AI Strategie

AI en je afgewezen offertes: leren van je nee's

Elke afgewezen offerte bevat een reden. Wat je vastlegt om te leren, welke patronen AI erin ziet, en waarom je pas na genoeg offertes conclusies trekt.

AI WorkTalent Redactie · 31 juli 2026 · 9 min leestijd

Een afgewezen offerte is geen mislukte opdracht, maar het enige moment waarop een klant duidelijk maakt waar zijn grens ligt: op prijs, op timing of op verwachting. Bedrijven die offertes maken voor maatwerk, diensten of projecten, zien een deel daarvan nooit een opdracht worden. Dat hoort erbij, en de meeste ondernemers halen er hun schouders over op: de volgende aanvraag komt wel weer.

Maar in die stapel afgewezen offertes zit informatie die je nergens anders krijgt — over prijs, timing, klanttype en verwachting — en die informatie gooi je op dit moment vermoedelijk gewoon weg. Dit artikel gaat over één ding: wat het verschil tussen je geaccepteerde en afgewezen offertes je leert, en wat AI daarin ziet dat jij zelf mist.

De goudmijn in je afgewezen offertes

Een afgewezen offerte voelt als verspilde moeite: je stak tijd in een aanvraag die toch niets opleverde. Maar diezelfde offerte bevat iets waar een geaccepteerde offerte je niets over vertelt: waar precies de grens ligt. Was het bedrag te hoog? Duurde het te lang voordat je reageerde? Paste de klant niet bij wat je aanbiedt? Elke afwijzing is een gegeven met een reden erachter, en één afwijzing zegt weinig, maar tientallen afwijzingen samen vormen een patroon.

Het probleem is niet dat bedrijven geen offertes bijhouden — de meeste hebben ergens een lijst of een map met wat is verstuurd. Het probleem is dat vrijwel niemand die lijst analyseert op het verschil tussen de offertes die de klant accepteerde en de offertes die hij afwees. De offerte die niet doorging, verdwijnt in een archief — en niemand bekijkt hem daarna nog. Precies daar zit de informatie die je acceptatiegraad kan verhogen. Je hoeft geen nieuw systeem te kopen — je begint met wat je al hebt. Dat klinkt eenvoudig, maar consequent bijhouden is precies de stap waar de meeste bedrijven op afhaken.

Wat je moet vastleggen om er iets van te leren

Om een patroon te kunnen zien, is meer nodig dan een simpel rijtje geaccepteerd of afgewezen. Zonder de omstandigheden erbij weet je wel dát een offerte afviel, maar niet waarom, en dus ook niet wat je eraan kunt doen. Leg per offerte minimaal dit vast:

• De uitkomst. Geaccepteerd, afgewezen, of nooit een reactie gehad — dat laatste is een aparte categorie, geen "afgewezen", want een stille aanvraag vertelt iets anders dan een expliciete nee.
• Het bedrag. Niet alleen het totaal, maar als het kan ook de opbouw: een hoofdpost en losse extra's scoren mogelijk anders dan één totaalbedrag.
• De reactietijd. Hoeveel dagen zaten er tussen de aanvraag en het moment dat de offerte de deur uitging.
• Het type klant of de aanvraag. Nieuwe klant of bestaande relatie, particulier of zakelijk, klein of groot project — wat je zelf relevant vindt om te onderscheiden.
• De reden van afwijzing, voor zover bekend. Een paar woorden is al genoeg: te duur, te lang gewacht, elders gekozen, geen budget, verkeerde verwachting. Vraag er actief naar als een klant het niet uit zichzelf zegt.

Dit hoeft geen ingewikkeld systeem te zijn. Een kolom erbij in het overzicht dat je al bijhoudt, is voldoende om te beginnen. Wat telt, is dat je het bij elke offerte invult, ook bij de offertes die de klant wél accepteert — anders vergelijk je straks appels met een lege kolom.

Wat AI hier doet: patronen zien die een mens niet opmerkt

Met een stuk of tien offertes in je hoofd kun je nog wel een gevoel hebben bij wat werkt. Bij honderd offertes, verspreid over maanden en misschien meerdere collega's, wordt dat gevoel onbetrouwbaar. Niet omdat je slecht bent in je vak, maar omdat een mens niet goed is in het onthouden en combineren van tientallen variabelen tegelijk. Dat is precies waar AI wel goed in is: bedrag, reactietijd, klanttype en uitkomst naast elkaar leggen, over een aantal dat te groot is om in je hoofd te overzien.

Denk aan het soort patronen dat zo naar boven komt. De klant wijst offertes boven een bepaald bedrag merkbaar vaker af dan offertes eronder — het verschil in percentage tussen bijvoorbeeld 8.000 en 12.000 euro valt vaak pas op zodra je ze naast elkaar zet. Of: offertes die langer dan drie dagen op zich lieten wachten, scoren duidelijk lager dan offertes die binnen een dag de deur uitgingen, ook bij vergelijkbare bedragen. Of: een bepaald type aanvraag — bijvoorbeeld van een specifieke branche of via een specifiek kanaal — haakt structureel vaker af, terwijl je dat zelf nooit als apart patroon had benoemd. Geen van deze uitkomsten is verrassend zodra je hem ziet, maar zonder de gegevens naast elkaar te leggen, zie je hem meestal niet.

Een voorbeeld uit de praktijk

Ter illustratie, geen gemeten praktijkcijfer: een interieurbouwbedrijf van vijf man maakt offertes voor maatwerk keukens en kasten. De bedragen lopen uiteen van een paar duizend tot enkele tienduizenden euro's. De eigenaar heeft het gevoel dat de acceptatiegraad terugloopt, maar geen idee waarom. Hij zet twee jaar aan offertes op een rij met uitkomst, bedrag, reactietijd en — voor zover bekend — de reden van afwijzing, en laat AI daar patronen in zoeken.

Er komen twee dingen uit. Ten eerste: boven een bepaald bedrag daalt de acceptatiegraad duidelijk. De afwijzingen bij die hogere offertes noemen vaker "geen duidelijk beeld van wat er precies in de prijs zit" dan "te duur op zich". Ten tweede: offertes die langer dan drie dagen op zich lieten wachten, scoren merkbaar slechter, ongeacht het bedrag. De eigenaar trekt daaruit twee acties. Bij offertes boven de drempel voegt hij voortaan een duidelijke opbouw per onderdeel toe in plaats van één totaalbedrag. Ook spreekt hij met zijn team af dat elke aanvraag binnen een dag een eerste reactie krijgt, ook als de volledige offerte nog niet klaar is. Of dit zijn acceptatiegraad daadwerkelijk verhoogt, moet de tijd nog uitwijzen — maar zonder deze twee jaar aan offertes op een rij te zetten, was het patroon nooit zichtbaar geworden.

De valkuil: conclusies trekken uit te weinig of vervuilde gegevens

Hier moet je eerlijk tegen jezelf zijn. Heb je tien offertes waarvan er drie boven een bepaald bedrag zijn afgewezen, dan lijkt dat een patroon, maar het kan net zo goed drie keer toeval zijn. Bij kleine aantallen verandert de uitkomst van één enkele offerte het hele beeld, en dat is geen stabiele basis om je prijsstelling op aan te passen.

Hetzelfde geldt voor slordig vastgelegde gegevens. Staat de helft van je offertes niet met een duidelijke uitkomst geregistreerd, of ontbreekt bij de meeste een reden van afwijzing? Zijn bedragen bovendien inconsistent ingevoerd — met of zonder btw, met of zonder korting? Dan levert elke analyse een schijnbaar overtuigend antwoord op dat in werkelijkheid op ruis is gebaseerd. Een AI-analyse klinkt bij rommelige gegevens even zelfverzekerd als bij schone gegevens; je hoort het verschil niet aan de toon van de uitkomst. Wacht daarom tot je op zijn minst een dertigtal offertes met nette gegevens hebt. En reken op meer naarmate je verder uitsplitst. Elke extra laag — bedragsklasse, klanttype of kanaal — vraagt opnieuw meer offertes voordat een patroon betekenis heeft. Toets daarna elke opvallende uitkomst aan wat je zelf uit ervaring al weet, voordat je er iets structureels aan verandert.

Wat je met het inzicht doet

Een patroon is pas waardevol als er een actie uit volgt. Een paar voorbeelden van wat een gevonden patroon in de praktijk oplevert:

• Sneller reageren. Blijkt reactietijd een rol te spelen, dan is het instellen van een maximale reactietermijn een concrete, meetbare aanpassing.
• Je prijsopbouw beter uitleggen. Blijkt de reden vaker onduidelijkheid over de prijs dan het bedrag zelf, dan is een specificatie toevoegen een andere aanpassing dan simpelweg goedkoper worden.
• Bepaalde aanvragen bewust niet meer najagen. Blijkt een specifiek type aanvraag structureel weinig op te leveren, terwijl het wel veel tijd kost om te offreren? Dan kan dat reden zijn om er minder energie in te steken, of om juist een andere aanpak voor dat type klant te proberen.

Welke van deze drie voor jouw situatie geldt, hangt af van wat het patroon daadwerkelijk laat zien. Het punt is niet dat er één juist antwoord bestaat, maar dat je zonder de gegevens naast elkaar te leggen, geen van deze acties gericht kunt nemen. Je zou anders gokken in plaats van bijsturen op basis van wat er echt gebeurt.

De simpele start, zonder software

Je hoeft hier niet mee te beginnen met software of een AI-tool. Begin met een simpel overzicht — een spreadsheet is genoeg — waarin je per offerte bijhoudt: geaccepteerd of afgewezen, en één reden, ook als die reden een grove inschatting is. Doe dat structureel bij elke offerte, niet alleen als je er toevallig aan denkt.

Kijk na een dertigtal offertes voor het eerst wat opvalt. Vaak is dat met het blote oog al zichtbaar: een paar offertes met dezelfde reden, een duidelijk hoger of lager bedrag bij de afwijzingen, een opvallend aantal offertes zonder enige reactie. Pas als deze simpele registratie een gewoonte is geworden en het aantal offertes oploopt tot tientallen of meer, wordt het de moeite waard om er AI op los te laten. Zo vind je patronen die met het blote oog niet meer te overzien zijn.

De grens: AI ziet patronen, jij beslist over prijs en positionering

Wees hier scherp over de rolverdeling. AI kan laten zien dat de klant offertes boven een bedrag vaker afwijst, dat een reactietijd van meer dan drie dagen slechter scoort, of dat een bepaald klanttype structureel afhaakt. Wat AI niet doet, is bepalen wat je daarmee moet. Denk aan goedkoper worden, je aanbod beter uitleggen, een andere klant zoeken, of gewoon accepteren dat een deel van de aanvragen nooit een opdracht wordt. Dat is een beslissing over positionering en risico, en die blijft bij jou. Een AI-tool inzetten voor deze analyse verandert niets aan wie er verantwoordelijk is voor de prijs die je uiteindelijk rekent. Zie ook wat er bij het bewaren van klant- en offertegegevens komt kijken, want ook een simpel offerte-archief bevat persoonsgegevens. Voor het zoeken naar patronen in bedrag, reactietijd en uitkomst heb je namen, e-mailadressen en bedrijfsnamen niet nodig. Haal die er dus uit voordat je het materiaal in een AI-tool zet. Controleer vooraf ook welke tool je gebruikt en waar de gegevens terechtkomen.

Wat je vastlegt, wat AI eruit haalt, en welke actie erop volgt

Een overzicht van de gegevens die je nodig hebt, wat AI daarin kan zien bij voldoende offertes, en de actie die daaruit volgt:

Let op bij de laatste rij van deze tabel: het vergelijken van medewerkers via AI raakt personeelsgegevens en valt daarmee onder de AVG. Gebruik je dit om de prestaties van individuele medewerkers te beoordelen, dan gebruik je een systeem dat onder de hoog-risicocategorie werkgelegenheid van de AI Act (Bijlage III) valt. Als gebruiksverantwoordelijke gelden er dan aparte verplichtingen, die vanaf 2 december 2027 ingaan. Bespreek dit vooraf met je team en zet het in als leermateriaal over aanpak, niet als beoordelingsinstrument voor individuele medewerkers.

Waar dit toe leidt

Dit is geen project van maanden en geen nieuwe manier van offreren. Het is een kleine gewoonte — bij elke offerte de uitkomst en een reden noteren. Die gewoonte levert na een dertigtal offertes voor het eerst iets op. Met AI-analyse zie je ook bij honderden offertes patronen die je zelf nooit had samengevoegd. Zie voor het bredere plaatje ook hoe je vooraf inschat wat een AI-toepassing je oplevert, en het stappenplan om klein te beginnen en pas uit te breiden als het iets oplevert.

Je verloren offertes vertellen je nu al waarom ze verloren gingen — je hoeft ze alleen nog naast elkaar te leggen. Begin met bijhouden, wacht met concluderen tot je genoeg offertes hebt, en laat de beslissing over prijs en positionering bij jezelf. Wil je hulp om zo'n analyse op te zetten, zie de gids voor het inhuren van een AI-expert. Op AI WorkTalent vind je specialisten die dit soort analyses voor mkb-bedrijven hebben opgezet.