Foutmarge -- de ruimte die een organisatie inbouwt tussen wat iets kost en wat er wordt gerekend, of tussen een schatting en de werkelijke uitkomst -- werd lange tijd bepaald door de mens die de calculatie maakte. Een ervaren calculator of accountmanager wist waar de risico's in een offerte zaten en rekende daar een marge voor in. Die kennis zat in hoofden, verspreid over mensen die jaren met een productportfolio of een type klant hadden gewerkt. Twee calculators bij hetzelfde bedrijf kwamen daardoor op verschillende marges uit bij vergelijkbare opdrachten. Dat verschil was niet zichtbaar voor de klant, maar wel voor de resultatenrekening.
De vergelijking tussen concurrenten liep dan ook via de uitkomst: wie kon scherper prijzen zonder verlies te draaien. Niet via de vraag hoe die marge werd bepaald, omdat die berekening zich aan het zicht onttrok.
Waar foutmarge wordt berekend op basis van historische data -- afwijkingen tussen calculatie en nacalculatie, doorlooptijden, materiaalprijsschommelingen -- kan een groot deel van dat rekenwerk door AI worden overgenomen. Niet de beslissing over de uiteindelijke marge, maar het onderliggende werk: duizenden afgeronde projecten doorrekenen op waar de afwijkingen structureel zaten, en dat patroon toepassen op een nieuwe offerte. Bij bedrijven waar dat gebeurt, ligt de calculatie dichter bij de werkelijke risico's dan bij bedrijven waar die nog op ervaring van een individu steunt.
Dat verandert de vergelijking op een specifieke manier. Een organisatie die haar foutmarge baseert op duizenden datapunten kan scherper calculeren zonder dat het risico toeneemt, terwijl een concurrent die op vakmanschap van een paar mensen vertrouwt, een bredere marge nodig blijft houden om dezelfde onzekerheid af te dekken. De een kan dus lager inschrijven bij gelijk risico, of hetzelfde inschrijven bij lager risico. Beide zijn een concurrentievoordeel, en beide zijn zichtbaar in het resultaat, niet in het proces.
De verschuiving is op te delen in drie soorten werk, en die lopen door elkaar bij vrijwel elk bedrijf.
Het doorrekenen van historische afwijkingen -- calculatie versus realisatie over honderden of duizenden opdrachten -- is werk dat AI in veel gevallen kan overnemen. Het is patroonherkenning op gestructureerde data, en dat is precies waar deze technologie sterk in is.
Het vertalen van die patronen naar een concrete offerte is deels werk met menselijk toezicht. Een systeem kan een risico-inschatting aanreiken voor een nieuw project, maar iemand met kennis van de klant, de markt of de uitzonderingssituatie beoordeelt of die inschatting hier ook klopt en keurt de marge goed of af, met reden.
De beslissing om in een specifieke deal bewust onder de gecalculeerde marge te gaan -- om strategische redenen, om een klant binnen te halen, om een markt te betreden -- blijft mensenwerk. Dat is geen rekenvraagstuk maar een afweging over risico en ambitie, en die verantwoordelijkheid verschuift niet.
Het verschil tussen bedrijven zit niet in toegang tot AI, maar in wat er aan data en discipline achter een calculatie zit. Een bedrijf dat nacalculatie structureel vastlegt -- wat een project echt kostte, waar de afwijking ontstond, of dat aan inkoop, planning of uitvoering lag -- heeft een basis waarop een model kan leren. Een bedrijf dat nacalculatie ad hoc doet of alleen bij grote overschrijdingen, heeft die basis niet, hoeveel budget het ook aan AI besteedt. De achterstand zit dan niet in technologie maar in de vraag of er ooit is vastgelegd wat er werkelijk gebeurde.
Dat maakt foutmarge een dimensie waarop de verschuiving ongelijk verloopt tussen sectoren en tussen bedrijven binnen dezelfde sector. Een aannemer met vijftien jaar nacalculatiedata heeft een ander vertrekpunt dan een concurrent die pas vorig jaar begon met gestructureerd vastleggen. Wie personeelsgevolgen overweegt naar aanleiding van deze verschuiving, moet zich overigens realiseren dat daarvoor eigen wettelijke vereisten gelden; deze pagina gaat over wat er met werk gebeurt, niet over wat een werkgever daarmee doet.
Foutmarge staat zelden op zichzelf. Een scherpere calculatie hangt samen met de voorsprong die AI oplevert bij prijs, omdat een lagere benodigde marge ruimte geeft in de prijsstelling. Ze raakt ook aan de voorsprong die AI oplevert bij levertijd, omdat een deel van foutmarge voortkomt uit planningsonzekerheid. Om te weten of uw foutmarge-aanpak daadwerkelijk beter is dan die van vergelijkbare bedrijven, moet eerst vaststaan wie die vergelijkbare bedrijven zijn; dat is waarom hoe een peer group wordt samengesteld de eerste vraag is, niet de laatste.
De vraag welk deel van dit specifieke calculatieproces bij dit specifieke bedrijf al door AI over te nemen is, en welk deel op nacalculatiedata wacht die er nog niet is, wordt met de werkscan van FTE TO AI per taak beantwoord.
De gratis dimensiecheck laat u benoemen waarop u denkt te winnen -- foutmarge, prijs, levertijd of iets anders -- en toont welke van die claims met bewijs te verdedigen is en welke nog niet. De volledige benchmark, met de bewijsmatrix en de vergelijking binnen uw peer group, is in aanbouw.