De demo gaat altijd goed. Iemand laat zien hoe ChatGPT vijftig klantvragen samenvat in een overzichtelijke tabel. De directie knikt instemmend. Er valt een woord als "uitrollen" of "opschalen". En dan gebeurt er zes maanden lang niets.
Dat patroon is zo voorspelbaar dat onderzoekers het inmiddels in cijfers vatten. Tachtig procent van alle AI-projecten levert niet wat het beloofde, concludeert de RAND Corporation na analyse van ruim 2.400 initiatieven. Minder dan vijftien procent van de AI-pilots bereikt de productiefase. Het verschil tussen die twee groepen zit niet in de technologie en niet in het budget. Het zit in vijf vragen die bijna niemand stelt voordat het project begint.
Waarom sterven AI-projecten na de demo?
Het probleem begint bij hoe de meeste AI-projecten starten. Een enthousiaste medewerker ontdekt dat ChatGPT of Claude iets kan wat nuttig lijkt. Er wordt een pilot opgezet, vaak zonder duidelijk doel, zonder eigenaar, en zonder afspraak over wat er daarna gebeurt. De pilot slaagt, want pilots slagen bijna altijd als je de definitie van succes vaag genoeg houdt.
Overigens is dat niet uniek voor AI. Elk technologieproject dat begint met "laten we eens kijken wat het kan" in plaats van "dit probleem moet opgelost" heeft dezelfde levensverwachting. Maar bij AI is het patroon hardnekkiger. De technologie is zo toegankelijk dat je zonder IT-afdeling, zonder budget en zonder plan al resultaat kunt boeken. Dat maakt de drempel laag. Het maakt de kans op opschaling ook laag.
In Nederland is die dynamiek extra zichtbaar. Grote bedrijven met meer dan 250 medewerkers zetten AI in bij ruim veertig procent van hun processen, volgens de AI-adoptiecijfers van TheAIDaily op basis van CBS-data. Bij microbedrijven met minder dan tien mensen is dat 13,8 procent. Het verschil zit niet in budget of technische kennis. Het zit erin of er iemand rondloopt die het project vastpakt nadat de demo voorbij is.
Het verkeerde probleem kiezen
De eerste check voor elk AI-project is tegelijk de meest genegeerde: lost het een probleem op dat je team vandaag echt voelt?
Denk aan het verschil tussen een auto kopen omdat je er elke dag mee naar je werk rijdt, en een auto kopen omdat hij er mooi uitziet in de showroom. De showroom-aankoop staat na drie maanden in de garage. Bij AI-projecten werkt het precies zo. Een tool die klantvragen samenvat is indrukwekkend in een demo, maar als niemand in het team last heeft van die klantvragen, gaat niemand de tool gebruiken.
De projecten die overleven beginnen bij pijn. Een team dat elke vrijdag vier uur kwijt is aan het handmatig invoeren van factuurgegevens. Een klantenservice die structureel niet toekomt aan complexe vragen omdat de eenvoudige vragen alle tijd opslokken. Een sales-afdeling die wekelijks dezelfde offerteteksten herschrijft.
Stel jezelf de vraag: als je morgen de AI-tool weghaalt, wie klaagt er dan? Als het antwoord "niemand" is, lost het project een probleem op dat niet bestaat.
Wie houdt het draaiende als het enthousiasme wegebt?
Elk succesvol AI-project heeft een naam en een gezicht. Niet "het team" of "de IT-afdeling", maar een concrete persoon die elke week checkt of de tool nog doet wat hij moet doen.
Dat klinkt triviaal. Het is de belangrijkste reden waarom pilots falen. Uit een analyse van zakelijke AI-pilots in maart 2026 blijkt dat het ontbreken van eigenaarschap een van de drie voornaamste redenen is waarom pilots niet opschalen. De andere twee: geen monitoring en geen evaluatiemethode. Alle drie komen neer op hetzelfde. Niemand voelt zich verantwoordelijk.
Even voor de beeldvorming: stel dat je een nieuwe koffiemachine op kantoor zet zonder dat iemand verantwoordelijk is voor bonen bijvullen, ontkalken en reparaties. Na twee weken maakt niemand meer koffie en staat het apparaat stof te vangen. Bij AI-tools gebeurt precies hetzelfde. Het model verandert, de data verandert, de werkprocessen veranderen. Zonder iemand die bijstuurt, loopt de tool langzaam uit de pas met de werkelijkheid.
De eigenaar hoeft geen AI-expert te zijn. Het moet iemand zijn die het werkproces kent, die merkt wanneer de output afwijkt, en die weet bij wie het gemeld moet worden.
De kopieer-en-plak-test
Tel op een willekeurige woensdag hoeveel keer een medewerker kopieert tussen de AI-tool en het programma waar het werk echt gebeurt. Drie keer of meer per taak? Dan overleeft de tool het kwartaal niet.
Dit is de lakmoesproef voor of AI in je werkproces zit of ernaast. Een AI-tool die als los tabblad naast je CRM draait, vraagt elke keer opnieuw om context, om kopiëren, om schakelen. Dat kost mentale energie. En mentale energie is de schaarse grondstof die bepaalt of mensen een tool blijven gebruiken.
De projecten die het wel redden, bouwen de AI in het bestaande systeem. Een Copilot die in Outlook je mailtjes sorteert. Een Claude-integratie die in je projectmanagementtool de statusupdate schrijft. Een chatbot die in het CRM leeft en niet in een apart venster.
Context geven aan je AI-tool is een goede eerste stap. Maar de vervolgstap is groter: de output van de AI moet landen op de plek waar het werk wordt afgemaakt, zonder dat iemand hoeft te kopiëren of te plakken.
Wacht even, betekent dit dat je dure maatwerksoftware nodig hebt? Niet per se. Steeds meer zakelijke software heeft AI standaard ingebouwd. Microsoft bouwt Copilot in elk M365-abonnement, Google doet hetzelfde met Gemini in Workspace. Voordat je een nieuw AI-project start, check of je bestaande software al een oplossing biedt die je nog niet gebruikt.
Hoe weet je of het echt iets oplevert?
Vraag aan tien bedrijven met een AI-pilot wat het concreet oplevert. Acht van de tien antwoorden met "we zijn productiever" of "het bespaart tijd". Hoeveel tijd? Dat weet niemand.
Voordat een AI-project begint, hoort er een getal op tafel te liggen dat achteraf meetbaar is. Niet een vaag streven, maar een concreet voor-en-na-verschil. Hoe lang duurt taak X nu? Hoe lang moet het worden? Hoeveel fouten maken we nu? Hoeveel mogen het er worden?
Uit onderzoek van Gartner blijkt dat slechts dertig procent van de marketingleiders de infrastructuur heeft om AI-resultaten daadwerkelijk te meten en op te schalen. Dat percentage ligt bij andere afdelingen niet veel hoger. Het gevolg: projecten draaien maanden door zonder dat iemand weet of ze werken.
Volgens data van TheAIDaily levert een kenniswerker die AI effectief inzet gemiddeld 11.600 euro per jaar aan extra productiviteitswaarde op. Dat getal is meetbaar en vergelijkbaar. Het is precies het soort getal dat je nodig hebt om een pilot om te zetten in een bedrijfsbeslissing.
Bespaarde uren verdampen als niemand bijhoudt waar ze naartoe gaan. Het omgekeerde geldt ook: bewezen resultaten zijn het krachtigste argument om een pilot door te laten groeien naar een vast onderdeel van het werkproces.
Wat als de AI het fout heeft?
Elk AI-model maakt fouten. De vraag is niet of het gebeurt, maar hoe het team reageert als het gebeurt.
Bij de beste AI-implementaties is er een menselijke controlestap ingebouwd. Niet omdat de AI slecht is, maar omdat elke output een kans op een fout bevat en de gevolgen van die fout meetellen. Een verkeerd samengevatte klachtbrief is vervelend. Een fout berekend offertebedrag kost geld. Een onjuist juridisch advies kan een bedrijf in de problemen brengen.
De oplossing is geen wantrouwen, maar een helder protocol. Wie controleert de output? Bij welke taken is menselijke controle verplicht? Wat is het escalatiepad als de AI er structureel naast zit?
Teams die dit vooraf regelen, bouwen vertrouwen op. Teams die het niet doen, verliezen na de eerste fout het draagvlak. En zonder draagvlak is het project voorbij. Het Stanford HAI-rapport 2026 laat zien dat 67 procent van de organisaties datakwaliteit en privacy als obstakel noemt bij AI-implementatie. Maar het onderliggende probleem is breder: organisaties weten niet goed hoe ze moeten omgaan met onzekerheid in AI-output.
Wat kun je hier maandag mee?
De vijf checks passen op een half A4-tje. Print ze uit en loop ze door voor elk AI-project dat in je organisatie draait of gepland staat.
- Pijncheck. Wie heeft er concreet last van het probleem dat dit project oplost? Geen naam? Geen project.
- Eigenaarcheck. Wie is verantwoordelijk voor deze tool na de lancering? Geen naam? Geen lancering.
- Kopieercheck. Hoeveel keer per taak kopieert iemand data tussen de AI en het werkprogramma? Meer dan twee keer? Zoek een integratie of bouw er een.
- Meetcheck. Welk getal verbetert er door dit project? Geen getal? Geen manier om te weten of het werkt.
- Foutcheck. Wat gebeurt er als de AI ernaast zit? Geen protocol? Geen vertrouwen.
Teams die AI echt gebruiken doen dit consequent. Niet omdat ze een groter budget hebben of betere tools, maar omdat ze deze vragen stellen voordat ze beginnen.
In Nederland kost een externe AI-specialist al snel 120 euro per uur, volgens data van het CBS en Knab. Drie maanden experimenteren zonder deze checks is een factuur van tienduizenden euro's zonder dat er iets blijvends staat. De vijf vragen kosten een halfuur en besparen maanden werk.
