AI in fondsenwerving: een hulpmiddel, maar nog geen orakel

We schrijven sneller, hebben meer ideeën en krijgen werk gedaan dat eerder bleef liggen. In de afgelopen twee weken hebben 146 fondsenwervers deelgenomen aan de AI en Fondsenwerving survey van Fondsenwerving.blog. En zij gebruiken AI volop. Ruim acht op de tien doen dat meerdere keren per week. Driekwart zegt er tijd mee te besparen. Hieronder loop ik de antwoorden op de survey langs.

Maar levert het ook meer donateurs op? Daar zijn de antwoorden een stuk minder uitgesproken over. Slechts twee deelnemers noemen aanzienlijk meer losse giftgevers. Eén deelnemer noemt aanzienlijk meer structurele donateurs. Betere retentie en hogere giften worden ook weinig genoemd.

Dat verschil viel me op. We gebruiken AI al voor allerlei werkzaamheden, maar zien de opbrengst vooral in ons eigen werk. Moeten we ook geen resultaten zien in onze fondsenwerving?

Over de survey

  • Bij de eerste vier vragen zijn 146 antwoorden gegeven, bij de overige gesloten vragen 122 tot 126. De twee open vragen zijn door 66 en 30 deelnemers beantwoord. Bij verschillende vragen konden mensen meerdere antwoorden kiezen.

  • Dit is een peiling onder deelnemers, geen representatief onderzoek naar de hele sector. Waarschijnlijk hebben mensen met belangstelling voor AI eerder meegedaan. Ook kunnen meerdere deelnemers bij dezelfde organisatie werken. De antwoorden gaan over hun eigen gebruik en ervaringen; we hebben de genoemde opbrengsten niet onafhankelijk gemeten.

1. Wie deden mee? Vooral mensen die het werk aansturen en uitvoeren

Bijna een derde is teamleider, manager of hoofd fondsenwerving (33%). Een ongeveer even grote groep werkt als medewerker of specialist fondsenwerving (32%). Verder deden onder anderen zelfstandig adviseurs en freelancers (13%), medewerkers marketing of communicatie (12%) en directeuren en bestuurders (4%) mee.

De antwoorden komen dus vooral van mensen die dagelijks aan fondsenwerving werken of daar leiding aan geven. Medewerkers data, analyse en technologie vormen met 3% een kleine groep.

Dat kan meespelen in de uitkomsten. Een fondsenwerver weet precies waarvoor hij zelf een AI-assistent gebruikt, maar heeft misschien minder zicht op de modellen die elders in de organisatie draaien. We moeten de antwoorden daarom niet lezen als een volledige inventarisatie van alle AI binnen de deelnemende organisaties.

Bijna een derde van de deelnemers heeft een leidinggevende functie. Ik ben benieuwd hoeveel van hen al met het team bespreken welke toepassingen goed werken, welke afspraken nodig zijn en wat ze met de gewonnen tijd willen doen.

2. Hoe groot zijn de teams? De meeste deelnemers werken met twee tot tien mensen

Ongeveer 60% werkt in een fondsenwervingsteam van twee tot tien mensen. Nog eens 19% werkt met elf tot vijfentwintig mensen. Alleen werken en werken in een team van meer dan vijfentwintig personen komen beide op 7%.

In een klein team moet je vaak veel verschillende dingen kunnen. Dan kan het prettig zijn om een voorstel te bespreken, een analyse voor te bereiden of een eerste tekst te maken met hulp van AI. Zoals een deelnemer schrijft: “Ik vind het een ideale tool voor een fondsenwerver zonder collega’s om mee te sparren.”

3. Hoe vaak gebruiken deelnemers AI? Voor velen is het dagelijkse praktijk

Meer dan de helft gebruikt AI dagelijks of vrijwel dagelijks (58%). Nog eens 24% gebruikt het een paar keer per week. Ongeveer 10% doet dat wekelijks en 6% minder vaak. Niemand koos voor ‘Ik heb het nog nooit gebruikt’.

Voor deze deelnemers hoort AI dus inmiddels bij het werk. Toch zegt dagelijks gebruik weinig over wat je ermee bereikt. Je kunt iedere dag een mail laten herschrijven en ondertussen dezelfde lastige analyses blijven uitstellen.

Een reactie uit de open antwoorden bleef bij me hangen: “Iedereen gebruikt het, niemand heeft het erover. Het ontbreekt aan beleid.” Dat zal niet overal zo zijn. Maar het is een goede vraag voor het volgende teamoverleg: weten we eigenlijk van elkaar wat we gebruiken en wat het oplevert?

4. Welke tools gebruiken ze? Algemene AI-assistenten domineren

Klik voor een grotere afbeelding

Microsoft Copilot (55%) en ChatGPT (53%) worden het vaakst genoemd. Claude volgt met 38% en Google Gemini met 23%. Deelnemers konden meerdere tools aankruisen.

AI in specifieke software wordt veel minder genoemd. Bij schrijf-, ontwerp-, audio- en videosoftware gaat het om 14%. Bij CRM-, donateurs- of analysesoftware om 9%. Een eigen of speciaal ontwikkelde oplossing komt op 8%, software voor donateursvoorspellingen en Next Best Action op 6%.

Andere genoemde tools zijn NotebookLM, Mistral en Dataro. Ook noemen deelnemers MCP-koppelingen: een manier om AI te verbinden met bijvoorbeeld het CRM of andere databronnen.

We werken dus vooral met algemene AI-assistenten. Misschien gebruiken sommige deelnemers daarnaast AI zonder dat te beseffen, bijvoorbeeld binnen bestaande software.

De relatief lage percentages voor CRM en voorspellingen passen bij de rest van de antwoorden: veel tekst en ideeën, minder toepassingen die met donateursgegevens werken. Dat maakt ook nieuwsgierig naar de verbinding tussen die twee. Wat doen we met een goed idee uit een AI-gesprek? Komt het terecht in een campagne, een test of een beter donateursprogramma?

5. Waarvoor gebruiken ze AI? Tekst staat ver vooraan

Klik voor een grotere afbeelding

Teksten schrijven en verbeteren staat met 76% bovenaan. Daarna volgen vertalen of toegankelijker maken van teksten (57%), campagne-ideeën en geefproposities ontwikkelen (53%), overleggen en gesprekken verwerken (52%) en onderzoek en informatie verzamelen (52%). Ook interne kennis doorzoeken wordt veel genoemd (47%).

Wie met AI werkt, zal dit rijtje herkennen. Een eerste opzet maken, een lange tekst inkorten, notulen verwerken, nog eens anders naar een campagne kijken.

Bij analyses en donateursgerichte toepassingen dalen de percentages. Donateursgegevens en campagneresultaten analyseren komt op 31%. Communicatie personaliseren op 19%, adviseren welke actie bij een donateur past op 15% en voorspellende modellen of machine learning op 12%. Zelfstandig wervende gesprekken laten voeren door een AI-agent gebeurt nauwelijks (1,6%).

Er wordt dus veel geschreven met AI. Ik zou graag meer willen weten over wat er daarna gebeurt. Testen we die teksten? Reageren donateurs er beter op? Of maken we vooral sneller wat we toch al maakten?

Dat laatste kan overigens ook prima zijn. Niet elke toepassing hoeft nieuwe inkomsten op te leveren. Maar bij fondsenwervende communicatie wil je uiteindelijk wel weten of die werkt.

6. Wat willen deelnemers verder ontwikkelen? Meer met data en gerichte acties

In de 66 open antwoorden komen data-analyse, segmentatie en voorspellende modellen regelmatig terug. Deelnemers willen meer inzicht in geefgedrag en beter bepalen welke benadering bij welke donateur past. Eén deelnemer formuleert het heel praktisch: “Wie vraag of stuur je wat wanneer.”

Ook worden assistenten genoemd die campagnes evalueren, conceptmails voorbereiden en informatie uit verschillende systemen gebruiken. Anderen willen hun tekstwerk verbeteren of moeten nog ontdekken wat voor hen nuttig is.

Er zit behoorlijk wat ambitie in deze antwoorden. Mensen willen met hun eigen gegevens werken en AI vaker onderdeel maken van terugkerende werkzaamheden.

Daar komt wel meer bij kijken dan een goede opdracht typen. Wie een systeem wil laten adviseren over donateurcontact, moet weten welke gegevens het gebruikt en hoe de adviezen worden beoordeeld. En vervolgens testen of die adviezen ook tot betere resultaten leiden.

7. Wat levert AI op? Vooral tijd, kwaliteit en meer mogelijkheden

Klik voor een grotere afbeelding

Tijdwinst is met afstand de meest genoemde opbrengst: 76% heeft minder tijd nodig voor bestaande werkzaamheden. De helft vindt de kwaliteit van het werk beter. Daarnaast noemt 44% meer ideeën of mogelijkheden om te testen, 37% werk dat eerder bleef liggen en 35% minder afhankelijkheid van externe ondersteuning.

Daar mogen we best tevreden over zijn. Minder tijd kwijt zijn aan een eerste versie, eindelijk die analyse doen of minder vaak externe hulp nodig hebben: het telt allemaal mee.

Bij de fondsenwervingsresultaten zijn de percentages veel lager. Betere resultaten worden door 13% genoemd, lagere kosten per donateur door 8%, beter donateurcontact door 6% en verbeterde retentie door 5%. Een hogere gemiddelde gift komt op 3%.

En dan die extra donateurs: twee deelnemers noemen aanzienlijk meer losse giftgevers, één deelnemer aanzienlijk meer structurele donateurs.

Dat is geen bewijs dat AI niet helpt bij groei. Misschien is het nog te vroeg, wordt het effect niet gemeten of hebben deelnemers er onvoldoende zicht op. Bovendien is ‘aanzienlijk meer’ een stevige eis. Maar vooralsnog rapporteren deelnemers veel vaker tijdwinst dan groei.

Deelnemers uit kleinere en grotere teams noemen deels andere voordelen. Tijdwinst wordt in teams van 2-5 mensen ongeveer even vaak genoemd als in teams van 11-25 mensen. Deelnemers uit grotere teams ervaren wel vaker een betere kwaliteit van hun werk: 68% tegenover 39%. Kleinere teams noemen juist vaker lagere kosten. Ook besteden zij de gewonnen tijd vaker aan nieuwe donateurswerving: 39% tegenover 14%. In grotere teams worden strategie en het wegwerken van achterstanden vaker genoemd. Het gaat om kleine groepen, dus we moeten voorzichtig zijn met conclusies. Bij deze vragen vergelijken we 38 deelnemers uit teams van twee tot vijf mensen met 22 deelnemers uit teams van elf tot vijfentwintig mensen. De samenstelling verschilt ook: in de grotere teams zijn relatief meer leidinggevenden vertegenwoordigd. Dat kan meespelen in de antwoorden.

8. Wat gebeurt er met de vrijgekomen tijd? Strategie staat bovenaan

Klik voor een grotere afbeelding

De helft noemt meer aandacht voor strategie en planning. Een derde besteedt meer tijd aan testen, analyseren en leren. Ook minder werkdruk (32%) en achterstanden wegwerken (29%) worden vaak genoemd.

Nieuwe proposities of inkomstenstromen ontwikkelen komt op 25%, meer werken aan nieuwe donateurswerving op 21%.

Juist voor nadenken, leren en ontwikkelen is in een drukke werkweek vaak weinig ruimte. Als AI helpt om die ruimte te maken, kan dat veel waard zijn.

Maar 21% zegt nog niet bewust te hebben bepaald wat met de gewonnen tijd gebeurt. En slechts 9% noemt meer persoonlijke aandacht voor donateurs.

Dat laatste vind ik opvallend. In de open antwoorden zeggen mensen juist dat AI ruimte kan maken voor persoonlijk contact. Hier wordt het weinig genoemd. Misschien is er meer voor nodig dan tijd alleen: een afspraak, een andere taakverdeling of gewoon een vast moment om donateurs te bellen. Anders is die gewonnen tijd alweer gevuld voordat je er erg in hebt.

9. Helpt AI bij nieuwe donateurswerving? Vooral aan de voorkant

Klik voor een grotere afbeelding

Ruim een derde (36%) heeft vanuit het eigen werk geen ervaring met AI voor nieuwe donateurswerving. De meest genoemde toepassing is het ontwikkelen of aanscherpen van de propositie en boodschap (33%).

Creatieve campagneconcepten bedenken en campagnemateriaal maken of verbeteren komen beide op 25%. Resultaten analyseren en de werving verbeteren op 24%. De geefvraag of aangeboden donatiebedragen verbeteren op 23%.

Potentiële donateurs selecteren en bereiken wordt minder genoemd (9%), net als gesprekken en opvolging (6%). Zichtbaarheid in AI-antwoorden en het verwelkomen van nieuwe donateurs en voorkomen van vroege uitval komen beide op 4%.

Ook hier zien we veel gebruik bij het bedenken en maken van campagnes. Bij selectie, opvolging en het welkom heten van nieuwe donateurs gebeurt dat minder.

Ik zou graag meer voorbeelden zien waarin AI wordt getest op loyaliteitsvraagstukken, met retentie als maatstaf.

10. Wat belemmert het gebruik? Privacy, vaardigheden en systemen

Klik voor een grotere afbeelding

Privacy en vertrouwelijke gegevens vormen de meest genoemde belemmering (33%). Daarna volgen onvoldoende kennis of vaardigheden (28%) en gegevens of systemen die er onvoldoende op zijn ingericht (27%).

Zorgen over authenticiteit of donateursvertrouwen komen op 25%. Een even grote groep ervaart op dit moment geen belemmeringen.

Verder ontbreken volgens 18% duidelijke afspraken over wat wel en niet mag. Voor 17% is er onvoldoende tijd om te experimenteren. Dure of niet beschikbare tools worden veel minder genoemd (6%). Slechts 4% ziet onvoldoende relevante toepassingen.

Aan ideeën lijkt dus weinig gebrek. De moeilijkheden zitten vaker in de uitvoering: wat mag ik invoeren, hoe pak ik het aan en kan ik met onze gegevens werken?

Daar helpt een extra abonnement op zichzelf weinig bij. Een team heeft ook tijd nodig om te oefenen, voorbeelden te bespreken en afspraken te maken. De ene collega is daar al ver mee, terwijl de ander nog moet beginnen.

11. Wat willen deelnemers verder kwijt? Enthousiasme én behoefte aan eigen oordeel

In de dertig aanvullende reacties staan enthousiasme en zorgen geregeld naast elkaar. AI helpt om ideeën te bespreken en werk sneller te doen. Tegelijkertijd waarschuwen deelnemers voor oppervlakkige plannen, verlies van eigen vaardigheden en teksten die allemaal op elkaar gaan lijken.

Eenheidsworst wordt meerdere keren genoemd. Ook privacy, duurzaamheid en afhankelijkheid van leveranciers komen terug.

Een deelnemer schrijft: “Het is hulpmiddel, geen orakel.”

Dat lijkt me een prima uitgangspunt op dit moment. Je moet nog steeds kunnen beoordelen of een analyse klopt, of een voorstel uitvoerbaar is en of een tekst past bij je organisatie en je donateurs.

Een andere deelnemer ergert zich aan plannen van collega’s die overduidelijk met AI zijn gemaakt en onvoldoende aansluiten op de werkelijkheid. Een herkenbaar risico: een plan kan er op papier uitstekend uitzien, terwijl de lastigste keuzes nog moeten worden gemaakt.

Wat gaan we ermee doen?

Ik vind het bemoedigend hoeveel deelnemers al proberen en hoeveel voordeel ze daarvan ervaren. Tegelijkertijd zou ik bij een volgende peiling graag meer willen lezen over wat donateurs ervan merken en wat de fondsenwerving ermee opschiet.

Daarvoor hoeven we niet meteen een ingewikkeld systeem te bouwen. Kies een probleem dat je toch al wilt oplossen. Te veel nieuwe donateurs die snel afhaken. Een campagne die onvoldoende oplevert. Grote gevers die te weinig aandacht krijgen. Onderzoek vervolgens of AI kan helpen en vergelijk de uitkomsten.

Meet ook de minder spectaculaire opbrengsten. Hoeveel tijd kost een taak inclusief controleren en herstellen? Is het werk beter geworden? Welke werkzaamheden komen nu wel aan bod? En bespreek wat je met de gewonnen tijd wilt doen. Als contact met donateurs altijd onderaan de lijst belandt, zal een snellere schrijfklus dat niet vanzelf veranderen.

Sneller werken lukt veel deelnemers al. Nu ben ik vooral benieuwd welke verbeteringen in de fondsenwerving daaruit gaan volgen.