AI & ML
77% gebruikt AI, 5% beslist ermee.
Een blik op de Nederlandse e-commercemonitor 2026, en wat die ons aan deze kant van de grens te zeggen heeft.
Dat contrast tussen 77% en 5% vat de hele staat van AI in marketing samen. Bijna iedereen zet het in, bijna niemand laat het beslissingen sturen. De rest blijft hangen bij losse tools.
Het derde cijfer maakt het scherp. Van de bedrijven die AI gebruiken, zet 84% het in voor contentcreatie: teksten, beelden, advertenties, vertalingen. Dat is de instap, zichtbaar en laagdrempelig. Maar het verandert niets aan hoe je beslissingen neemt.
Je maakt sneller wat je al maakte. De motor loeit, maar de wagen staat stil.
De kloof tussen gebruiken en integreren
Het echte verhaal is niet of bedrijven AI gebruiken, maar wat ze ermee doen. De E-commerce Monitor onderscheidt vier fasen:
Bij groeiende bedrijven zit 47% al in fase 2 of 3. Bij stagnerende bedrijven is dat 27%. In fase 1, het stadium van losse tools, zitten groeiers en dalers ongeveer even vaak.
Bron: E-commerce Monitor 2026 (525 Nederlandse e-commercebedrijven)Het verschil ontstaat dus niet bij het experimenteren, maar bij de stap daarna. De grootste kloof tussen beide groepen zit, in de woorden van de onderzoekers, bij "data en analyses uit eigen systemen".
Waarom de meeste pilots blijven steken
Als de technologie er is en de bereidheid ook, waarom blijft AI dan bij zoveel bedrijven steken bij sneller teksten schrijven? Het antwoord is niet wat de meeste mensen verwachten. Niet de techniek is de barrière, niet het budget. 65% van de bedrijven noemt gebrek aan kennis en vaardigheden als grootste obstakel, en slechts 23% beoordeelt de AI-kennis van het eigen team als sterk.
Maar er zit een diepere laag onder. Een model dat klanten moet voorspellen of de volgende beste actie moet bepalen, heeft iets nodig wat contentcreatie niet nodig heeft: betrouwbare, samenhangende data over de hele klant. En precies daar wringt het. De data zit verspreid over kassa, webshop, CRM en e-mailtool. Vier silo's die elkaar niet kennen.
Een AI-model bovenop versnipperde data maakt de versnippering niet beter. Het maakt ze zichtbaar.
De voorspelling klopt niet, het model wordt gewantrouwd, de pilot sterft een stille dood. Niet omdat AI niet werkt, maar omdat het fundament ontbreekt. Het is als een krachtige motor in een wagen zonder wielen: de techniek is briljant, maar er is niets om de kracht op de weg te zetten.
Het fundament eerst: van losse interacties naar één klantbeeld
Hier ligt de oplossing, en ze is minder spectaculair dan een nieuw model maar veel bepalender. De bedrijven die AI in productie krijgen, hebben eerst hun klantdata samengebracht op één plek.
Eén plek. Eén taal. Eén klantbeeld.
Dat is precies waar wij beginnen. Niet bij het model, maar bij het fundament eronder. Via onze MIP-aanpak (het Master Data- en single-customer-view-traject) brengen we alle klantdata samen op één plek: aankopen uit de kassa, gedrag in de webshop, e-mailinteracties, servicecontacten.
We standaardiseren die data zodat "actief", "klant" en "waarde" overal hetzelfde betekenen, en we bouwen er één samenhangend klantbeeld uit op. Daarop kun je elke interactie die een klant met je merk heeft optellen tot een verhaal in plaats van losse signalen: wie kocht wat, via welk kanaal, na welke mail, met welke service-ervaring erna.
Daar ontstaan de inzichten die een model nodig heeft om te kunnen voorspellen wie dreigt af te haken, welke klantgroep je op volprijs benadert, en welke actie op welk moment loont.
Pas op dat fundament wordt AI iets anders dan een snellere tekstgenerator. Dan voedt het beslissingen, in plaats van content te produceren.
De stap van fase 1 naar fase 2 is dus geen AI-stap. Het is een datastap. De vraag is niet "welk model gaan we draaien", maar "waarop laten we het draaien".
Niet de demo, maar de integratie
Iedereen kan vandaag een indrukwekkende AI-demo laten zien, een model dat in een gecontroleerde omgeving precies doet wat het moet doen. De demo is makkelijk. De integratie is moeilijk, want die vraagt dat de data eronder klopt.
Daarom is het eerlijkste cijfer uit de hele Monitor misschien wel dat van die 5%. Het verschil tussen 77% en 5% is geen kwestie van betere modellen, maar van een beter fundament. Begin daarom niet bij het model. Begin bij de vraag of je data klaar is om erop te bouwen.