Waarom AI-projecten stranden (en hoe je dat voorkomt)

De harde realiteit: veel AI-projecten halen het niet

Onderzoek van McKinsey (2021–2023) laat zien dat slechts een klein deel van AI-initiatieven daadwerkelijk schaal bereikt binnen organisaties. Een groot percentage blijft steken in pilotfase (“proof of concept”) zonder ooit door te groeien. Daarnaast meldt Gartner dat tot wel 80% van AI-projecten niet succesvol wordt afgerond of niet volledig waarde levert.

80% van AI-projecten worden niet succesvol afgerond

Ook academische studies bevestigen dit beeld. Zo concludeert onderzoek gepubliceerd in onder andere MIT Sloan Management Review dat organisaties vaak worstelen met de vertaalslag van experiment naar operationele implementatie.

De rode draad: AI falen zelden door technologie, maar vrijwel altijd door organisatorische factoren.

1. Starten vanuit de techniek

Een van de meest voorkomende oorzaken is het ontbreken van een concreet idee of proces met businesswaarde.

Veel AI-projecten starten vanuit technologie (“wat kunnen we met AI?”) in plaats van vanuit een probleem (“welk bedrijfsprobleem lossen we op?”).

Onderzoek van Davenport & Ronanki (Harvard Business Review) toont aan dat succesvolle AI-toepassingen vrijwel altijd gericht zijn op:

• Kostenreductie
• Procesoptimalisatie
• Directe omzetverhoging

Projecten zonder duidelijke KPI’s stranden vaak in experimenten zonder vervolg. Dit is ook waarom wij altijd adviseren om eerst te onderzoeken welke processen verbetering behoeven.

2. Slechte of onvoldoende data

AI is volledig afhankelijk van data, en juist daar gaat het vaak mis.

Academisch onderzoek naar machine learning implementaties benadrukt dat:

• Data vaak incompleet of inconsistent is
• Data silo’s samenwerking belemmeren
• Datakwaliteit onvoldoende wordt gevalideerd

Dit maakt dat datakwaliteit één van de grootste obstakels is in AI-adoptie.

Waarom dit leidt tot falen? Omdat modellen hierdoor onnauwkeurige resultaten leveren. Dit zorgt er weer voor dat het vertrouwen in AI afneemt en beslissingen weer mensgedreven worden. Het project sterft dan een stille dood.

Hier is dan ook ons advies om eerst de data zo veel mogelijk op te schonen, voordat er gestart wordt met grote AI projecten.

3. Gebrek aan alignment tussen business en IT

Veel organisaties behandelen AI als een IT-project, terwijl het in werkelijkheid een businesstransformatie is.

Onderzoek van MIT Sloan laat zien dat succesvolle AI-adoptie sterk afhankelijk is van:

• Cross-functionele samenwerking
• Betrokkenheid van management
• Duidelijke governance

Wanneer IT- en business stakeholders niet aligned zijn, ontstaan de verkeerde use cases, of modellen worden niet niet gebruikt. Hierdoor blijft echte impact uit.

4. Tekort aan talent en vaardigheden

AI vraagt om een zeldzame combinatie van skills:

• Data science
• Engineering
• Domeinkennis
• Change management

Volgens meerdere studies (o.a. McKinsey, World Economic Forum) blijft het tekort aan AI-talent een structureel probleem.

Maar nog belangrijker: Veel organisaties onderschatten dat adoptie net zo belangrijk is als techniek.

Adoptie is net zo belangrijk als techniek

Zonder training en draagvlak gebruiken medewerkers de oplossing niet. Inzichten die gepresenteerd worden door AI worden genegeerd waardoor er alsnog geen tijd bespaard wordt.

5. Van pilot naar productie: de ‘last mile’ faalt

Een klassieke valkuil: een succesvolle proof-of-concept die nooit schaal bereikt.

Onderzoek naar AI-implementaties noemt dit de “last mile problem”. Modellen werken in een gecontroleerde omgeving, maar niet binnen bestaande systemen en processen.

Belangrijke problemen:

• Gebrek aan integratie met legacy systemen
• Onvoldoende monitoring en onderhoud
• Geen duidelijke owner na oplevering

Gevolg: het project blijft hangen in experimentfase.

Wat eigenlijk altijd zien bij implementaties bij onze klanten, is dat het nooit alleen AI technologie is, we passen het eigenlijk altijd toe in combinatie met workflow automation en waar nodig RPA. Daarnaast blijven we na oplevering de processen monitoren en verbeteren, waardoor het een duurzame oplossing blijft.

Hoe voorkom je dat jouw AI-project strandt?

Organisaties die wél succesvol zijn, hanteren opvallend consistente principes:

1. Begin met een concreet probleem

Geen AI-strategie, maar een businesscase:

• Welk probleem lossen we op?
• Wat is de financiële impact?

2. Investeer eerst in data

• Datakwaliteit > modelcomplexiteit
• Bouw een solide datafundament

3. Werk multidisciplinair

• Betrek business, IT en data vanaf dag één
• Zorg voor duidelijke eigenaarschap

4. Denk vanaf het begin aan schaal

• Hoe wordt dit onderdeel van het proces?
• Hoe integreren we dit in systemen?

5. Manage verwachtingen

• Start klein en bewijs waarde
• Communiceer realistisch over beperkingen

Meer over weten?

Al vijf jaar helpt VionA organisaties om slimme automatiseren structureel onderdeel te maken van de bedrijfsvoering van onze klanten. Dit doen we volgens de zelfde methodiek als hierboven beschreven, om er voor te zorgen dat projecten niet stranden, maar elke maand weer waarde leveren. Wil je dat we met je meedenken? Plan een afspraak in via de knop onder deze blog.

‍