Waarom AI-projecten in de operatie stranden na de pilot, en hoe u dat voorkomt

Klopt het dat 95 procent van de AI-pilots mislukt?

Het cijfer komt uit The GenAI Divide: State of AI in Business 2025 van Project NANDA, een onderzoeksgroep van het MIT Media Lab. Het rapport is gedateerd juli 2025 en kwam in augustus 2025 in het nieuws, onder meer via Fortune op 18 augustus. De kernzin in de samenvatting is dat 95 procent van de organisaties geen rendement haalt uit generatieve AI. In dezelfde samenvatting staat dat slechts 5 procent van de geïntegreerde AI-pilots miljoenen aan waarde oplevert, terwijl de grote meerderheid blijft steken zonder meetbaar effect op de winst-en-verliesrekening.

Wie het rapport zelf leest, vindt een smallere basis dan de koppen suggereren. Volgens de eigen methodeparagraaf gaat het om een systematische review van meer dan 300 openbaar gemaakte AI-initiatieven, gestructureerde interviews met vertegenwoordigers van 52 organisaties en enquêteantwoorden van 153 senior leiders, verzameld op vier sectorconferenties. De onderzoeksperiode liep van januari tot en met juni 2025. Het document presenteert zichzelf als voorlopige bevindingen, en als reviewer staat een van de vier auteurs vermeld.

Ook wat er als mislukt telt, is smaller dan het lijkt. Het rapport gaat over generatieve AI. Over voorspellende modellen voor onderhoud of vraag, of over beeldherkenning op een verpakkingslijn, zegt het cijfer niets. Voor taakspecifieke toepassingen betekent succesvol geïmplementeerd in de tekst: gebruikers of leidinggevenden geven aan dat de toepassing een duidelijk en blijvend effect heeft op productiviteit of resultaat. In de bijlage staat daarnaast dat succes is gedefinieerd als inzet voorbij de pilotfase met meetbare KPI's, met het rendement gemeten zes maanden na de pilot. Bij de cijfers over de stap van pilot naar productie schrijven de auteurs zelf dat ze richtinggevend zijn, gebaseerd op individuele interviews en niet op officiële bedrijfsrapportages, en dat succesdefinities per organisatie verschillen.

Die cijfers zijn bovendien aandelen van organisaties, niet van pilots. Volgens de samenvatting heeft 60 procent van de organisaties maatwerk- of leverancierstoepassingen beoordeeld, kwam 20 procent tot een pilot en 5 procent tot productie. Wie alleen naar de organisaties met een pilot kijkt, komt met die getallen op ongeveer een op de vier die productie haalde. Die rekensom maakt het rapport zelf niet; het is onze lezing van de eigen getallen.

De auteurs noemen meer beperkingen. De steekproef is mogelijk niet representatief voor alle segmenten en regio's. Organisaties die over hun AI-problemen willen praten, kunnen systematisch verschillen van organisaties die dat niet willen. En zes maanden kan te kort zijn om complexere systemen te beoordelen, waardoor het succes mogelijk wordt onderschat. Een vertaling naar een Nederlands foodbedrijf of een koelvervoerder met tachtig medewerkers is daar niet uit te halen.

In de doorvertelling is het cijfer verder opgeschoven. Fortune kopte op 18 augustus 2025 dat 95 procent van de generatieve-AI-pilots bij bedrijven faalt, en beschreef de basis als 150 interviews, een enquête onder 350 medewerkers en een analyse van 300 implementaties. Dat zijn andere aantallen dan het rapport zelf noemt. Futuriom-analist R. Scott Raynovich wees er bovendien op dat het rapport niet uitlegt hoe het percentage van 95 precies tot stand is gekomen. De oorspronkelijke downloadlink op de MIT-site verwijst inmiddels door naar de projectpagina; wij hebben de gearchiveerde versie van 18 augustus 2025 gelezen.

Wat zeggen andere onderzoeken over mislukte AI-projecten?

Ook de andere veelgebruikte cijfers zijn minder hard dan ze klinken. RAND publiceerde in augustus 2024 een rapport over de hoofdoorzaken van mislukte AI-projecten, op basis van interviews met 65 datawetenschappers en engineers met minstens vijf jaar ervaring. Het vaak aangehaalde 'meer dan 80 procent van de AI-projecten mislukt' staat in dat rapport als schatting van anderen, niet als eigen meting. Gartner voorspelde in juli 2024 dat tegen eind 2025 ten minste 30 procent van de generatieve-AI-projecten na de proof of concept zou worden stopgezet, vanwege slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten of onduidelijke bedrijfswaarde. Ook dat is een voorspelling en geen telling.

Er bestaat dus geen betrouwbaar faalpercentage dat u op uw eigen bedrijf kunt leggen. Wat wel consistent terugkomt, zijn de oorzaken. Die zijn bruikbaarder dan elk percentage, omdat u er vooraf iets aan kunt doen.

Waarom stranden AI-pilots in de operatie?

De vraag is voor middelgrote bedrijven geen theorie meer. Volgens voorlopige CBS-cijfers over 2025 gebruikt 27 procent van de bedrijven met 10 tot 50 werkzame personen AI, en 45 procent van de bedrijven met 50 tot 250 werkzame personen. Per bedrijfstak is dat 16 procent in de industrie, 12 procent in de handel en 7 procent in vervoer en opslag. Wie begint, staat vroeg of laat voor de stap van proef naar dagelijks werk.

Uit de onderzoeken hierboven leiden wij vijf oorzaken af die bij die stap steeds terugkomen. De indeling is onze vertaling naar de operatie, niet een lijst uit één rapport. De oorzaken gaan minder over het model dan over de organisatie eromheen:

• Er is geen eigenaar in de lijn.
• De data wordt na de pilot niet bijgehouden.
• Alleen de trekker is getraind.
• De toepassing valt buiten het kwaliteitssysteem.
• Niemand heeft vooraf bepaald wat succes is.

Oorzaak 1: er is geen eigenaar in de lijn

Een pilot heeft bijna altijd een trekker: een enthousiaste medewerker, iemand van IT of een leverancier. Na de proefperiode moet het werk over naar de lijn, naar de planner, de teamleider of de QA-manager die het proces dagelijks draait. Wordt daar niemand met naam eigenaar, dan is er na de evaluatie niemand die beslist wat er met afwijkingen gebeurt, wie de werkinstructie bijwerkt en wie de leverancier belt.

Het MIT-rapport beschrijft dat de organisaties die wel doorkwamen, initiatieven lieten ontstaan bij leidinggevenden in de lijn in plaats van bij een centraal lab, en de uitvoering spreidden met behoud van duidelijke verantwoordelijkheid. Dat patroon komt uit interviews en is geen bewijs van oorzaak en gevolg. Het sluit wel aan bij wat RAND de meest voorkomende oorzaak noemt: misverstanden over welk probleem er eigenlijk moet worden opgelost, met modellen die op de verkeerde maatstaf zijn geoptimaliseerd of niet in de werkstroom passen. Een eigenaar in de lijn kent dat probleem uit de eerste hand.

Oorzaak 2: de data wordt na de pilot niet bijgehouden

Tijdens een pilot wordt de data vaak met de hand op orde gebracht. Een export wordt opgeschoond, een artikelbestand bijgewerkt, de lastige uitzonderingen worden eruit gelaten. Daarna loopt het gewone werk door, met nieuwe artikelen, leveranciers, verpakkingen en klanten. Als niemand de taak heeft gekregen om dat bij te houden, werkt het systeem met een beeld van hoe het was. De kwaliteit loopt dan ongemerkt terug, tot de werkvloer het systeem stilzwijgend links laat liggen.

RAND noemt twee van de vijf hoofdoorzaken in deze hoek: de organisatie heeft de data niet die nodig is, of heeft niet de infrastructuur om data te beheren en modellen in gebruik te nemen. Gartner vond in een enquête onder 1.203 datamanagementleiders in juli 2024 dat 63 procent van de organisaties niet heeft, of niet zeker weet of het heeft, wat Gartner de juiste datamanagementpraktijken voor AI noemt. Gartner voorspelt dat organisaties tot en met 2026 60 procent van de AI-projecten zullen opgeven die niet op AI-geschikte data steunen. Voor de praktijk is de toevoeging belangrijker: AI-geschikte data is volgens Gartner geen eenmalige klus maar een doorlopende taak.

Oorzaak 3: alleen de trekker is getraind

In een pilot werkt vaak één persoon intensief met het systeem. Die weet waar het goed in is, waar het fout gaat en wanneer een voorstel genegeerd moet worden. De collega's op de andere ploeg, de invaller tijdens de vakantie en de nieuwe planner weten dat niet. Zodra de trekker iets anders gaat doen, gaat die kennis mee.

Het CBS ziet dezelfde drempel op landelijk niveau, een stap eerder. Van de bedrijven die AI hebben overwogen maar niet gebruiken, noemt volgens de cijfers over 2025 73 procent gebrek aan ervaring als belangrijkste reden. Dat gaat over de beslissing om te beginnen, niet over pilots die stranden, maar de drempel is dezelfde: kennis die in de organisatie ontbreekt. In het MIT-rapport is onwil om nieuwe tools te gaan gebruiken de vaakst genoemde barrière bij opschaling, gevolgd door zorgen over de kwaliteit van de uitkomsten.

Training hoort daarom bij de invoering zelf, voor iedereen die het proces draait, en niet als losse cursus achteraf. Wat de AI-verordening over AI-geletterdheid van medewerkers vraagt, leest u in ons artikel daarover.

Oorzaak 4: de toepassing valt buiten het kwaliteitssysteem

In food manufacturing, de AGF-handel en de glastuinbouw wordt het werk vaak getoetst aan een norm: HACCP, FSSC 22000, BRC, IFS, GMP+ of GlobalG.A.P. Een pilot draait vaak naast dat systeem. Hij staat niet in een werkinstructie, niet in de verificatie en niet in de registraties. Zolang het een proef is, valt dat nauwelijks op. Bij de eerste audit of klantvraag wel, en dan is uitzetten de makkelijkste uitweg.

Het MIT-rapport noemt naast systemen die niet van de context leren ook broze werkstromen en een slechte aansluiting op de dagelijkse operatie als hoofdredenen waarom maatwerk- en leverancierstoepassingen niet doorstromen. In een gecertificeerd bedrijf hoort die aansluiting bij het kwaliteitssysteem. Twee van de zeven HACCP-basisprincipes die de NVWA noemt, zijn: controleer regelmatig of uw HACCP-aanpak effectief is, en leg vast hoe u de HACCP-regels naleeft. Een AI-stap die een kwaliteitstaak raakt, hoort in dezelfde systematiek: beschreven, geverifieerd en vastgelegd, met een mens die beslist en tekent. Hoe dat er rond een kritiek beheerspunt uitziet, staat in ons artikel over HACCP en AI.

Oorzaak 5: niemand heeft vooraf bepaald wat succes is

Een pilot die goed voelt, is na drie maanden lastig te verdedigen tegenover een directie die moet beslissen over licenties en uren. Zonder nulmeting is er niets om het resultaat tegen af te zetten, en wordt de evaluatie een kwestie van gevoel.

Het MIT-rapport laat zien hoe dat doorwerkt. Gevraagd om een denkbeeldig budget te verdelen, gaven de ondervraagde leidinggevenden het grootste aandeel aan verkoop en marketing, volgens de auteurs mede omdat uitkomsten daar makkelijk te meten zijn. Bij producenten lag het accent juist op de operatie, en enkele van de grootste besparingen zagen de auteurs in de backoffice. Een inkoopdirecteur van een groot farmaceutisch bedrijf wordt in het rapport geciteerd met de vraag hoe het effect van een team dat sneller werkt te kwantificeren is. Gartner noemt onduidelijke bedrijfswaarde als een van de vier redenen waarom generatieve-AI-projecten na de proof of concept worden stopgezet.

Een bruikbare maat is klein en concreet: de tijd per order, per document of per controle, het aantal correcties achteraf, en hoeveel tijd het kost om de uitkomst te controleren. Met de rekenhulp zet u uw eigen aannames om in een orde van grootte per jaar. Dat is een indicatie op basis van uw eigen invoer en geen belofte, maar wel het vertrekpunt waartegen u straks meet.

Hoe krijgt u een AI-pilot naar de dagelijkse operatie?

De oorzaken hierboven zijn vooraf te regelen. Gebruik de lijst hieronder voordat de pilot start, niet bij de evaluatie. Elk punt dat u niet kunt invullen, is een reden om de start uit te stellen of het proces kleiner te maken.

• Kies één werkproces met een concreet probleem, niet een tool. Beschrijf in twee zinnen wat er nu misgaat en voor wie. Begint u nog bij de vraag welk proces, dan helpt ons artikel over waar u in groothandel en logistiek begint.
• Leg de nulmeting vast vóór de start: tijd per taak, aantal fouten of correcties, en de tijd die controle kost. Spreek af welke verbetering telt als geslaagd.
• Wijs een eigenaar in de lijn aan, met naam. Die persoon is na de pilot verantwoordelijk voor het gebruik, de afwijkingen en de aanpassingen. IT en de leverancier ondersteunen, maar zijn geen eigenaar.
• Beleg het databeheer. Wie houdt stamgegevens, artikelbestanden en documentsjablonen bij, en hoe vaak meet u de prestaties opnieuw tegen de nulmeting.
• Train iedereen die het proces draait, ook de tweede ploeg en de invallers. Leg vast wie waarin is getraind en wanneer.
• Schrijf de AI-stap in uw kwaliteitssysteem: werkinstructie, verificatie, registratie, en wie beslist en tekent. Neem herverificatie op in uw wijzigingsbeheer, zodat een nieuwe leverancier, verpakking of norm een aanleiding is om opnieuw te meten.
• Plan vooraf een evaluatiemoment tegen de nulmeting, met drie mogelijke uitkomsten: doorgaan, bijstellen of stoppen. Stoppen is een geldige uitkomst, mits het op cijfers berust.
• Spreek af wat er gebeurt als de trekker vertrekt of de leverancier het product wijzigt. Een toepassing die afhangt van één persoon of één contract, is nog geen onderdeel van de operatie.

AI die blijft draaien: hoe wij dit aanpakken

Onze werkwijze is op dezelfde volgorde gebouwd. In een Praktijkdag bouwen wij met de mensen die het proces dagelijks draaien één werkproces uit uw eigen operatie, op uw eigen locatie, en leert het team het terwijl het wordt gebouwd. Raakt het proces een norm, dan zit uw kwaliteits- of QA-verantwoordelijke erbij en leggen wij de werkafspraken vast in de taal van die norm, met een verantwoordingsdocument over wie waarin is getraind. Blijkt een proces zich niet te lenen, dan kiezen wij een ander, omdat een doorgedrukte workflow snel weer uitgaat.

Wat wij niet kunnen beloven, is dat elk proces geschikt is of dat een toepassing vanzelf blijft draaien. Dat hangt af van de vijf punten hierboven, en vooral van de eigenaar en de data na de eerste weken. De Praktijk Scan is bedoeld om een deel daarvan vooraf scherp te krijgen: welk proces eerst in aanmerking komt, welke data daarvoor nodig is en waar de aandachtspunten zitten. Dat is het vertrekpunt voor uw nulmeting.