Census Bureau AI use: wat zegt dat cijfer jou?

Waar dat ene percentage vandaan komt

Zoek je op census bureau AI use, dan krijg je twee onderwerpen door elkaar. Het eerste is hoe Amerikaanse bedrijven AI gebruiken volgens de metingen van het US Census Bureau. Het tweede is hoe dat bureau zelf AI toepast in zijn eigen productie van statistiek. Beide zijn interessant, maar ze beantwoorden verschillende vragen, en de meeste artikelen die je erover vindt houden ze niet uit elkaar.

De meting waar iedereen naar verwijst is de Business Trends and Outlook Survey, kortweg BTOS. Het Census Bureau vraagt daarin aan een grote steekproef bedrijven of ze AI hebben gebruikt om goederen of diensten te produceren, en of ze dat de komende periode van plan zijn. De resultaten staan gratis op census.gov, inclusief uitsplitsing naar sector en bedrijfsgrootte. Dat is meer openheid dan je van vrijwel elk commercieel onderzoeksbureau krijgt.

Ik noem in dit artikel geen percentage uit die survey. Dat is een bewuste keuze. Het cijfer verandert per meetronde, en wat het betekent hangt volledig af van de vraagstelling die eronder ligt. Een blogpost die zegt "X procent van de bedrijven gebruikt AI" zonder de vraag erbij te zetten, geeft je een getal zonder betekenis. Wil je het echte cijfer, haal het bij de bron en lees de vragenlijst erbij. Dat kost je tien minuten en het scheelt je een verkeerde conclusie.

Wat dit artikel wel doet: uitleggen wat dit soort adoptiecijfers meet, hoe de Amerikaanse meting zich verhoudt tot de Europese, en welke beslissing je er als ondernemer in Nederland op kunt baseren. Wij zijn met z'n tweeën en we bouwen deze systemen zelf, dus we hebben geen belang bij een groot getal dat urgentie moet oproepen.

Census Bureau AI use als benchmark voor je eigen bedrijf

De verleiding is groot om een adoptiepercentage te lezen als een scorebord. Zoveel procent gebruikt het al, dus ik loop achter. Zo werkt het niet, en wel om een reden die in de vraagstelling zelf zit.

Een survey vraagt of een bedrijf AI heeft gebruikt bij het produceren van goederen of diensten. Iemand die een tekst voor de nieuwsbrief door een chatbot heeft gehaald, kan naar eer en geweten ja antwoorden. Een bedrijf dat een model in productie heeft draaien dat elke dag duizenden documenten classificeert, antwoordt ook ja. Die twee staan in dezelfde kolom. Het cijfer meet aanraking, niet diepte.

Dat is geen kritiek op het Census Bureau. Een survey die op schaal en met hoge frequentie moet draaien kan geen genuanceerde vraag stellen over hoe diep een technologie in een werkproces zit. De ontwerpkeuze is verdedigbaar. Het probleem ontstaat bij de lezer die het getal gebruikt alsof het over implementatiediepte gaat.

Wat je er wel uit haalt, is richting. Als de meting over meerdere ronden een stijgende lijn laat zien binnen jouw sector en jouw bedrijfsgrootte, dan zegt dat iets over hoe normaal het aan het worden is dat je concurrent een model tussen zijn klantcontact en zijn administratie heeft hangen. De richting is bruikbaar. Het niveau is dat veel minder.

En er zit nog een addertje in voor Nederlandse lezers. De Amerikaanse cijfers gaan over Amerikaanse bedrijven, in een markt met andere loonkosten, andere privacyregels en andere softwareleveranciers. Een Amerikaans installatiebedrijf met vijftien man heeft andere prikkels dan een Nederlands installatiebedrijf met vijftien man, alleen al omdat de AVG en de AI Act hier bepalen wat je met klantdata mag doen. Gebruik het Amerikaanse cijfer als context, niet als spiegel.

Vier bronnen naast elkaar

Er zijn ruwweg vier soorten bronnen die je adoptiecijfers geven, en ze zijn onderling niet uitwisselbaar.

Bron	Wie zit erin	Wat er gevraagd wordt	Waar het voor deugt
US Census Bureau (BTOS)	Amerikaanse bedrijven, brede steekproef, ook kleine	Gebruik van AI bij het produceren van goederen of diensten, plus verwachting	Trend over tijd, uitsplitsing naar sector en grootte
CBS	Nederlandse bedrijven vanaf een minimum aantal werkzame personen	Welke AI-technologieën in gebruik zijn, en waarvoor	Nederlandse context, aansluiting op andere ICT-statistiek
Eurostat	Bedrijven in de EU-lidstaten, geharmoniseerd	Vergelijkbare vragenlijst per land	Vergelijking tussen landen
Leveranciers en adviesbureaus	Wie hun mailinglijst of panel is	Wisselend, vaak niet gepubliceerd	Weinig, tenzij de methode erbij staat

Het verschil tussen de eerste drie en de vierde is fundamenteel. Statistiekbureaus publiceren hun vragenlijst, hun steekproefkader en hun responspercentage. Een leverancier die AI verkoopt en tegelijk meet hoeveel bedrijven AI kopen, heeft een belang bij de uitkomst. Dat maakt zo'n onderzoek niet automatisch waardeloos, maar je kunt het niet controleren, en dat is precies waarom de officiële statistiek meer waard is dan de gratis whitepaper met de mooiere grafiek.

Een praktisch punt over dekking. De Europese ICT-statistiek richt zich van oudsher op bedrijven vanaf tien werkzame personen. Heb je een team van zeven, dan val je in veel van die metingen buiten het kader. De Amerikaanse survey gaat verder omlaag in bedrijfsgrootte. Voor een Nederlandse ondernemer met een klein team betekent dat iets ongemakkelijks: het cijfer dat het dichtst bij jouw markt ligt, gaat vaak niet over bedrijven van jouw omvang, en het cijfer dat wel over bedrijven van jouw omvang gaat, komt uit een andere economie.

Waarom twee weken en twaalf maanden verschillende cijfers geven

De belangrijkste reden dat twee AI-adoptiecijfers ver uit elkaar liggen, is zelden dat een van beide fout is. Meestal is het de referentieperiode.

Vraag een bedrijf of het in de afgelopen twee weken AI heeft gebruikt en je meet actueel, herhaald gebruik. Vraag of het in de afgelopen twaalf maanden AI heeft gebruikt en je vangt ook iedereen die het in maart één keer heeft geprobeerd en daarna nooit meer. Dat tweede getal is per definitie hoger. Stel dat de ene bron acht procent rapporteert en de andere veertig: dan kunnen die allebei kloppen en gaat de discussie eigenlijk over de vraag welke van de twee je wilde weten.

Daar komt de definitie van AI zelf nog bij. Telt een spamfilter mee? Een aanbevelingsmodule in je webshop die er al vijf jaar in zit? Statistiekbureaus lossen dit op door een lijst technologieën voor te leggen: tekstanalyse, spraakherkenning, beeldherkenning, machine learning voor besluitvorming, automatisering van processen. Wie die lijst breed maakt, meet hoger. De vragenlijst is de meetlat, en die meetlat verschilt per bron.

Dus als je twee cijfers tegenkomt die niet met elkaar rijmen, is de eerste stap altijd hetzelfde: zoek de vraagstelling op. Bij het Census Bureau en bij het CBS staat die gewoon online. Bij het rapport van een leverancier vaak niet, en dat is op zichzelf al informatie.

Hoe een statistiekbureau zelf met AI werkt

Het andere deel van dit onderwerp is interessanter voor wie iets wil bouwen. Statistiekbureaus verwerken enorme hoeveelheden ongestructureerde tekst, en dat is precies het werk waar taalmodellen en klassieke machine learning goed in zijn.

Denk aan het coderen van open antwoorden. Iemand vult bij beroep in "ik regel de planning voor de monteurs". Dat moet een code krijgen in een gestandaardiseerde beroepenclassificatie. Vroeger deden mensen dat handmatig, regel voor regel. Een model dat op miljoenen eerder gecodeerde antwoorden is getraind doet het merendeel automatisch en geeft de twijfelgevallen door aan een mens. Hetzelfde geldt voor het koppelen van records tussen bestanden waarin namen en adressen net anders gespeld staan, en voor het invullen van ontbrekende antwoorden op basis van patronen in de rest van de data.

Dat is de vorm van AI-gebruik die in de praktijk het meeste oplevert, en die het minst spannend klinkt. Geen assistent die met je praat, maar een classificatiestap midden in een bestaand proces, met een menselijke controle op de onzekere gevallen en een auditspoor van wat het model heeft besloten. Statistiekbureaus kunnen niet anders werken: ze moeten kunnen uitleggen hoe een cijfer tot stand kwam, ook als er een model in de keten zat.

Die eis, uitlegbaarheid en controleerbaarheid, is precies wat een AI-project bij een gewoon bedrijf ook moet halen als er iets op het spel staat. Een offerte die de deur uit gaat, een factuur die geboekt wordt, een klant die antwoord krijgt: daar wil je kunnen terugzoeken wat er is gebeurd en waarom.

En dat werk is groter dan het model. Intel deed duizenden experimenten met agentische AI-workloads en beschreef in MIT Technology Review dat de moeilijkheid zit in het systeem eromheen: taakorkestratie, toegang tot data, het uitvoeren van tools, latency en het meten van hoe lang een taak echt duurt. Hun conclusie is dat je capaciteit moet plannen per beschikbare rekenkracht en dat je taakduur moet monitoren in plaats van gemiddeld CPU-gebruik. Wij herkennen dat uit ons eigen werk. Het model kiezen is de kleinste beslissing van het project.

Wat een adoptiecijfer wel voor je doet

Er is één beslissing waar dit soort statistiek echt bij helpt, en dat is een timingbeslissing. Als je in een sector zit waar de gemeten adoptie al twee jaar stijgt, dan is de vraag of je klanten binnenkort verwachten dat je binnen een uur antwoordt in plaats van binnen een dag, geen speculatie meer. Dan is het een verwachting die zich aan het vormen is.

De tweede toepassing is intern draagvlak. Als je een collega of een mede-eigenaar moet meenemen, is een cijfer van een overheidsstatistiekbureau een ander gesprek dan een grafiek uit een verkooppresentatie. Het is controleerbaar en niemand verdient eraan.

Waar het niet bij helpt: bepalen wat je moet bouwen. Geen enkel adoptiecijfer vertelt je welk proces in jouw bedrijf geld lekt. Daar heb je een half uur met je eigen mensen voor nodig. De vraag die wij stellen als we ergens binnenkomen is simpel: welk werk doet iemand hier elke week dat bestaat uit informatie van de ene plek naar de andere plek verplaatsen? De ops-manager die zes uur per week besteedt aan het overtypen van bestelbonnen in het voorraadsysteem is een concreet project met een berekenbare terugverdientijd. "Onze sector adopteert AI" is dat niet.

Begin daarom bij het werk, niet bij de technologie. Zoek de stap in je proces met het hoogste volume, de meest voorspelbare invoer en de kleinste schade als het één keer misgaat. Dat is bijna altijd de goede eerste bouwsteen, en het is precies waarom statistiekbureaus met het coderen van open antwoorden begonnen zijn en niet met iets ambitieuzers.

Wanneer je dit beter nog even kunt laten

De eerlijke versie: een deel van de bedrijven dat ons benadert, kan beter nog geen AI-project starten. Drie situaties waarin we dat zeggen.

Je data staat nergens. Als de informatie die het model nodig heeft in de hoofden van drie mensen zit en in een gedeelde inbox, dan is er geen invoer om mee te werken. Het opruimen daarvan levert vaak op zichzelf al meer op dan het model erna, en het is werk dat je grotendeels zelf kunt doen.

Het proces verandert elke maand. Automatiseren van iets dat nog niet vaststaat betekent dat je twee dingen tegelijk verbouwt. Laat het proces eerst een paar maanden stabiel draaien op de manier die werkt, en bouw er dan omheen.

Het volume is te laag. Een taak die je vier keer per maand doet, is zelden de investering waard, hoe irritant hij ook is. De rekensom is niet ingewikkeld: aantal keren per jaar maal minuten per keer maal je uurtarief, afgezet tegen bouwkosten plus onderhoud. Komt daar geen duidelijk positief getal uit, dan is het antwoord nee, en dan zeggen wij dat ook.

De adoptiecijfers van welk statistiekbureau dan ook veranderen niets aan die drie situaties. Ze meten wat anderen doen, niet of het bij jou uitkomt.

Van cijfer naar één werkproces

Als je wel op die drie punten door de keuring komt, dan is de aanpak die wij hanteren rechttoe rechtaan. Kies één proces. Meet hoe lang het nu duurt en hoe vaak het misgaat, voordat je iets bouwt, want zonder die nulmeting kun je achteraf niets hard maken. Bouw de kleinste versie die in productie kan, met een mens op de twijfelgevallen. Laat hem vier tot zes weken draaien en meet opnieuw.

Die werkwijze is geleend van hoe statistiekbureaus het doen, en dat is geen toeval. Zij mogen niet gokken op een model dat er meestal naast zit, dus hebben ze een structuur waarin het model een deel doet, mensen de rest controleren en alles herleidbaar blijft. Dat is de structuur waar onze AI diensten op gebouwd zijn: één proces, in productie, met cijfers voor en na.

Wat ons in dit werk verraste, is hoe vaak het model niet de bottleneck is. De laatste keer dat we een documentverwerkingsstap bouwden, zat het echte werk in de vraag wat er moet gebeuren als de leverancier een veld leeg laat. Daar bestaat geen modelantwoord op, alleen een bedrijfsregel die iemand moet vaststellen. Die gesprekken duren langer dan het schrijven van de code.

Wil je zelf kijken wat de Amerikaanse metingen zeggen, ga dan naar census.gov en zoek op Business Trends and Outlook Survey. Voor Nederlandse cijfers heeft het CBS zijn ICT-statistiek over bedrijven online staan, inclusief methodeverantwoording. Lees in beide gevallen eerst de vraag en dan pas het percentage. Als het cijfer je daarna nog steeds iets vertelt dat je nog niet wist, is het een goed cijfer.