Waarom 4 op de 5 AI-projecten niets opleveren — en wat er ontbreekt
Onderzoeken verschillen in de precieze cijfers, maar de strekking is steeds hetzelfde: het overgrote deel van de AI-projecten levert weinig tot niets op. Vier op de vijf is geen slechte samenvatting.
En hier is het oncomfortabele deel: dat ligt bijna nooit aan de techniek. De modellen zijn beter dan ooit. AI-projecten mislukken op wat eromheen ontbreekt — heldere processen, schone data en adoptie.
Wat gebeurt er als een AI-project sterft?
Zelden met een knal. Er wordt een tool aangeschaft. Een paar enthousiastelingen spelen ermee. Er is een pilot, misschien een demo die indruk maakt. En dan wordt het druk, en verdwijnt het langzaam uit de werkdag. Drie maanden later staat het nog in de facturen, niet in de routine.
Ik heb dit vaker gezien dan me lief is. Het patroon is bijna altijd hetzelfde: de tool werd de oplossing genoemd, terwijl het probleem in de structuur zat.
Wat ontbreekt er dan precies?
Drie dingen, geen ervan spannend:
- Heldere processen. Als niemand precies weet hoe het werk nu loopt, weet ook niemand waar AI het korter maakt. Je automatiseert dan een proces dat je niet begrijpt.
- Schone data. AI op rommelige data versnelt vooral de rommel. Garbage in, garbage sneller.
- Adoptie. Dit is de grootste. "Hier is de tool, veel plezier" werkt niet. Zonder training en begeleiding wordt een tool weggelegd zodra het druk wordt.
Waarom kiezen bedrijven toch steeds voor de tool?
Omdat het fundament leggen saai is en niet demonstreert. Een tool aanzetten voelt als vooruitgang; processen op orde brengen voelt als huiswerk. Maar dat huiswerk is precies het verschil tussen een project dat blijft draaien en een dure les.
Toen ik een AI-platform bouwde dat 50+ mensen dagelijks zijn blijven gebruiken, zat het verschil niet in de techniek maar in dat huiswerk. Zie ik bouwde een AI-platform dat 50+ mensen écht gebruiken.
De volgorde is de oplossing
Eerst begrijpen, dan het fundament op orde, dan de techniek, dan de adoptie. Sla je een stap over, dan bouw je sneller op zand. Het complete verhaal over die volgorde staat in AI heeft eerst een fundament nodig.
Veelgestelde vragen
Waarom mislukken de meeste AI-projecten?
Niet door de techniek — die is beter dan ooit — maar door wat eromheen ontbreekt. Zonder heldere processen, schone data en begeleide adoptie wordt AI een speeltje dat na de pilot blijft liggen. Het probleem zit in de structuur en de mensen, niet in het model.
Hoe voorkom je dat een AI-project mislukt?
Door de juiste volgorde aan te houden: eerst uitzoeken waar tijd verloren gaat, dan je proces en data op orde brengen, dán pas de techniek, en de adoptie begeleiden als een verandering. Begin klein en concreet in plaats van breed en ambitieus.
Ligt het aan de AI-tool als een project mislukt?
Zelden. De tool is meestal het makkelijkste deel. Projecten stranden op onduidelijke processen, rommelige data en het ontbreken van adoptie. Een betere tool lost dat niet op — een beter fundament wel.
Hierover sparren?
Start een gesprek →