI-assistenten combineren om ervaringen als de ranking op de homepage, outfitsamenstelling en maatadvies te verbeteren.

Maar algemene claims als “next-best-offer levert 5–15% omzetstijging op” verdienen argwaan, tenzij ze gekoppeld zijn aan een specifiek onderzoek en een specifieke context.

De meest zorgvuldige businesscase is experimenteel:

AI-behandeling versus controlegroep → extra conversie → extra omzet → extra marge.

Dat is belangrijk, omdat gewone omzet anders makkelijk aan AI wordt toegeschreven.

Bij personalisatie telt het werkelijke extra effect zwaarder dan indrukwekkende dashboards met responspercentages.

7. Marketinganalyse en rapportage

Rapportage is vaak een minder spectaculaire AI-kans, maar operationeel kan ze aantrekkelijk zijn.

Veel marketingteams besteden nog steeds veel tijd aan het verzamelen van data, het combineren van bestanden, het verklaren van bewegingen in dashboards, het schrijven van toelichtingen en het voorbereiden van managementpresentaties.

AI kan steeds vaker delen van de analyse- en syntheselaag automatiseren.

We moeten oppassen dat we het productiviteitsbewijs van Microsoft niet vertalen naar de claim dat marketingrapportage 70% sneller wordt. Daar is geen algemeen bewijs voor. Wat we wel weten, is dat algemeen document- en informatiewerk sneller kan.

Rapportage leent zich daarom goed om lokaal te meten:

aantal rapportages × uren per rapportage × interne kosten

versus:

aantal rapportages × nieuwe uren per rapportage × interne kosten.

Ik zou dat combineren met niet-financiële indicatoren, zoals fouten, tijd tot inzicht, het aantal geanalyseerde databronnen en het aantal analyses dat een team per periode kan doen.

Het interessantere eindbeeld gaat verder dan geautomatiseerd rapporten schrijven. Zodra analytische agents beheerde definities en onderliggende data betrouwbaar kunnen duiden, kan rapportage verschuiven van periodiek produceren naar doorlopend toegang hebben tot analyse.

8. Experimenteren

AI verandert ook de economie van experimenteren.

Wanneer een extra kop, beeld, propositie, segment of landingspagina veel goedkoper te maken is, kunnen organisaties zich veroorloven veel meer mogelijkheden te verkennen.

Ik zou geen universele benchmark van “2–5× meer experimenten” in een businesscase zetten. Het bewijs ondersteunt die mate van generieke precisie niet.

Het onderliggende mechanisme blijft overtuigend.

Lagere marginale productiekosten maken meer experimenteren economisch haalbaar.

De bruikbare operationele KPI wordt dan iets als:

experimenten per marketeer per maand

gevolgd door de financiële KPI die ertoe doet:

incrementele brutowinst uit winnende experimenten.

De waarde van AI is op dit terrein daarom indirect. Het vergroot het lerend vermogen van de organisatie.

Dat kan strategisch veel belangrijker zijn dan de productiebesparing zelf.

9. Marketing en sales in B2B verbinden

In B2B verschuift de AI-waardekaart opnieuw.

Een retailer kan miljoenen transacties hebben en relatief weinig informatie per klant. Een B2B-organisatie kan veel minder accounts hebben, maar met een veel hogere economische waarde en veel rijkere informatie per account.

Dat maakt een andere set activiteiten aantrekkelijk:

accountonderzoek, ICP-matching, identificatie van de buying group, intentiedetectie, ABM-content, leadkwalificatie, nurturing, overdracht naar sales en ondersteuning bij offertes.

McKinsey schat dat generatieve AI productiviteitswaarde kan opleveren van ongeveer 3–5% van de huidige wereldwijde salesuitgaven, onder meer via toepassingen als leads vinden, prioriteren, klantprofielen maken, opvolgen en leads warm houden. Dat is geen zuivere marketingbenchmark, maar wel relevant waar marketing, leadopvolging en sales elkaar overlappen.

De onderliggende waardevergelijking kan daarom combineren:

minder onderzoekstijd + snellere kwalificatie + extra verkoopcapaciteit + extra conversie.

De eerste drie zijn vaak vóór implementatie redelijk goed te modelleren.

Conversie moet nog steeds experimenteel worden aangetoond.

Dat onderscheid doet ertoe, omdat AI-businesscases wankel worden wanneer onzekere commerciële meeropbrengst wordt behandeld als gegarandeerde kasstroom.

Retail: een van de duidelijkste AI-waardekaarten

Retail is nuttig omdat er nu relatief concreet sectorbewijs ontstaat.

Het Europese retailonderzoek van McKinsey uit juni 2026 meldt dat GenAI-copilots worden ingezet voor campagneplanning, contentgeneratie en targeting, waarbij de analyse wijst op ongeveer 15% lagere bureaukosten en, bij sommige toepassingen, conversieverbeteringen tot 40%.

Die twee cijfers moeten niet op dezelfde manier worden geïnterpreteerd.

Het cijfer van ongeveer 15% lagere bureaukosten is een analytisch referentiepunt op sectorniveau.

“Tot 40% conversieverbetering” is een waargenomen resultaat aan de bovenkant over toepassingen heen. Het is geen redelijke basisprognose voor een willekeurige retailer.

Het juiste gebruik van zulk bewijs is vaststellen waar experimenteren economisch gerechtvaardigd is.

Voor een omnichannelretailer zou ik het AI-portfolio opbouwen rond vier afzonderlijke commerciële cases.

De economie van content

Productbeschrijvingen, campagne-assets, lokalisatie en creatieve variatie kunnen de kosten per asset en externe productie-uitgaven verlagen.

De economie van schaal

Dezelfde marketingcapaciteit kan meer producten, doelgroepen, kanalen en markten bedienen.

De economie van media

Platform-AI kan de allocatie over biedingen, doelgroepen, kanalen en creatie verbeteren.

De economie van klantbeslissingen

Aanbevelingen, targeting en personalisatie kunnen de relevantie van klantinteracties en mogelijk de conversie verbeteren.

Dat zijn vier verschillende mechanismen. Ze samenvoegen tot één claim als “AI kan 30% van marketing automatiseren” verhult meer dan het verheldert.

Neem een gemiddelde landelijke actie.

De traditionele workflow ziet er ongeveer zo uit:

commerciële planning → marketingbriefing → bureau → creatie → CRM → performancemarketing → e-commerce → winkels → rapportage.

Een versie met AI kan er steeds vaker zo uitzien:

commerciële data → campagnecopilot → contentvarianten → geautomatiseerde merk- en compliancereview → CRM-decisioning → media-activatie → meten en leren.

De interessante verandering is niet de toevoeging van een AI-tool.

Het is dat verschillende grenzen tussen planning, productie, decisioning en activatie beginnen te verdwijnen.

Daar wordt herontwerp van workflows waardevoller dan geïsoleerde productiviteit.

Een heel andere waardekaart: de organisatie met 100 lokale vestigingen

Neem nu een landelijke organisatie die werkt met zo’n honderd lokale vestigingen of kantoren.

De economie is bijna het tegenovergestelde van die van retail.

De centrale uitdaging is misschien niet het optimaliseren van miljoenen transacties, maar het honderd keer lokaal relevant maken van centraal ontwikkeld marketingmateriaal.

De workflow zou kunnen zijn:

centrale campagne → lokale aanpassing → lokaal evenement → lokale mailing → lokale social content → lokale landingspagina → lokale lead → lokale verkoop → centrale rapportage.

Hier wordt automatisering van centraal naar lokaal een grote bron van waarde.

Een platform met AI kan centraal beheerde informatie, zoals merkstandaarden, proposities, goedgekeurde claims, productinformatie, templates en campagnes, combineren met lokale informatie over de vestiging, medewerkers, events, klanten en markt.

Een lokaal team kan dan relevant materiaal genereren zonder de campagne vanaf nul opnieuw op te bouwen.

De economische waarde komt uit herhaling.

Ze kan worden gemodelleerd zonder een niet-onderbouwde efficiëntiewinst van 70% te claimen:

100 vestigingen × aantal terugkerende marketingactiviteiten × huidige minuten per activiteit

vergeleken met:

100 vestigingen × dezelfde activiteiten × minuten met AI-ondersteuning.

Dat is al genoeg voor een geloofwaardige businesscase.

Wanneer zo'n organisatie ook zakelijke klanten bedient, ontstaat een tweede waardepool.

Een AI-systeem kan CRM-informatie, eerdere interacties, propositiedata, interne documenten, websiteactiviteit en openbare accountinformatie combineren tot een accountbriefing. Daarna kan het nurturing, kwalificatie en de voorbereiding van de overdracht naar sales ondersteunen.

In die omgeving kunnen de sterkste AI-kansen daarom zijn:

lokale marketingautomatisering + accountinzicht + kwalificatie + sales enablement + rapportage.

Dat is een totaal ander transformatieportfolio dan dat van een retailer met hoge volumes.

En precies daarom vind ik generieke AI-volwassenheidsscores voor marketing steeds minder bruikbaar.

De context bepaalt de sterkste waardepool

Vergelijk die twee organisaties.

De implicatie is eenvoudig maar belangrijk.

Er bestaat niet één “AI-kans in marketing”.

De economie van het bedrijf bepaalt waar intelligentie, automatisering en schaal het meest waard zijn.

Van losse toepassingen naar de economie van workflows

Dit brengt ons terug bij de kloof die in het onderzoek van 2026 zichtbaar is.

Bijna 60% van de marketeers gebruikt AI meerdere keren per week, maar minder dan 10% haalt waarde uit complete workflows. Ook BCG ziet dat een groot deel van de markt nog op het niveau van taakondersteuning zit.

Recenter werk van McKinsey maakt hetzelfde punt vanuit een andere hoek: slechts 28% van de ondervraagde organisaties werkte aan een fundamentele herinrichting van teams en workflows.

Dat suggereert dat de volgende stap in productiviteit niet vooral komt van iedere marketeer een betere chatbot geven.

De grotere kans ligt in het herontwerpen van hoe werk door de marketingorganisatie loopt.

Neem contentproductie.

Een tekstschrijver die AI gebruikt, maakt een eerste versie misschien sneller.

Maar een herontworpen contentworkflow kan briefing, research, creatie, beeldgeneratie, lokalisatie, merkcontrole, juridische review, goedkeuring, activatie en prestatiefeedback veranderen.

De tweede ingreep raakt veel meer van de economie dan de eerste.

Dezelfde logica geldt voor insights, campagnemanagement, CRM en B2B-kwalificatie.

Daarom kunnen vroege resultaten met agents ook veel groter zijn dan individuele productiviteitswinst. BCG meldt 20–30% betere kostenefficiëntie, 3× hogere marketing-ROI en 10× snellere campagnedoorlooptijden in recente klanttrajecten met toonaangevende CMO’s. Eerder werk met grote internationale merken liet 15–20% kostenefficiëntie op interne en bureau-uitgaven en 5–10% extra omzetgroei zien.

Dat zijn geen universele benchmarks.

Het is bewijs dat het economische plafond aanzienlijk kan stijgen zodra organisaties workflows herontwerpen in plaats van losse taken te optimaliseren.

De businesscase vraagt verschillende bewijsstandaarden

Een bruikbaar AI-portfolio zou daarom drie klassen van bewijs moeten onderscheiden.

Er is een externe benchmark. Voorbeelden zijn productiviteit in algemeen kenniswerk, sommige retailtoepassingen en advertentie-optimalisatie door platforms.

Er is casebewijs, maar het is niet veilig te generaliseren. Voorbeelden zijn marketingtransformaties met agents, specifieke personalisatiecases en geautomatiseerde leadkwalificatie.

Er bestaat geen geloofwaardige externe benchmark. In deze categorie moet de organisatie een eigen gecontroleerde proof-of-value uitvoeren in plaats van een percentage uit een andere context te lenen.

Deze eenvoudige indeling voorkomt schijnprecisie.

Het verandert ook de rol van extern onderzoek.

Onderzoek hoeft ons niet precies te vertellen wat ons rendement wordt. Het moet helpen bepalen welke hypotheses plausibel genoeg zijn om te testen.

Bouw de businesscase bottom-up op

Het sterkste algemene economische referentiepunt dat ik op dit moment op directieniveau zou gebruiken, blijft de schatting van McKinsey dat GenAI productiviteitswaarde kan creëren die overeenkomt met 5–15% van de totale marketinguitgaven.

Ik zou dat gebruiken als plausibiliteitscheck, niet als het financiële model zelf.

Het financiële model moet beginnen bij de werkelijke marketingoperatie.

Per workflow:

volume × huidige inspanning × huidige kosten.

Voer daarna een gecontroleerde AI-interventie uit en meet:

nieuwe inspanning, outputvolume, fouten, goedkeuringspercentage en commerciële prestaties.

Daaruit zou ik vijf waardecategorieën onderscheiden.

Eén financieel onderscheid zou ik in iedere businesscase voor de directie expliciet maken:

vrijgekomen capaciteit is niet hetzelfde als verzilverbare besparing.

Als tien marketeers twee uur per week besparen, heeft de organisatie nuttige capaciteit gecreëerd.

Ze heeft daarmee niet automatisch de loonkosten verlaagd.

Die capaciteit kan echte economische waarde opleveren als ze opnieuw wordt ingezet voor meer output, snellere levering, meer experimenten, beter werk of vermeden werving. Maar het een fte-besparing noemen voordat er kosten zijn verdwenen, maakt de case minder geloofwaardig, niet meer.

Het operating model wordt onderdeel van de waardecase

Zodra AI verder gaat dan individuele ondersteuning, is technologie niet langer het enige wat verandert.

Content is een eenvoudig voorbeeld.

Als AI een marketingorganisatie in staat stelt tien keer zoveel creatieve varianten te maken, moet nog steeds iemand bepalen welke varianten er moeten komen, wat acceptabele kwaliteit is, welke claims zijn toegestaan, hoe het merk wordt weergegeven en wanneer menselijke review nodig is.

Het knelpunt verschuift van maken naar regisseren en beoordelen.

Hetzelfde patroon zie je in heel marketing.

Insightteams gaan van het handmatig samenvatten van ieder datapunt naar het ontwerpen van hoe bewijs wordt verzameld, geduid en getoetst.

CRM-teams verschuiven van het inplannen van campagnes naar het definiëren van beslisregels, doelen, randvoorwaarden en experimenten.

Performanceteams houden steeds vaker toezicht op door machines aangestuurde optimalisatie, in plaats van ieder bod handmatig te beheren.

Marketing-operationsteams gaan workflows ontwerpen die mensen, agents en systemen combineren.

De winst is daarom niet simpelweg “minder taken”.

Het operating model zelf verandert.

Het onderzoek van BCG uit 2026 maakt dat goed zichtbaar. Toonaangevende marketingorganisaties investeren niet alleen in technologie, maar ook in datafundamenten, kennis over het eigen merk, regie en nieuw talent.

Dat is een belangrijke waarschuwing voor bedrijven die AI alleen via licenties proberen op te schalen.

AI-adoptie en marketingtransformatie zijn niet hetzelfde.

Eerst de workflow, dan de tools

Daarom zou ik een AI-strategie voor marketing ook niet beginnen met een lange boodschappenlijst aan tools.

De uiteindelijke architectuur combineert normaal gesproken meerdere lagen:

AI voor algemeen kenniswerk; CRM- of CDP-systemen voor klant- en accountcontext; CMS-, DAM- en PIM-systemen voor beheerde content en productinformatie; creatieve AI voor productie; de AI van advertentieplatforms voor media; analytische infrastructuur om te meten; en automatisering of regie van agents om activiteiten tot workflows te verbinden.

Microsoft 365 Copilot is een voor de hand liggend voorbeeld op de laag van algemeen kenniswerk. Adobe bouwt AI-gedreven contentworkflows rond contentgeneratie, merkcontrole en activatie. Google Performance Max is een ver ontwikkelde vorm van AI-gedreven media-optimalisatie.

Maar de volgorde doet ertoe.

Eerst de workflow. Dan de architectuur. Pas daarna de productkeuze.

Anders wordt het AI-portfolio al snel gewoon wat de huidige technologiestack toevallig te bieden heeft.

Governance hoort nu bij het Europese operating model voor marketing

Voor Europese organisaties is AI-governance ook verschoven van iets voor later naar een actuele operationele eis.

Artikel 50 van de EU AI Act geldt sinds 2 augustus 2026 en introduceert transparantieverplichtingen voor bepaalde AI-systemen en soorten door AI gegenereerde of gemanipuleerde content. De Europese Commissie publiceerde op 20 juli 2026 de definitieve richtsnoeren voor de uitvoering.

De nuance doet ertoe.

Het zou onjuist zijn om te concluderen dat ieder stuk door AI gegenereerde marketingcontent simpelweg een label “gegenereerd door AI” moet dragen.

De eisen verschillen voor aanbieders en gebruikers, en hangen af van het systeem en de content. De regels gaan onder meer over het informeren van mensen wanneer zij rechtstreeks met bepaalde AI-systemen communiceren, machineleesbare markering van door AI gegenereerde of gemanipuleerde content door aanbieders, en openbaarmakingsplichten voor gebruikers op terreinen als deepfakes en bepaalde tekst van publiek belang die zonder menselijke redactionele controle is gegenereerd. Er gelden specifieke uitzonderingen.

Voor marketingleiders is de bredere implicatie belangrijker dan het juridische detail.

Governance moet in de marketingworkflow zelf worden ontworpen.

Dat omvat merkstandaarden, privacy en datagebruik, menselijke review, intellectueel eigendom, claims en naleving van regelgeving, transparantie en heldere verantwoordelijkheid voor door AI gegenereerde output.

Hoe autonomer de workflow wordt, hoe minder geloofwaardig het is om deze controles te behandelen als een goedkeuringsstap die aan het eind wordt toegevoegd.

Wat een CMO uit het bewijs van 2026 moet halen

Het bewijs ondersteunt nu een genuanceerder standpunt dan beide uitersten in het AI-debat.

Het is niet langer geloofwaardig om te zeggen dat de waarde van AI in marketing vooral speculatief is.

Er is betekenisvol bewijs voor productiviteitswinst, steeds concreter bewijs per sector, bewezen waarde van machine learning in media en vroege voorbeelden van veel grotere winst door het herontwerpen van workflows.

Maar het is net zo moeilijk om een spreadsheet te verantwoorden met twintig marketingactiviteiten en stellige percentages voor tijdsbesparing, kostenreductie en omzetstijging.

Zo volwassen is het bewijs simpelweg niet.

Het sterkste algemene ijkpunt blijft de schatting van McKinsey van 5–15% productiviteitswaarde ten opzichte van de totale marketinguitgaven. Losse experimenten met kenniswerk laten bescheidener, meetbare effecten zien, zoals de 12% snellere documentafronding bij Microsoft. Aan de andere kant van het spectrum boekten koplopers in BCG-trajecten veel grotere winst wanneer complete workflows en operating models werden herontworpen.

Alle drie de observaties kunnen waar zijn.

Ze verwijzen naar verschillende niveaus van transformatie.

Bij een retailer zou ik daarom vooral kritisch kijken naar de schaal van productcontent, de creatieve keten, media-AI, CRM en personalisatie, en experimenteren.

Bij een organisatie met honderd lokale vestigingen zou ik voorrang geven aan content van centraal naar lokaal, lokale campagneactivatie, accountinzicht, leadkwalificatie, sales enablement en geautomatiseerde rapportage.

Een ander businessmodel levert een andere kaart op.

Dat is uiteindelijk het punt.

De relevante managementvraag in 2026 is niet langer:

Welke AI-tools moet marketing implementeren?

Ook niet:

Welk percentage van marketing kunnen we automatiseren?

Een nuttigere reeks vragen is:

Waar besteedt marketing nu geld, tijd en managementaandacht aan? Waar creëert betere besluitvorming commerciële waarde? Welke waardevolle workflows kunnen nu worden herontworpen omdat AI de economie van informatie, content of uitvoering verandert? En hebben we voor ieder verwacht voordeel geloofwaardig extern bewijs, of moeten we het zelf aantonen?

Beantwoord eerst die vragen, en AI wordt veel makkelijker te beoordelen.

Het is dan geen catalogus van interessante toepassingen meer.

Het wordt het herontwerp van het operating model van marketing rond de plekken waar betere informatie, lagere marginale kosten, grotere schaal en sneller leren werkelijk waarde creëren.