95% van de AI-projecten levert niets op. Dit doet de 5% anders

Geld uitgegeven, niets gemerkt

Een DGA vertelde ons onlangs dat zijn bedrijf het afgelopen jaar flink in AI had geïnvesteerd. Licenties, een pilot, een enthousiast projectteam. Toen we vroegen wat het had opgeleverd, bleef het stil. Er was van alles uitgeprobeerd, maar in de cijfers en in de werkdruk was niets veranderd.

Hij is niet de uitzondering. Hij is de regel, zoals ook de cijfers over AI in het Nederlandse MKB laten zien.

De 95 procent

Een veelbesproken onderzoek van MIT, Project NANDA, getiteld The GenAI Divide, kwam tot een ontnuchterende uitkomst: 95 procent van de onderzochte organisaties haalde geen enkel rendement uit hun AI-investeringen, ondanks tientallen miljarden aan uitgaven. Vijf procent won, de rest zag niets terug.

Het eerste dat je moet weten: dat lag zelden aan de techniek. De modellen deden precies wat ze moesten doen. Het lag aan hoe ze werden ingezet.

Waarom de 95 procent stukloopt

Er zijn een paar terugkerende oorzaken, en ze komen je waarschijnlijk bekend voor.

De AI werd ingezet op de verkeerde plek. Veel bedrijven zetten hem op marketing en sales, terwijl het rendement juist in de backoffice zit, in het repetitieve werk dat niemand mist.

De pilot schaalde nooit naar productie. Een pilot draait op schone data, een geïsoleerd systeem en goede wil. De echte wereld voegt eigenaarschap, beveiliging, integratie en uitzonderingen toe. Minder dan 20 procent van de pilots haalt de overgang naar productie. De rest blijft eeuwig een proefje dat budget kost en niets oplevert.

Er was geen verandermanagement. De techniek werd aangezet, maar niet in de dagelijkse processen geweven. Precies daar zit de winst, en precies daar wordt hij het vaakst gemist.

Niemand mat het resultaat. 77 procent van de bedrijven die AI inzetten kan niet aantonen of het waarde oplevert, simpelweg omdat er vooraf geen succescriteria zijn afgesproken. Zonder meetlat kun je zelfs een succes niet als succes benoemen.

Wat de 5 procent anders doet

De winnaars delen een paar kenmerken, en het is geen toeval dat ze het tegenovergestelde doen van de lijst hierboven.

Ze richten zich op de backoffice, op afgebakende processen waar tijdwinst direct in de cijfers landt. Ze kopen en integreren gerichte oplossingen in plaats van alles zelf te bouwen. Ze kiezen voor diepe, branchegerichte toepassingen in plaats van een algemene tool die overal een beetje past. Ze maken harde afspraken over gebruik en governance. En ze meten tegen concrete workflows, niet tegen een vaag gevoel van vooruitgang. In het MIT-onderzoek lag het slagingspercentage van die aanpak bijna twee keer zo hoog als de rest.

Waarom pilots stranden, en wat wel werkt

We schreven eerder al over waarom AI-pilots stranden. Het MIT-onderzoek bevestigt het op grote schaal: een AI die een taak automatiseert binnen een proces dat voor mensen is ontworpen, levert zelden impact op. De winst ontstaat pas als je het proces eromheen opnieuw inricht.

Dat is precies waarom wij niet beginnen met een tool, maar met meten. Een AI-audit brengt in 14 dagen in kaart waar in jouw kantoor het rendement echt zit, welke processen zich lenen voor automatisering, en hoe je het resultaat meetbaar maakt. Daarna bouwen we het in het proces in, via gerichte implementatie of een AIOS-laag, en niet als een pilot die naast de dagelijkse gang van zaken blijft hangen.

Aan welke kant je wilt staan

Het verschil tussen de 5 en de 95 procent is geen kwestie van budget of geluk. Het is een kwestie van waar je begint, wat je meet en of je de techniek echt in je proces inbouwt.

Veertien dagen later weet je precies waar bij jou het rendement zit en hoe je het meetbaar maakt. AI die werkt in je vak begint niet bij een tool, maar bij de juiste eerste vraag.