Uit het recente empirische onderzoek van het Massachusetts Institute of Technology (MIT Project NANDA) blijkt dat liefst 95% van de zakelijke AI-projecten geen enkel meetbaar rendement op de winst-en-verliesrekening oplevert. Een ontluisterende nul onder de streep dus, ondanks miljardeninvesteringen en een constante stroom aan succesverhalen.
LinkedIn-feeds overstromen dagelijks met beloftes over autonome workflows. De rauwe werkelijkheid op de werkvloer is aanzienlijk weerbarstiger. Pilotprojecten bij het midden- en kleinbedrijf én grote corporates belanden na de eerste demonstratie vaak weer op de plank. Het management schuift de schuld graag af op het team of de algoritmes, maar een diepere analyse van de IT-architectuur en bedrijfsvoering verraadt iets anders. Hier is sprake van een fundamenteel leiderschaps- en systeemfalen.
Gebrek aan leiderschap en data-overload
Bestuurders behandelen kunstmatige intelligentie als een magische software-upgrade in plaats van een organisatorische transformatie. Gedreven door Fear of Missing Out (FOMO) wordt er ad-hoc budget vrijgemaakt om “iets met AI te doen”. Directies schaffen een generatieve schil aan en verwachten dat de productiviteit automatisch verdubbelt. AI wordt over verouderde, inefficiënte bedrijfsprocessen heen gedrapeerd. Een rommelig proces dat je automatiseert met AI verandert simpelweg in een geautomatiseerde rommel. Het is het warm water heruitvinden.
Pilots worden beoordeeld op vage concepten zoals innovatie of tijdsbesparing. Harde P&L-statistieken over hoeveel fte of operationele kosten er daadwerkelijk bespaard worden, ontbreken. De technische oorzaak van de hoge uitvalratio ligt zelden bij de rekenkracht van foundation models zoals GPT-4o, Claude 3.5 of Llama 3. Het probleem zit in de data-infrastructuur waarop ze worden aangesloten.
Onderzoeksbureau Gartner voorspelt dat 60% van de AI-projecten die niet beschikken over ‘AI-ready data’ voortijdig wordt stopgezet. Demonstraties van leveranciers draaien op perfect gestructureerde datasets. In de dagelijkse praktijk treft de AI een verlammende data-overload aan van ongestructureerde, inconsistente en ongecompartimenteerde informatie. Gefragmenteerde databases, ongedocumenteerde ERP-systemen en verouderde software communiceren niet realtime met vector-databases of Retrieval-Augmented Generation (RAG-systemen die externe documenten koppelen aan AI-modellen). Bedrijfsdata is vervuild met dubbele klantgegevens en ontbrekende metadata, waardoor modellen hallucineren. Werknemers knopen buiten het IT-zicht om willekeurige tools aan elkaar via ad-hoc koppelingen. Die instabiele architectuur stort in zodra een provider een update doorvoert. Wie zo snel wil handelen, merkt dat haastige spoed zelden goed is.
AI Implementatie in 5 Stappen
Juridische valkuilen en de economische werkelijkheid
Een aspect dat in veel analyses onderbelicht blijft, is het Europese regelgevende landschap. Een tool die technisch werkt, kan juridisch een onacceptabel risico vormen voor de bedrijfsvoering. De gefaseerde inwerkingtreding van de EU AI Act (de Europese wetgeving voor kunstmatige intelligentie) zet de verhoudingen op scherp. Artikel 4 verplicht bedrijven om te borgen dat het personeel over voldoende kennis beschikt. Het simpelweg uitdelen van licenties voldoet niet aan de wet.
Toepassingen voor personeelsselectie, kredietwaardigheidsbeoordelingen of geautomatiseerde besluitvorming vallen onder de categorie hoog risico. Dit vereist uitgebreide risicobeoordelingen, menselijk toezicht en transparantie. Overtredingen kunnen leiden tot boetes tot 35 miljoen euro of 7% van de wereldwijde jaaromzet. Daarnaast eist GDPR Artikel 22 een betekenisvolle menselijke tussenkomst bij besluiten die natuurlijke personen treffen. Zodra een pilot volledig geautomatiseerd klantbesluiten neemt zonder menselijke controle, overtreedt de organisatie de privacywetgeving. Veel bedrijven starten pilots zonder compliance-check, om er bij de uitrol achter te komen dat de juridische risico’s het verwachte voordeel volledig verdampen. Wie zijn billen brandt, moet op de blaren zitten.
Aan de economische kant heeft de hype een lucratieve industrie van SaaS-leveranciers doen ontstaan. Softwareleveranciers hebben gehaast functies aan hun abonnementen toegevoegd om prijsverhogingen van 20% tot 50% te rechtvaardigen. Bedrijven betalen maandelijks forse licentiekosten voor functies die nauwelijks worden gebruikt. Omdat de meeste projecten niet verder komen dan de pilotfase, worden de initiële investeringskosten voor consultants, API-tokens en data-preparatie nooit terugverdiend.
Er ontstaat een duidelijke tweedeling. De magere 5% van de organisaties die wél rendement behalen, heeft hun data-architectuur op orde gebracht. Zij focussen op saaie backoffice-processen, zoals compliance-checks en gestroomlijnde data-ontsluiting, en herontwerpen hun workflows van de grond af. De overige 95% blijft steken in gefragmenteerde abonnementen en cosmetische pilots.
Het hoge percentage mislukte projecten bewijst niet dat kunstmatige intelligentie een nutteloze technologie is. Het bewijst dat het behandelen van AI als een snelle marketingtruc definitief heeft afgedaan. Slaagkansen stijgen drastisch wanneer leiderschap stopt met het jagen op de nieuwste hype en investeert in een opgeruimde data-architectuur, duidelijke KPI’s en strikte naleving van de wet. Zolang die fundering ontbreekt, blijft AI voor 95% van het bedrijfsleven een kostbare illusie.
Bronnen
Why 95 of corporate ai projects fail lessons from mits 2025 study
AI Literacy – Questions & Answers
Why Gartner Predicts 60% of AI Projects Will Fail and the Fix Is Boring
Why AI Adoption Fails: Enterprise Barriers to AI Leaders Ignore
Why 95% of AI Projects Fail and How Data Fixes It
Only 3% of Organizational Leaders Are Prepared to Lead AI-Enabled Teams