Een koper rekent nooit met het resultaat dat op de winst- en verliesrekening staat. Hij rekent met de winst die overblijft als alle bijzondere posten, eenmalige uitgaven en eigenaarsvoordelen eruit zijn gehaald. Dat proces heet normalisatie. Een auto van de zaak die eigenlijk privé is, een managementvergoeding die onder de marktprijs ligt, een claim die dit jaar eenmalig speelde: dat soort posten wordt gecorrigeerd om te laten zien wat het bedrijf structureel verdient, los van de persoon die het nu runt.
AI-inzet voegt daar een nieuwe categorie correcties aan toe, en die categorie is minder eenvoudig dan een creditcardrekening. Als een deel van het werk niet meer door mensen wordt gedaan maar door een taak die AI overneemt, verandert de kostenstructuur. De vraag die een koper dan stelt is niet of de winst hoger is geworden, maar of die hogere winst blijft bestaan zonder de huidige eigenaar, het huidige team en het huidige contract met een leverancier.
De verschuiving waar dit om draait loopt in drie categorieën. AI kan een taak volledig overnemen, AI kan een taak deels overnemen met een mens die goedkeurt of afkeurt met reden, of het werk blijft mensenwerk. Elke categorie normaliseert anders.
Een taak die volledig is overgenomen en in het proces is verankerd, telt als structurele besparing: de kosten dalen en dat blijft zo, ongeacht wie het bedrijf straks leidt. Een taak die deels is overgenomen met menselijk toezicht levert een besparing op die deels blijft bestaan, omdat het toezicht nog steeds mensen kost. En een besparing die volledig steunt op één abonnement bij één leverancier is iets anders dan een besparing die in de werkprocessen zelf zit — bij opzegging, prijsstijging of een overname van die leverancier verdwijnt de besparing net zo snel als ze kwam. Wat er precies verschuift van mensenwerk naar AI-werk, en hoe hard dat verankerd is, wordt per taak beantwoord met de werkscan die per taak vaststelt wat AI in het bedrijf al overneemt.
Sommige bedrijven hebben dit onderscheid al scherp: zij kunnen per proces aangeven welke stap geautomatiseerd is, wat die stap vroeger kostte en welk contract erachter zit. Andere bedrijven weten alleen dat de personeelskosten zijn gedaald en noemen dat winst. Het verschil zit niet in hoe geavanceerd de AI-toepassing is, maar in hoe goed is vastgelegd wat er gebeurde vóór en na de verandering, en hoe die verandering is onderbouwd.
Een koper die geen onderbouwing krijgt, rekent met het slechtste scenario: hij trekt de besparing eruit, of hij prijst een risico in. De onderbouwing die nodig is om een AI-besparing overtuigend te maken bij een koper gaat precies over dat verschil tussen een claim en een bewijs.
De genormaliseerde winst is een schatting, geen vaststaand feit. De methode kan aannemelijk maken dat een besparing structureel is, maar niet garanderen dat die zo blijft. Een leverancier kan zijn prijs verhogen, een AI-toepassing kan door regelgeving worden beperkt, en toezicht dat nu licht is kan zwaarder worden zodra de foutmarge toeneemt. Elke schatting hangt af van hoe het werk is ingericht, hoe afhankelijk het bedrijf is van één partij, en hoe recent de verandering is doorgevoerd — een besparing van drie maanden zegt minder dan een besparing die twee jaar heeft standgehouden.
Er wordt hier ook geen personeelsadvies gegeven en geen onderbouwing voor ontslagbesluiten geleverd; wat een werkgever met zijn personeel doet is aan de werkgever, en daarvoor gelden eigen wettelijke vereisten. Wat de normalisatie wel doet, is feiten verzamelen over welk werk waar terechtkomt, zodat een koper zelf kan beoordelen wat die feiten waard zijn.
Een uitkomst zegt bovendien niets als de onderliggende afhankelijkheid niet is meegenomen. Een besparing die voor het overgrote deel steunt op de kennis van de eigenaar, of op een enkel contract dat zonder onderhandeling is verlengd, weegt anders dan een besparing die in meerdere lagen van het bedrijf is verankerd. Welk deel van de winst drukt op de prijs omdat die afhankelijkheid te groot is, is te lezen via de afhankelijkheid van een AI-leverancier die de verkoopprijs raakt.
Genormaliseerde winst staat niet los van de rest van het bedrijf. Een besparing die is vastgelegd in een contract met een klant of leverancier heeft een andere waarde dan een besparing die mondeling is afgesproken en morgen kan wijzigen; de contracten die de waarde van een bedrijf structureel verhogen laten zien welk verschil dat oplevert bij de uiteindelijke prijs. En een winststijging die grotendeels bij één klant vandaan komt, weegt een koper anders dan winst die over veel klanten is verspreid — iets waar de uitleg over klantconcentratie en het gewicht dat een koper daaraan geeft verder op ingaat.
Normalisatie van de winst is één van acht drijvers die een koper weegt. De verschuiving door AI raakt niet alleen deze drijver, maar ook eigenaarafhankelijkheid — als de eigenaar zelf de enige is die weet welke taak is geautomatiseerd en waarom, drukt dat de prijs harder dan de besparing zelf hem verhoogt. Welke drijver op dit moment het zwaarst weegt, verschilt per bedrijf en is zonder onderbouwing moeilijk vast te stellen.
De onderliggende vraag — welk werk in dit bedrijf werkelijk door AI is over te nemen, en wat daarvan al is vastgelegd — is met de werkscan van FTE TO AI per taak te beantwoorden. Voor wie eerst wil weten waar de prijs vandaag het meest op drukt, is er de gratis waardecheck: acht korte vragen, één per waardedrijver, met een beeld van welke drijver nu het zwaarst telt. De volledige waardescan, met maturiteitsscores per drijver en een tweejarenkalender naar het exit-moment, is in aanbouw.