Waarom 95% van de AI-pilots niets oplevert (en wat de 5% anders doet)
Belangrijkste inzichten
Volgens het MIT-rapport The GenAI Divide (augustus 2025) levert 95% van de AI-pilots bij bedrijven geen meetbaar effect op de winst op. De oorzaak is zelden de techniek. Projecten mislukken omdat er geen meetbaar doel is, omdat het budget naar sales en marketing gaat terwijl de grootste opbrengst in de back-office zit, omdat bedrijven zelf bouwen in plaats van te kopen bij een gespecialiseerde leverancier (dat slaagt in zo'n twee op de drie gevallen), en omdat de tool niet aansluit op het dagelijkse werk. Gartner en RAND kwamen eerder tot vergelijkbare conclusies. Voor een fabriek of groothandel betekent dit: begin klein, in de back-office, met een proces waarvan de opbrengst in euro's te meten is, op de systemen die je al hebt, en met een mens die het resultaat goedkeurt.
In augustus 2025 publiceerde MIT een rapport dat in elke directiekamer rondging: 95% van de AI-pilots bij bedrijven levert niets meetbaars op in de winst (Fortune, 18 augustus 2025). Voor een directeur die "iets met AI moet", is dat een verwarrende boodschap. Moet je er dan wel aan beginnen?
Het antwoord is ja, maar anders dan de meeste bedrijven het doen. Het rapport zegt namelijk niet dat AI niet werkt. Het zegt dat de manier waarop bedrijven eraan beginnen, niet werkt. En het zegt ook wat de 5% die wel slaagt, anders doet. Voor fabrieken en groothandels is dat goed nieuws, want die 5% lijkt opvallend veel op hoe je in operations al werkt.
Wat het onderzoek zegt
Het rapport heet The GenAI Divide: State of AI in Business 2025 en komt van NANDA, een onderzoeksinitiatief van MIT. Het is gebaseerd op 150 interviews met leidinggevenden, een enquête onder 350 medewerkers en een analyse van 300 openbare AI-projecten. De belangrijkste bevindingen:
| Bevinding | Wat het betekent |
|---|---|
| 95% van de pilots heeft geen meetbaar effect op de winst | De meeste projecten blijven hangen in een proef |
| Meer dan de helft van het budget gaat naar sales en marketing | Daar is AI het zichtbaarst |
| De grootste opbrengst zit in de back-office | Minder uitbesteed werk, minder handwerk, minder externe bureaus |
| Kopen bij een gespecialiseerde leverancier slaagt in zo'n twee op de drie gevallen | Zelf bouwen lukt veel minder vaak |
Twee kanttekeningen. "Geen meetbaar effect op de winst" is iets anders dan "de techniek werkte niet". Veel van die pilots deden technisch wat ze moesten doen; alleen zag niemand het terug in de cijfers. En het onderzoek gaat vooral over grote Amerikaanse bedrijven. Maar de patronen zijn herkenbaar voor iedereen die weleens een IT-project heeft zien vastlopen.
Andere onderzoeken komen op hetzelfde uit. RAND interviewde 65 ervaren datawetenschappers en schatte dat meer dan 80% van de AI-projecten faalt, twee keer zo vaak als IT-projecten zonder AI (RAND, 2024). Gartner voorspelde dat minstens 30% van de generatieve-AI-projecten na de proef zou worden stopgezet, door slechte data, onvoldoende risicobeheersing, oplopende kosten of onduidelijke waarde (Gartner via Intelligent CIO, augustus 2024).
Vijf redenen waarom het misgaat
1. Er is geen meetbaar doel
"We gaan kijken wat AI voor ons kan doen" is geen doel. Zonder vooraf afgesproken bedrag of aantal uren kan niemand achteraf zeggen of het werkte. Dan wordt het oordeel een gevoel, en een gevoel overleeft de volgende budgetronde niet.
Wat de 5% doet: een getal vooraf. Zoveel euro terug, zoveel uur minder, zoveel fouten minder. En een nulmeting, zodat je het straks kunt bewijzen.
2. Het geld gaat naar de voorkant
Een chatbot op de website, AI-teksten voor marketing, een assistent voor de verkopers: het is zichtbaar en het voelt modern. Daarom gaat meer dan de helft van het AI-budget naar sales en marketing. Maar volgens MIT zit de grootste opbrengst in de back-office: werk dat nu wordt uitbesteed of met de hand gedaan, zoals facturen verwerken, documenten controleren en gegevens overtypen.
Wat de 5% doet: beginnen waar het saai is. In een fabriek of groothandel is dat de stapel inkoopfacturen, de orders die per mail binnenkomen, de pakbonnen die naast de factuur moeten.
3. Zelf bouwen
Veel bedrijven proberen het eerst zelf, met een eigen team, een licentie en een paar enthousiaste medewerkers. Volgens MIT slaagt dat veel minder vaak dan kopen bij een gespecialiseerde leverancier. Logisch: een leverancier die één ding voor veel bedrijven doet, heeft de valkuilen al gezien.
Wat de 5% doet: kopen wat al bestaat voor het probleem, en zelf alleen bouwen wat echt uniek is.
4. Een tool zonder proces
Een AI-tool die naast het dagelijkse werk staat, wordt na de demo niet meer geopend. Mensen hebben een vaste manier van werken, met hun eigen mailbox, ERP en Excel. Een tool die vraagt om een extra scherm en een extra handeling, verliest het van de gewoonte.
Wat de 5% doet: AI die aansluit op hoe het werk nu binnenkomt. Facturen komen per mail of uit het ERP; de uitkomst komt terug als een lijst met acties of een klaargezette mail.
5. Het verkeerde werk aan AI geven
Taalmodellen zijn sterk in lezen, vergelijken en schrijven. Ze zijn zwak in rekenen tot op de cent en in beslissen. Een project dat AI laat uitrekenen wat een leverancier te veel rekende, of laat beslissen welke order voorgaat, levert soms verkeerde antwoorden op. Eén fout bedrag, en het vertrouwen is weg.
Wat de 5% doet: AI leest, code rekent, een mens beslist. Zo is elk getal na te rekenen.
Wat dit betekent voor een fabriek of groothandel
De bevindingen van MIT passen opvallend goed bij hoe operations al werkt: meten, één ding tegelijk, en pas opschalen als het bewezen is. Vertaald naar een eerste AI-project levert dat vier vragen op:
- Is de opbrengst te meten in euro's? Dan kun je achteraf bewijzen of het werkt.
- Bestaat het werk uit documenten die nu iemand leest? Daar is AI sterk in.
- Keurt een mens het resultaat goed? Dan is een fout een correctie, geen ramp.
- Werkt het op de systemen die je al hebt? Geen nieuw ERP, geen IT-project.
Leg je de ideeën die een MT het vaakst hoort langs die vragen, dan valt er veel af:
| Idee | Meetbaar in € | Documenten | Mens keurt goed | Op wat je hebt |
|---|---|---|---|---|
| Chatbot op de website | nee | nee | nee | ja |
| ChatGPT voor iedereen | nee | deels | ja | ja |
| Voorspellend onderhoud | ja | nee | ja | nee |
| Vraagvoorspelling en planning | deels | nee | ja | deels |
| Orders uit mail en pdf invoeren | deels | ja | ja | ja |
| Inkoopfacturen narekenen | ja | ja | ja | ja |
Geen van deze ideeën is slecht. Voorspellend onderhoud kan veel opleveren, als de sensordata er al is. ChatGPT voor iedereen is goed voor de AI-kennis van je mensen, en die is sinds februari 2025 ook een wettelijke plicht (AI-geletterdheid: wat de AI Act van je MT vraagt). Maar als eerste project, met een uitkomst die je MT kan narekenen, scoort maar één idee vier keer ja.
Waarom de inkoopfactuur
Het narekenen van inkoopfacturen is het schoolvoorbeeld van wat MIT de back-office noemt. Het werk is saai, het gebeurt nu niet of met de hand, en de opbrengst staat op de factuur.
De afgelopen jaren rekenden leveranciers lonen, energie, diesel en de vrachtwagenheffing door. Een deel daarvan was terecht, een deel was stille indexatie, een toeslag die niet bij je ritten past, of een prijs boven de afspraak. Niemand legt elke factuurregel naast vorig jaar en het contract, omdat het niemands werk is. AI kan dat wel: pdf's van tientallen leveranciers lezen, elk in een eigen opmaak, en dezelfde artikelen herkennen onder verschillende namen. Gewone code rekent het verschil uit. Een mens beslist wat er teruggevraagd wordt.
Daarna weet je MT precies wat het opleverde, in euro's per leverancier. En het weet wat AI wel en niet kan, op eigen cijfers in plaats van uit een rapport. Dat is een betere basis voor een AI-strategie dan welke workshop ook.
Zo begin je
- Lees Waar begin je met AI als productiebedrijf of groothandel voor de hele aanpak, met een 90-dagenplan voor het MT.
- Download de AI-startgids voor het MT: de toets met scorekaart, twaalf ideeën gescoord en tien vragen voor elke AI-leverancier.
- Of begin meteen met een bedrag: de gratis Lekcheck rekent 12 maanden inkoopfacturen na en laat per soort lek zien wat het je per jaar kost.
Bronnen
- Fortune: MIT report: 95% of generative AI pilots at companies are failing (18 augustus 2025)
- RAND: The Root Causes of Failure for Artificial Intelligence Projects (2024)
- Intelligent CIO: Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025
- CBS: Bedrijven gebruiken AI vaakst voor marketing of verkoop (december 2025)
Veelgestelde vragen
- Klopt het dat 95% van de AI-projecten mislukt?
- Het MIT-rapport The GenAI Divide (2025) stelt dat 95% van de generatieve-AI-pilots bij bedrijven geen meetbaar effect op de winst heeft. Het onderzoek is gebaseerd op 150 interviews, een enquête onder 350 medewerkers en een analyse van 300 AI-projecten. 'Mislukt' betekent hier: geen meetbare winst, niet dat de techniek niet werkte. Andere onderzoeken komen op vergelijkbare cijfers: RAND schat dat meer dan 80% van de AI-projecten faalt.
- Waarom mislukken AI-projecten?
- Zelden door de techniek. De belangrijkste oorzaken: er is vooraf geen meetbaar doel, het probleem is niet scherp, het budget gaat naar zichtbare toepassingen in sales en marketing in plaats van de back-office, bedrijven bouwen zelf zonder ervaring, en de tool sluit niet aan op hoe het werk nu gaat. Gartner noemt daarnaast slechte datakwaliteit, onvoldoende risicobeheersing en stijgende kosten.
- Wat doen de AI-projecten die wel slagen anders?
- Ze beginnen klein, met één scherp afgebakend proces. Ze kiezen de back-office, waar de opbrengst te meten is: minder uitbesteed werk, minder handwerk, minder fouten. Ze kopen vaker bij een gespecialiseerde leverancier dan dat ze zelf bouwen. En ze passen in het bestaande werk in plaats van een nieuw systeem te vragen.
- Wat is een goed eerste AI-project voor een productiebedrijf?
- Een project dat aan vier eisen voldoet: de opbrengst is meetbaar in euro's, het werk bestaat uit documenten die nu iemand leest, een mens keurt het resultaat goed, en het werkt op de systemen die je al hebt. Voor de meeste fabrieken en groothandels is dat het narekenen van inkoopfacturen. Orders uit mail en pdf invoeren is een goede tweede stap.
Safouan Bolbaroud is specialist in Operations AI & Workflow Automatisering en helpt Nederlandse bedrijven repetitief werk in Exact Online, AFAS en Odoo te automatiseren.
Bekijk profielKlaar om je operations te stroomlijnen?
Stop met handmatig overtikwerk in je ERP. Begin met een lekcheck op één proces.
Gerelateerde artikelen
AI-geletterdheid: wat de AI Act van je MT vraagt (en wat er in juli 2026 veranderde)
Sinds februari 2025 moet elk bedrijf dat AI gebruikt zorgen voor AI-geletterdheid. Sinds juli 2026 is die plicht anders geformuleerd. Wat het betekent voor een fabriek of groothandel, en wat je MT nu regelt, op één pagina.
Prijsverhoging per 1 januari: zo controleer je wat je leveranciers doorrekenen
In november en december komen de brieven: per 1 januari gaan de prijzen omhoog. Zo toets je elke verhoging aan de cijfers, herken je stille indexatie op de factuur, en onderhandel je met een rekensom in plaats van een gevoel.
Kratten en pallets die niet terugkomen: zo hou je het emballagesaldo per klant bij
Emballage lekt op vier plekken: kratten die bij klanten blijven, nieuwe huren terwijl er nog honderden buiten staan, facturen van de verhuurder die niemand narekent, en statiegeld dat niet op de factuur staat. Zo dicht je ze.