Het gangbare antwoord was: jaarlijks, of bij een strategische heroverweging. Dat antwoord ging uit van een aanname die niet meer overal geldt: dat de dimensies waarop bedrijven concurreren zelf stabiel zijn. Levertijd, responstijd, prijsconsistentie, doorlooptijd van een offerte — dit waren uitkomsten van bezetting en proces, en die veranderen traag. Een jaarlijkse meting had dus zin.
Als AI het werk achter een dimensie overneemt, verandert de dimensie zelf van karakter. Levertijd die afhankelijk was van hoeveel planners er zaten, wordt levertijd die afhankelijk is van hoe goed een planningssysteem is ingericht. Dat kan in maanden verschuiven, niet in jaren. Een vergelijking die de aanname van stabiliteit blijft gebruiken, meet iets dat niet meer bestaat.
Niet elke dimensie verschuift even snel, en dat bepaalt hoe vaak een vergelijking herzien moet worden.
Bij dimensies waar AI de taak grotendeels kan overnemen — planning, eerste-lijns respons, offertecalculatie — kan de concurrentiepositie in korte tijd omslaan. Een concurrent die dit werk vandaag anders inricht, wint over een paar maanden op een dimensie waar hij vorig jaar nog achterliep. Deze dimensies vragen een kortere cyclus, niet omdat de methode dat oplegt, maar omdat de onderliggende werkelijkheid zelf sneller beweegt.
Bij dimensies waar mensen met AI-ondersteuning werken en toezicht houden — advieskwaliteit, complexe dossierbehandeling — verschuift de positie geleidelijker. De ondersteuning verandert de snelheid en consistentie van het werk, maar de beoordeling blijft aan mensen, en dat proces verandert niet van maand op maand.
Bij dimensies die mensenwerk blijven — relatiebeheer, onderhandeling, vertrouwen opbouwen in een lange verkoopcyclus — is het ritme van vroeger nog grotendeels intact. Hier is een jaarlijkse of tweejaarlijkse blik vaak voldoende, omdat de onderliggende arbeid niet fundamenteel van vorm verandert.
De vraag "hoe vaak" heeft dus geen enkel antwoord. Het antwoord is: per dimensie, afhankelijk van welk van de drie categorieën die dimensie vandaag is.
Dit is geen toekomstscenario. In sommige bedrijven is de planningsfunctie al goeddeels geautomatiseerd en verschuift de levertijd-dimensie meetbaar; in andere bedrijven zit dezelfde functie nog volledig bij mensen en blijft de dimensie stabiel. Het verschil zit niet in de sector, maar in de keuzes die een bedrijf en zijn concurrenten al hebben gemaakt over welk werk zij aan systemen overlaten en welk werk zij bij mensen houden met toezicht dat goedkeurt of afkeurt. Een benchmark die dat verschil niet apart in kaart brengt per dimensie, mist waar de daadwerkelijke beweging zit.
Dat is ook waarom waarom uw klanten het verschil eerder zien dan u relevant is: klanten ervaren een snellere levertijd of consistentere respons vaak maanden voordat een interne meting dat oppikt. De vergelijking loopt dan achter de markt aan, niet voor.
Een bewijsmatrix maakt scores herleidbaar, maar herleidbaarheid is niet hetzelfde als zekerheid. Een aantal beperkingen is inherent aan de methode, niet aan de uitvoering.
Openbaar bewijs over een concurrent is altijd een vertraagde afspiegeling van de werkelijke staat. Een claim op een website, een recensie, een jaarverslag: die zeggen iets over een moment dat al voorbij is. Hoe recent en hoe direct het bewijs is, bepaalt hoeveel gewicht een score mag krijgen; oud bewijs op een snel verschuivende dimensie zegt weinig.
Een score op een dimensie waarop u nooit gaat winnen, zegt ook niets bruikbaars, tenzij die dimensie in de aankoopbeslissing van uw klant weegt. Hoe die weging werkt, en waarom een lage score daar niet automatisch een probleem is, staat uitgewerkt in hoe weegt u een dimensie waarop u nooit gaat winnen.
En een sterk punt van vandaag is geen garantie voor morgen. Als een claim rust op werk dat inmiddels ook door een systeem te leveren is, vervalt het onderscheid zodra concurrenten hetzelfde systeem invoeren. Wat dat betekent voor een sterkste punt dat door AI gewoon wordt, staat op wat doet u als uw sterkste punt door AI gewoon wordt.
Deze beperkingen zijn geen reden om een benchmark niet te maken. Ze zijn een reden om bij elke uitkomst te vermelden hoe oud het bewijs is en hoe gevoelig de dimensie is voor verschuiving door automatisering. Een score zonder die twee gegevens is moeilijk te interpreteren, ook voor een directie die er verstandig mee wil omgaan.
Hoe vaak een vergelijking herzien moet worden, hangt dus samen met een vraag die niet door de markt maar door het eigen bedrijf beantwoord wordt: welk werk is hier werkelijk door AI over te nemen, welk werk gebeurt met toezicht, en welk werk blijft mensenwerk. Die vraag wordt per taak beantwoord met de werkscan van FTE TO AI. Wie dat weet, weet ook op welke dimensies de eigen positie snel kan verschuiven en op welke niet.
Raakt een van deze uitkomsten aan beslissingen over personeel, dan gelden daarvoor eigen wettelijke vereisten; deze pagina en de onderliggende methode geven daarover geen advies.
Een peer group die verkeerd is samengesteld maakt elke vervolgvraag over herhalingsritme betekenisloos; zie wat is een peer group en hoe stelt u hem samen voor hoe die selectie werkt. Wie wil zien waar in de markt nog ruimte ligt die niemand bezet, vindt de aanpak in wat is een white space analyse.
De gratis dimensiecheck is een eerste stap: u benoemt waarop u denkt te winnen, en ziet welke van die claims met bewijs te verdedigen is. De volledige benchmark is in aanbouw.
Vraag maar waarop er in uw markt gewonnen wordt. Ik vergelijk liever dan dat ik uitleg.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.