De zakelijke kunstmatige intelligentie bevindt zich op een punt waarop het niet langer voldoende is om slechts antwoorden te genereren: agents beginnen beslissingen te nemen en taken uit te voeren. Een studie van SAS, gebaseerd op onderzoek van IDC en uitgevoerd onder 2.699 verantwoordelijken voor data en AI uit 28 landen, onthult een paradox: organisaties zetten in op meer autonome systemen terwijl het vertrouwen afneemt. 66 % vertrouwt op AI-agenten, terwijl 76 % vertrouwen heeft in generatieve AI.
De kern van vertrouwen in zakelijke AI in 20 seconden
- 79 % van de organisaties past AI-aanbevelingen meer dan 10 % van de keren aan.
- Het ontbreken van uitleg is de voornaamste reden voor tussenkomst, met 34,5 %.
- Alleen 17,5 % beschikt over een datainfrastructuur die het hoogste niveau van volwassenheid bereikt.
- Organisaties met de hoogste scores op betrouwbare AI-praktijken rapporteren in 62 % van de gevallen een hoge of sterke ROI, tegenover slechts 4 % bij de minst scorende organisaties.
- Het onderzoek identificeert vijf belangrijke gebieden: data, modellen, uitlegbaarheid, beleid voor verantwoordelijke AI en auditing.
De afbeelding die het rapport Data and AI Impact Report: The New Economics of Trust schetst, is bijzonder relevant voor bedrijven die overstappen van copilots en generatieve tools naar agenten die systemen binnen de organisatie kunnen activeren. Het gaat niet alleen meer om of een model goed antwoord geeft, maar ook over wat er gebeurt wanneer dat antwoord een actie in een echt proces triggert.
De sprong van GenAI naar agents verandert de spelregels
De studie maakt een duidelijk onderscheid tussen het vertrouwen dat men heeft in generatieve AI en dat in autonomie-achtige systemen. Eerstgenoemde heeft een vertrouwen van 76 %, terwijl het vertrouwen in agenten daalt tot 66 %.
Deze kloof ontstaat op het moment dat de autonomie toeneemt: 89 % van de ondervraagden zegt dat hun agenten al betrokken zijn bij besluitvorming. Daarbij wordt een breed scala aan systemen meegenomen: van informatiefuncties voor beslissingen die nog door een persoon worden goedgekeurd tot volledig autonome agenten.
Dat verschil is significant: niet alle agenten opereren met hetzelfde mate van autonomie en brengen verschillende operationele risico’s met zich mee. Een agent die een verzoek classificeert voor beoordeling door een medewerker heeft een andere impact dan een agent die gegevens wijzigt, een financiële transactie uitvoert of een workflow zonder menselijke tussenkomst start.
Problemen ontstaan wanneer technologie wordt ingezet voordat de controlmechanismen klaar zijn.
79 % van de ondervraagde organisaties geeft toe dat zij AI-aanbevelingen meer dan 10 % van de gevallen aanpassen. Het rapport onderscheidt die interventies en plaatst uitleggebrek bovenaan de lijst, met 34,5 %. Daarnaast interveniëren 25,6 % wanneer het systeem de context niet correct weergeeft.
Andere veel voorkomende oorzaken van ingrijpen zijn bevooroordeelde of oneerlijke antwoorden (16,9 %), feitelijke fouten (14,8 %) en onveilige of ongeschikte resultaten (8,3 %).
Voor technische teams is de praktische conclusie helder: een hoge interventiegraad kan aangeven dat het systeem nog niet klaar is voor de mate van autonomie die men wenst te geven.
Het fundament onder het model: data
Een belangrijk onderdeel van het rapport verschuift de focus van modellen naar de datainfrastructuur.
Slechts 17,5 % van de ondervraagde organisaties beschikt over een datainfrastructuur die volledig voldoet aan de eisen voor AI. De categorie ‘Managed’ vertegenwoordigt 34,7 %, terwijl 31,6 % nog in de fase ‘Geordend’ zit.
De jaarlijkse ontwikkeling is positief, maar de meerderheid blijft achter bij het hoogste niveau. In 2025 bevond 47,7 % van de organisaties zich op het niveau ‘Geordend’; in 2026 is dat gedaald tot 31,6 %. ‘Managed’ groeide van 25,9 % naar 34,7 %, en ‘Geoptimaliseerd’ van 10,2 % naar 17,5 %.
Een goede datainfrastructuur is cruciaal voor agenten omdat een besluit reconstructeerbaar moet blijven. Als een organisatie niet weet welke data het systeem gebruikte, waar die vandaan kwam, wanneer het werd bijgewerkt of welke validaties het onderging, wordt het later uitleggen van een actie aanzienlijk moeilijker.
Het rapport toont bovendien een opvallend verschil tussen organisaties met ad hoc-infrastructuur en degenen die het niveau ‘Geoptimaliseerd’ hebben bereikt. De laatste groep is zes keer vaker geneigd om data-kwaliteitstools te eisen en zes keer meer geneigd tot explicabiliteitscontroles. Ze gebruiken ook vijf keer vaker geautomatiseerde, continue validatie en monitoring.
Het gaat niet alleen om opslag of pipelines; om een zakelijke agent controleerbaar te maken, zijn traceerbaarheid, toezicht, beheersing en een betrouwbare koppeling tussen gebruikte data en eindbeslissing essentieel.
Uitlegbaarheid blijft een aandachtspunt
Het rapport verdeelt het vertrouwen in vijf dimensies: kwaliteits- en datagovernance, modelbeheer en -toezicht, uitlegbaarheid en eerlijkheid, beleid voor verantwoordelijke AI, en audit en verantwoording.
De totale vertrouwensscore op basis van deze praktijkgebieden steeg van 49,7 naar 61,3 uit op 100 tussen de twee onderzochte versies. Toch verloopt de ontwikkeling niet gelijk in alle componenten.
Uitlegbaarheid en eerlijkheid scoren 60,4, policies voor verantwoorde AI behalen 67,5, audit en verantwoording 63,4, terwijl datagovernance 59,5 en modelbeheer 58,9 punten halen. Uitlegbaarheid is de dimensie die het minste vooruitgang boekte tussen de jaren.
De correlatie met gebruikersgedrag is treffend: het ontbreken van uitleg is de meest voorkomende reden voor het corrigeren van een aanbeveling.
Voor een AI-platform betekent het uitleggen van een besluit niet altijd dat het volledige interne functioneren van een model moet worden prijsgegeven. In een zakelijke omgeving kan het juist nuttig zijn om traceerbare informatie te bieden over gebruikte data, de toegepaste regels of controles, beschikbare bronnen en operationele redenen die tot een bepaalde actie hebben geleid.
Dit vormt een bredere technische uitdaging dan alleen een door het model gegenereerde verklaring toevoegen.
De 15x-waarde vraagt om een meer verfijnde interpretatie
SAS benadrukt dat organisaties met betrouwbare AI-praktijken 15 keer vaker een sterke of hoge ROI rapporteren. Die conclusie baseren ze op vergelijking tussen organisaties die minimaal 80 punten scoren op de Trustworthiness Index en die met lagere scores.
Van de eerste groep rapporteert 62 % een sterke of hoge ROI, tegenover slechts 4 % van de organisaties met lagere scores. Het rapport berekent ook dat organisaties met een hoge mate van vertrouwen gemiddeld 1,85 keer meer winnen op 13 bedrijfsprestaties.
Echter, die 15x betekent niet dat bedrijven vijftien keer de investering in AI terugverdienen. Het is een verhouding tussen groepen, geen directe vermenigvuldiger van economisch rendement.
Daarnaast is het belangrijk te beseffen dat het onderzoek gebaseerd is op enquêtes. De resultaten tonen een verband tussen AI-maturiteit en de gerapporteerde resultaten, maar kunnen niet op zichzelf bewijzen dat goede governance de oorzaak is van hogere ROI. Andere factoren zoals investeringen, gebruiksscenario’s, technologische volwassenheid en interne capaciteit spelen ook een rol.
Het rapport vermeldt ook dat 85 % van de leiders in AI gedurende het komende jaar van meer dan 10 % gaan investeren in betrouwbare AI-praktijken, in tegenstelling tot slechts 26 % van de lager scorende organisaties.
Voor technische teams is de boodschap pragmatisch: het succesvol inzetten van agenten gaat niet alleen over het toepassen van krachtigere modellen. Het vereist eerst inzicht in welke data zij kunnen gebruiken, welke acties zij mogen uitvoeren, hoe hun resultaten worden gevalideerd en welke mechanismen bestaan om beslissingen te stoppen of te herzien.
Generatieve AI kon fouten maken in een antwoord; AI-agenten brengen hier een extra dimensie in: een fout in een actie kan leiden. Daarom plaatst het rapport data, toezicht, uitlegbaarheid en auditing centraal in de komende fase van zakelijke adoptie.