Waarom 90% van de AI-projecten mislukken
AI is hot. Bedrijven investeren volop, verwachtingen zijn hoog, en iedereen wil meedoen. Maar achter de hype schuilt een ongemakkelijke waarheid: de overgrote meerderheid van AI-projecten levert niet wat ervan verwacht wordt. Het zijn de keiharde cijfers die onderzoek door o.a. MIT, McKinsey, Gartner en RAND keer op keer concluderen. Grootschalig onderzoek onder honderden organisaties wereldwijd. In dit artikel zetten we de meest opvallende cijfers op een rij, leggen we uit wat er achter die percentages zit, en wat MKB-ondernemers daarvan kunnen leren.
De cijfers: hoe erg is het?
Laten we beginnen met de feiten. De percentages die in onderzoeken worden genoemd lopen uiteen, maar de richting is consistent: de meeste AI-projecten halen hun doelstellingen niet.
De percentages zijn hoog en het is terecht om ze te nuanceren. ‘Mislukken’ betekent niet altijd dat een project volledig wordt stopgezet. Soms strandt het in de testfase, soms levert het gewoon minder op dan verwacht. Maar de rode draad is helder: de kosten van AI-implementatie overtreffen te vaak de opbrengsten. En dat is een patroon dat je als ondernemer serieus moet nemen.
Wat gaat er mis? De drie belangrijkste oorzaken
Als bedrijfsleiders worden gevraagd naar de oorzaak van mislukte AI-projecten, wijzen ze vaak naar regelgeving of de beperkingen van de AI-modellen zelf. Maar onderzoek van MIT wijst een andere boosdoener aan: gebrekkige bedrijfsintegratie. De technologie is zelden het probleem, het is bijna altijd de aanpak.
Oorzaak 1: Ze beginnen bij de technologie, niet bij het bedrijf
De meest gemaakte fout is ook de meest vermijdbare: beginnen bij een tool in plaats van bij een probleem. Bedrijven willen “iets met AI doen”, gedreven door FOMO, een overtuigende demo of druk vanuit de markt, zonder eerst te onderzoeken waar AI in hun organisatie daadwerkelijk waarde toevoegt.
Het resultaat: AI-oplossingen die technisch werken maar niet aansluiten op de werkprocessen van het bedrijf. Een generiek model leert niet van bedrijfsspecifieke werkwijzen en past zich niet aan hoe het werk daadwerkelijk wordt gedaan. De investering is gedaan, maar de winst blijft uit.
Oorzaak 2: De data is er niet klaar voor
AI werkt als hersenen, maar hersenen zonder informatie nemen geen goede beslissingen. Toch gaf in 2024 63% van de bedrijven toe dat hun databeheer nog niet klaar is voor AI. Informatie staat verspreid over losse systemen, papieren dossiers of e-mails. Er zijn geen eenduidige definities, geen centrale databron, geen structuur.
Veel MKB-bedrijven zijn gewoon nog niet ver genoeg met digitaliseren en informatiemanagement om überhaupt iets nuttigs te kunnen doen met AI. De stap die ze moeten zetten is niet AI-implementatie, het is digitalisering. AI komt daarna.
Oorzaak 3: Het project strandt in de testfase
Bijna tweederde van de bedrijven zit vast in de testfase. Ze draaien een pilot, zien veelbelovende resultaten in een gecontroleerde omgeving, maar de stap naar een bedrijfsbrede uitrol lukt niet. De redenen zijn divers: onvoldoende draagvlak bij medewerkers, ontbrekende schaalbaarheid in de infrastructuur, of simpelweg geen plan voor wat er na de pilot uberhaupt moet gebeuren.
Wat de cijfers écht zeggen
Het is verleidelijk om deze percentages te lezen als bewijs dat AI niet werkt. Dat is niet de conclusie. De conclusie is dat AI enorm veel onderzoek vereist voordat het van echte waarde kan zijn en dat er geen reden is om je te haasten.
De bedrijven die AI succesvol inzetten, doen dat niet omdat ze de nieuwste tools hebben of het meeste hebben geïnvesteerd. Ze doen het omdat ze voor de implementatie hun processen goed in kaart hebben gebracht, weten waar hun knelpunten zitten, en een helder en meetbaar doel hebben gesteld. Ze zijn niet begonnen bij de technologie. Ze zijn begonnen bij zichzelf.
Wat dit betekent voor MKB-ondernemers
De grote faalpercentages zijn afkomstig uit onderzoek bij enterprise-organisaties met grote budgetten en eigen IT-afdelingen. Voor het MKB is de les des te relevanter: als zelfs grote bedrijven met voldoende middelen struikelen over gebrekkige integratie en slechte databases, hoe groot is het risico dan voor een bedrijf dat net begint? Het antwoord zou moeten zijn: Niet groter, als je maar voldoende onderzoek doet:
- Begin bij je eigen organisatie, niet bij een tool
- Zorg dat je data beschikbaar en gestructureerd is voordat je AI introduceert
- Stel concrete, meetbare doelen “efficiënter werken” is geen doel
- Haal onafhankelijk advies in van iemand die geen belang heeft bij een specifieke oplossing
- Plan de stap van pilot naar uitrol vóórdat je begint, niet nadat de pilot klaar is
Wil jouw bedrijf gaan beginnen met AI?
Wil je weten of jouw organisatie klaar is voor AI en waar je moet beginnen? Met de Digitale Groeikaart brengen we onafhankelijk in kaart wat de kansen zijn voor jouw bedrijf, en in welke volgorde je die aanpakt. Neem contact op voor een vrijblijvend kennismakingsgesprek.
Neem contact opVeelgestelde vragen
De hoofdoorzaak is geen technisch probleem, maar een organisatorisch probleem: gebrekkige bedrijfsintegratie. Bedrijven beginnen bij de tool, niet bij het probleem. Ze hebben geen heldere doelen, hun data is niet op orde, en er is onvoldoende draagvlak bij de mensen die dagelijks met de AI moeten werken.
Beginnen bij de technologie in plaats van bij het bedrijf. De vraag “wat kunnen we met AI doen?” is de verkeerde startvraag. De juiste vraag is: “waar willen we beter in worden, en is AI daarvoor het juiste middel?”
Door te beginnen met grondig onderzoek naar je eigen organisatie: welke processen wil je optimaliseren, wat zijn de knelpunten en hoe digitaal ben je al? Stel daarna meetbare doelen en zorg voor draagvlak bij medewerkers. Neem de tijd goed implementeren levert meer op dan snel implementeren.
Niet per se, maar onafhankelijk advies is sterk aan te raden zeker in de onderzoeksfase. Een leverancier heeft belang bij een specifieke oplossing. Een onafhankelijke adviseur heeft belang bij jouw resultaat. Dat verschil is groot, en verklaart mede waarom zoveel projecten stranden.
Stel jezelf drie vragen: Zijn mijn processen ingericht zoals ik wil? Is mijn data digitaal beschikbaar en gestructureerd? Weet ik concreet welk probleem ik wil oplossen? Als je op één van deze drie vragen geen helder antwoord hebt, is er eerst werk te doen voordat AI zinvol ingezet kan worden.
Dat hangt sterk af van de complexiteit en de startpositie van je organisatie. Een eenvoudige procesautomatisering kan binnen enkele weken operationeel zijn. Een bredere AI-implementatie waarbij ook digitalisering en datakwaliteit moeten worden aangepakt, duurt al snel drie tot zes maanden. De onderzoeksfase vooraf die bepaalt of het project slaagt duurt typisch twee tot vier weken.
