AI is in veel organisaties razendsnel doorgedrongen tot de dagelijkse werkvloer. Medewerkers schrijven met AI, ontwikkelaars programmeren ermee en steeds meer bedrijfsprocessen worden ondersteund door intelligente agents. Maar zodra de eerste experimentele fase voorbij is, duikt een veel moeilijkere vraag op: wat levert al die AI nu werkelijk op?
Precies daar wil Larridin een antwoord op bieden. Het platform positioneert zich als een onafhankelijke meetlaag voor enterprise-AI op Google Cloud. Niet alleen het gebruik van AI wordt zichtbaar gemaakt, maar vooral de relatie tussen kosten, gebruik, prestaties en concrete bedrijfswaarde.
Van AI-adoptie naar aantoonbare ROI
Voor CIO's en AI-verantwoordelijken was de eerste uitdaging vaak om medewerkers überhaupt met generatieve AI aan de slag te krijgen. Inmiddels verschuift de discussie. Directies en raden van bestuur willen niet alleen weten hoeveel mensen AI gebruiken, maar vooral of de investeringen zich terugbetalen.
Het aantal actieve gebruikers zegt immers weinig over de economische impact. Een medewerker kan dagelijks een AI-assistent openen zonder dat dit noodzakelijk tot meer productiviteit, lagere kosten of betere resultaten leidt.
Larridin probeert daarom verder te kijken dan oppervlakkige adoptiecijfers. Het platform analyseert via telemetrie hoe AI daadwerkelijk binnen een organisatie wordt ingezet.
Niet langer de leverancier zijn eigen rapport laten schrijven
Een interessant uitgangspunt daarbij is onafhankelijkheid. Organisaties gebruiken vaak verschillende AI-modellen, tools en agents. De leveranciers van die systemen beschikken doorgaans zelf over dashboards waarmee klanten het gebruik kunnen volgen.
Maar daardoor ontstaat een bijzondere situatie: dezelfde leverancier die de technologie verkoopt, rapporteert ook over het succes ervan.
Larridin wil daar een onafhankelijke meetlaag tussen plaatsen. De organisatie krijgt zo een overkoepelend beeld van wat er werkelijk gebeurt, ongeacht welke AI-tools of agents medewerkers gebruiken.
Daarmee verschuift AI-governance van vertrouwen naar meten.
Elke token krijgt een prijskaartje
Een eerste belangrijke dimensie is kostentransparantie. Generatieve AI werkt grotendeels op basis van tokens en wanneer honderden of duizenden medewerkers en agents voortdurend modellen aanspreken, kunnen die kosten snel oplopen.
Larridin maakt het mogelijk om het tokenverbruik over verschillende tools en agents heen te volgen. Dat geeft financiële verantwoordelijken een veel nauwkeuriger beeld van waar het AI-budget naartoe gaat. Niet alleen de totale factuur wordt zichtbaar, maar ook welke toepassingen, teams en workflows verantwoordelijk zijn voor het verbruik.
AI-kosten kunnen daardoor steeds meer worden behandeld zoals cloudkosten vandaag via FinOps worden beheerd.
Welke workflows creëren werkelijk waarde?
Kosten meten is echter slechts de helft van het verhaal. Een dure AI-workflow kan perfect verantwoord zijn wanneer die tegelijkertijd tientallen uren werk bespaart of een belangrijk bedrijfsproces versnelt.
Daarom probeert Larridin ook workflows te identificeren die aantoonbaar een hoge impact hebben. Een organisatie zou bijvoorbeeld kunnen ontdekken dat medewerkers AI massaal gebruiken voor het samenvatten van documenten, maar dat de grootste economische waarde ontstaat bij een veel kleinere groep die AI inzet om offertes voor te bereiden, software te ontwikkelen of complexe analyses uit te voeren.
Dat onderscheid is cruciaal. Het maakt zichtbaar waar AI niet alleen populair is, maar daadwerkelijk waarde creëert.
Power users worden een bron van bedrijfskennis
Misschien ligt de interessantste mogelijkheid bij de zogenaamde power users: medewerkers die AI uitzonderlijk effectief weten in te zetten.
Binnen vrijwel iedere organisatie ontstaan gebruikers die betere prompts schrijven, slimme workflows bouwen of verschillende AI-tools combineren. Hun productiviteitswinst blijft echter vaak persoonlijk en verspreidt zich nauwelijks naar collega's. Door gebruikspatronen te analyseren, wil Larridin helpen ontdekken welke werkwijzen bij deze succesvolle gebruikers het meeste resultaat opleveren.
Vervolgens kunnen organisaties proberen die gewoonten breder uit te rollen.
De vraag verandert daarmee van “Wie gebruikt AI?” naar “Hoe werken onze beste AI-gebruikers en hoe kan de rest van de organisatie daarvan leren?”
Van experiment naar meetbare bedrijfsinfrastructuur
Die ontwikkeling past in een bredere volwassenwording van enterprise-AI. De eerste fase draaide vooral rond toegang tot modellen. Daarna volgde adoptie. Vervolgens kwamen agents, automatisering en integraties.
Nu verschijnt een volgende laag: measurement.
Wanneer AI steeds dieper verweven raakt met bedrijfsprocessen, zullen organisaties uiteindelijk dezelfde discipline verwachten als bij andere grote technologie-investeringen. Kosten moeten zichtbaar zijn, prestaties moeten vergelijkbaar worden en investeringen moeten gekoppeld kunnen worden aan bedrijfsresultaten.
Voor CIO's betekent dat technische observability. Voor CFO's betekent het financiële transparantie. Voor het management betekent het kunnen aantonen welke AI-investeringen werkelijk bijdragen aan productiviteit en groei.
Daarmee zou AI-ROI uiteindelijk minder een theoretische discussie kunnen worden en meer een meetbaar onderdeel van de bedrijfsvoering. De centrale vraag is dan niet langer hoeveel AI een organisatie gebruikt. Maar hoeveel waarde iedere euro aan AI daadwerkelijk creëert.
