Gevoeligheidsanalyse voor een AI-businesscase: vind de beslissende aanname
Een gevoeligheidsanalyse voor een AI-businesscase verandert telkens één belangrijke aanname en meet het effect op nettowaarde, ROI of terugverdientijd. Test onder meer volume, adoptie, netto tijdswinst, reviewratio en terugkerende kosten. De uitkomst toont welke variabele eerst bewijs nodig heeft en voorkomt dat teams veel tijd besteden aan aannames die nauwelijks tellen.
Definitie en afbakening
Gevoeligheidsanalyse onderzoekt hoe sterk een modeluitkomst reageert op één of meer invoervariabelen. Een enkelvoudige analyse verandert één variabele terwijl de rest gelijk blijft. Een meervoudige analyse onderzoekt combinaties. Anders dan scenarioanalyse hoeft gevoeligheidsanalyse geen compleet toekomstverhaal te vormen; zij identificeert vooral kritieke drivers en omslagpunten.
Het herkenbare bedrijfsprobleem
Een businesscase bevat twintig aannames en alle krijgen evenveel discussie. De modelprijs wordt tot op centen uitgezocht, terwijl adoptie of menselijke review de uitkomst kan omdraaien. Zonder gevoeligheid blijft onduidelijk welk experiment de meeste beslisinformatie oplevert.
Bij een gevoeligheidsanalyse van de AI-businesscase ligt de belangrijkste onzekerheid tussen de stap ‘kies de beslisuitkomst’ en het risico ‘ranges hebben geen inhoudelijke basis’.
Wat je precies moet meten
Voor een gevoeligheidsanalyse van de AI-businesscase begint de meetketen bij de stap ‘kies de beslisuitkomst’ en eindigt zij pas wanneer de stap ‘prioriteer bewijs’ een controleerbare uitkomst heeft. Gebruik het risico ‘gecorreleerde variabelen worden los geïnterpreteerd’ als stresstest voor de gekozen formule.
Praktisch meetblad voor dit onderwerp
Maak voor een gevoeligheidsanalyse van de AI-businesscase één meetblad waarop operationele en financiële gegevens naast elkaar staan. Begin met de stap ‘kies de beslisuitkomst’ en schrijf daarbij de huidige waarde, gewenste grens en exacte databron. Voeg vervolgens de stap ‘selecteer materiële inputs’ toe als afzonderlijke rij, zodat zichtbaar blijft of nieuw bewijs de baten, kosten of beide beïnvloedt.
Gebruik bij de stap ‘bepaal verdedigbare ranges’ niet alleen een eigenaar, maar ook een controledatum. Voor de stap ‘varieer één input per keer’ noteer je het laagste en hoogste verdedigbare cijfer.
Neem het risico ‘ranges hebben geen inhoudelijke basis’ als expliciete waarschuwing op het meetblad op. Beschrijf daarnaast hoe het risico ‘alleen gunstige variaties worden getoond’ in data zichtbaar wordt en welke rol bij overschrijding beslist. Rond af met de stap ‘test daarna combinaties’ en ‘prioriteer bewijs’ als vaste momenten voor herberekening.
Stappenplan voor een gevoeligheidsanalyse van de AI-businesscase
1. Kies de beslisuitkomst
Gebruik nettowaarde, ROI, kostprijs of terugverdientijd als vaste afhankelijke maat. Koppel de stap ‘kies de beslisuitkomst’ aan een concrete databron, meetperiode en eigenaar. Gebruik het risico ‘ranges hebben geen inhoudelijke basis’ als stresstest en leg vast bij welke uitkomst deze stap opnieuw moet worden beoordeeld.
2. Selecteer materiële inputs
Begin met volume, effect, adoptie, benutting, foutkosten en beheerlast. Koppel de stap ‘selecteer materiële inputs’ aan een concrete databron, meetperiode en eigenaar. Gebruik het risico ‘gecorreleerde variabelen worden los geïnterpreteerd’ als stresstest en leg vast bij welke uitkomst deze stap opnieuw moet worden beoordeeld.
3. Bepaal verdedigbare ranges
Gebruik lokale data, offertes, pilotmetingen of transparante grenzen. Koppel de stap ‘bepaal verdedigbare ranges’ aan een concrete databron, meetperiode en eigenaar. Gebruik het risico ‘alleen gunstige variaties worden getoond’ als stresstest en leg vast bij welke uitkomst deze stap opnieuw moet worden beoordeeld.
4. Varieer één input per keer
Bereken het effect en noteer het omslagpunt waarop het besluit verandert. Koppel de stap ‘varieer één input per keer’ aan een concrete databron, meetperiode en eigenaar. Gebruik het risico ‘een gevoelig model wordt toch als zekerheid gepresenteerd’ als stresstest en leg vast bij welke uitkomst deze stap opnieuw moet worden beoordeeld.
5. Test daarna combinaties
Combineer alleen drivers die inhoudelijk samenhangen of tegelijk onzeker zijn. Koppel de stap ‘test daarna combinaties’ aan een concrete databron, meetperiode en eigenaar. Gebruik het risico ‘ranges hebben geen inhoudelijke basis’ als stresstest en leg vast bij welke uitkomst deze stap opnieuw moet worden beoordeeld.
6. Prioriteer bewijs
Meet eerst de variabele met grote impact én hoge onzekerheid. Koppel de stap ‘prioriteer bewijs’ aan een concrete databron, meetperiode en eigenaar. Gebruik het risico ‘gecorreleerde variabelen worden los geïnterpreteerd’ als stresstest en leg vast bij welke uitkomst deze stap opnieuw moet worden beoordeeld.
Beslismodel
| Beslispunt | Centrale vraag | Bewijs | Handelingsregel | |---|---|---|---| | Kies de beslisuitkomst | Gebruik nettowaarde, ROI, kostprijs of terugverdientijd als vaste afhankelijke maat. | Nulmeting, bron en eigenaar | Doorgaan bij bewezen grens | | Selecteer materiële inputs | Begin met volume, effect, adoptie, benutting, foutkosten en beheerlast. | Meetrapport en kostendata | Beperkt testen | | Bepaal verdedigbare ranges | Gebruik lokale data, offertes, pilotmetingen of transparante grenzen. | Nulmeting, bron en eigenaar | Herontwerpen of stoppen | | Varieer één input per keer | Bereken het effect en noteer het omslagpunt waarop het besluit verandert. | Meetrapport en kostendata | Doorgaan bij bewezen grens | | Test daarna combinaties | Combineer alleen drivers die inhoudelijk samenhangen of tegelijk onzeker zijn. | Nulmeting, bron en eigenaar | Beperkt testen | | Prioriteer bewijs | Meet eerst de variabele met grote impact én hoge onzekerheid. | Meetrapport en kostendata | Herontwerpen of stoppen |
Praktijkvoorbeeld met invoer, berekening en uitkomst
Situatie
Een businesscase heeft €30.000 verwachte nettowaarde bij 70% adoptie.
Invoer
Alle overige aannames blijven gelijk. Bij 50% adoptie is nettowaarde min €6.000; bij 60% plus €12.000; bij 80% plus €48.000.
Berekening
Het break-evenpunt ligt door lineaire interpolatie rond 53,3% adoptie. Modelkosten plus of min 20% veranderen nettowaarde slechts €4.000.
Uitkomst
Adoptie is de beslissende aanname. De pilot investeert daarom in gebruiksmeting en workflowinbedding, niet in langdurige prijsonderhandeling.
Koppeling met de vijf lagen van de ROI-scan
Bij het risico ‘gecorreleerde variabelen worden los geïnterpreteerd’ kan de zichtbare financiële afwijking dus een oorzaak in een andere laag hebben.
Lees ook Scenarioanalyse AI-investering, AI-adoptie meten, AI-investeringsbudget bepalen.
Risico’s en beheersmaatregelen
1. Ranges hebben geen inhoudelijke basis
Binnen een gevoeligheidsanalyse van de AI-businesscase vraagt het risico ‘ranges hebben geen inhoudelijke basis’ om een eigen controlespoor.
2. Gecorreleerde variabelen worden los geïnterpreteerd
Binnen een gevoeligheidsanalyse van de AI-businesscase vraagt het risico ‘gecorreleerde variabelen worden los geïnterpreteerd’ om een eigen controlespoor.
3. Alleen gunstige variaties worden getoond
Binnen een gevoeligheidsanalyse van de AI-businesscase vraagt het risico ‘alleen gunstige variaties worden getoond’ om een eigen controlespoor.
4. Een gevoelig model wordt toch als zekerheid gepresenteerd
Binnen een gevoeligheidsanalyse van de AI-businesscase vraagt het risico ‘een gevoelig model wordt toch als zekerheid gepresenteerd’ om een eigen controlespoor.
Veelgestelde vragen
Wat is het verschil met scenarioanalyse?
Gevoeligheidsanalyse isoleert het effect van variabelen; scenarioanalyse combineert consistente operationele toekomstbeelden.
Welke variabelen test je eerst?
Variabelen met hoge onzekerheid en potentieel grote invloed op de beslisuitkomst.
Wat is een break-evenanalyse?
Een berekening van de invoerwaarde waarbij baten en kosten of een andere beslisgrens precies gelijk zijn.
Kun je twee variabelen tegelijk testen?
Ja, bijvoorbeeld adoptie en reviewratio, maar maak hun inhoudelijke relatie expliciet.
Hoe presenteer je de uitkomst?
Als tabel met ranges, omslagpunten, bewijssterkte en aanbevolen meting, niet alleen als grafiek.
Bronnen en oorspronkelijke documentatie
- OECD, Miracle or Myth? Assessing the macroeconomic productivity gains from AI
- NIST AI Risk Management Framework
- Noy en Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence
Verder lezen
- AI-investeringsbudget bepalen: financier bewijs, niet alleen techniek
- AI-kostenraming per use case: van idee naar verdedigbare raming
- TCO van een AI-oplossing berekenen over de volledige levenscyclus
- Vaste en variabele AI-kosten: zo voorspel je schaalbaarheid
- Kosten per AI-taak berekenen zonder menselijke arbeid te vergeten