Waarom bedrijven falen met AI

Een Gentse machinebouwer investeerde vorig jaar ruim 180.000 euro in een AI-systeem voor predictief onderhoud. Vandaag staat het project on hold, de projectleider is vertrokken, en de data blijkt onbruikbaar. Het bedrijf is geen uitzondering. Volgens recente schattingen strandt tussen de 70 en 85 procent van alle AI-initiatieven voordat ze echte bedrijfswaarde opleveren. De vraag is niet langer óf AI werkt, maar waarom zoveel organisaties struikelen bij de implementatie ervan.

Ontdek de training: Identificatie & realisatie van waardegedreven AI-projecten →

Het syndroom van de glimmende technologie

De verleiding is groot. Een concurrent lanceert een chatbot, een leverancier prijst machine learning aan, en plots staat AI bovenaan de agenda van het directiecomité. Wat volgt is een scenario dat menig Belgische KMO zal herkennen: er wordt een budget vrijgemaakt, een externe partner aangetrokken, en een pilootproject opgestart. Zonder dat iemand de fundamentele vraag heeft gesteld: welk bedrijfsprobleem lossen we eigenlijk op?

Bij een Antwerpse logistieke speler ging het precies zo. Het management wilde “iets met AI doen” na een inspirerende keynote op een techconferentie. Ze kozen voor een routeoptimalisatie-algoritme, terwijl hun grootste pijnpunt bij klantcommunicatie lag. Het project werd technisch een succes — het algoritme werkte prima — maar de business impact bleef uit omdat de planning al grotendeels geoptimaliseerd was via ervaren dispatchers.

Dit patroon is symptomatisch voor wat consultants het “technology push”-probleem noemen. Bedrijven vertrekken vanuit de technologie in plaats van vanuit een concrete behoefte. Het resultaat: dure speeltjes die niemand gebruikt, en een organisatie die skeptisch wordt over toekomstige innovatie.

De dataillusie doorprikt

Vraag een willekeurige CEO of zijn bedrijf over voldoende data beschikt, en het antwoord is bijna altijd ja. We verzamelen immers al jaren gegevens in CRM-systemen, ERP-pakketten en Excel-bestanden. Maar tussen data hebben en bruikbare data bezitten gaapt vaak een kloof ter grootte van de Grand Canyon.

Een voedingsproducent uit West-Vlaanderen ontdekte dit op pijnlijke wijze. Hun ambitie: AI inzetten om verspilling in de productielijn te reduceren. Na zes maanden bleek dat productiedata op drie verschillende manieren werden geregistreerd, afhankelijk van welke ploeg dienst had. Sensorgegevens misten tijdstempels, en cruciale informatie over grondstoffen zat verspreid over papieren formulieren en een verouderd systeem dat niet kon exporteren.

De les is hard maar duidelijk: datakwaliteit is geen IT-probleem, het is een organisatievraagstuk. Bedrijven die slagen met AI hebben vaak jaren eerder geïnvesteerd in datagovernance, gestandaardiseerde processen en een cultuur waarin correcte registratie wordt gewaardeerd. Wie denkt dit parallel aan een AI-project te kunnen oplossen, onderschat de complexiteit drastisch.

Mensen vergeten in de vergelijking

Technologie implementeren is het makkelijke deel. Mensen meekrijgen is waar het schoentje vaak wringt. Bij een Brusselse financiële dienstverlener werd een AI-tool gelanceerd voor kredietbeoordeling. Technisch superieur aan het bestaande proces, sneller en nauwkeuriger. Toch gebruikte na drie maanden nog geen 20 procent van de kredietanalisten het systeem.

De reden? Niemand had hen betrokken bij de ontwikkeling. De analisten voelden zich gepasseerd, zagen de tool als bedreiging voor hun expertise, en vonden manieren om het systeem te omzeilen. Klassieke weerstand tegen verandering, versterkt door het mysterieuze karakter van AI-beslissingen die niemand kon uitleggen.

Succesvolle AI-implementaties behandelen change management niet als een nagedachte, maar als kerncomponent. Dat betekent vroege betrokkenheid van eindgebruikers, transparante communicatie over wat de technologie wel en niet kan, en eerlijke gesprekken over hoe functies zullen evolueren. Een Limburgse verzekeraar loste dit op door key users te betrekken als mede-ontwikkelaars. Zij werden de interne ambassadeurs die hun collega’s meenamen in het verhaal.

De verwachtingskloof dichten

CEO’s lezen over spectaculaire AI-successen bij techgiganten en verwachten vergelijkbare resultaten binnen zes maanden. Ondertussen weten de mensen op de werkvloer dat hun legacy systemen nog draaien op software uit 2008. Deze verwachtingskloof is een recept voor frustratie aan beide kanten van de hiërarchie.

Realistische verwachtingen beginnen bij eerlijke communicatie over wat AI kan bereiken gegeven de huidige maturiteit van de organisatie. Een middelgroot productiebedrijf uit de regio Kortrijk pakte dit slim aan. In plaats van een ambitieus transformatieprogramma te lanceren, startten ze met drie kleine pilots waarbij succes helder gedefinieerd was. Eén pilot mislukte, twee slaagden. De geslaagde projecten leverden genoeg bewijs om budget vrij te maken voor opschaling, terwijl de mislukte pilot waardevolle lessen opleverde zonder de hele organisatie te demoraliseren.

Voor wie deze valkuilen wil vermijden, biedt de training Identificatie en realisatie van waardegedreven AI-projecten een gestructureerd kader. De opleiding helpt organisaties om van bij de start de juiste vragen te stellen en projecten te selecteren die daadwerkelijk impact genereren.

• Leer hoe je een AI-strategie selecteert die aansluit bij je bedrijfsdoelen
• Identificeer AI use cases die tastbare waarde creëren voor je organisatie
• Van use case selectie tot businesscase en transformatie roadmap
• Praktische aanpak voor het kiezen van de juiste AI-technologieën
• Inclusief governance, talent en cultuurcomponenten voor succesvolle implementatie

Het governance-vacuüm vullen

Wie is verantwoordelijk als een AI-model verkeerde beslissingen neemt? Bij veel Belgische organisaties blijft deze vraag onbeantwoord tot er iets misgaat. Een retailketen uit Oost-Vlaanderen leerde dit toen hun dynamisch prijzingssysteem tijdens een technische storing producten aanbood voor een fractie van de werkelijke prijs. Duizenden bestellingen later was de schade aanzienlijk, en niemand wist wie de stekker had mogen trekken.

Governance gaat verder dan verantwoordelijkheid toewijzen. Het omvat ook ethische kaders, monitoring van modelperformantie, en procedures voor wanneer systemen onverwacht gedrag vertonen. Bedrijven die hier vroeg over nadenken, vermijden niet alleen crises maar bouwen ook vertrouwen op bij klanten en medewerkers. De AI Act die Europa uitrolt, maakt dit bovendien geen vrijblijvende keuze meer.

Opvallend is dat bedrijven die falen met AI zelden falen op één front. Het is de combinatie van onduidelijke doelen, gebrekkige data, onvoldoende change management en afwezige governance die projecten de das omdoet. Wie slechts één van deze elementen aanpakt, verplaatst het probleem in plaats van het op te lossen.

De patronen zijn herkenbaar, de valkuilen goed gedocumenteerd. Toch blijven organisaties dezelfde fouten maken, vaak omdat ze zich laten meeslepen door de belofte van AI zonder de fundamenten te leggen. Het verschil tussen bedrijven die slagen en zij die falen zit zelden in de technologie zelf. Het zit in de discipline om eerst het huiswerk te doen: heldere doelen formuleren, data op orde brengen, mensen betrekken, en governance inrichten. Dat is minder sexy dan een spectaculaire AI-demo, maar het is wel wat werkt.