In het kort
- Onderzoek van RAND noemt als belangrijkste oorzaak: het management heeft het probleem niet scherp of communiceert het verkeerd.
- Gartner voorspelde dat minstens 30 procent van de projecten met generatieve AI na de proef zou stoppen, door slechte data, te weinig risicobeheer, oplopende kosten of onduidelijke waarde.
- Veel proeven blijven hangen omdat de tool niet in de eigen systemen en werkwijze past.
- Voorkomen doe je met een nulmeting, één afgebakend proces, een eigenaar en een test naast het team.
Waarom AI projecten mislukken: wat onderzoek zegt
Er gaan grote percentages rond over waarom AI projecten mislukken. Het is goed om te weten waar ze vandaan komen.
- RAND interviewde in 2024 65 ervaren datawetenschappers en engineers. Het rapport noemt de schatting dat meer dan 80 procent van de AI-projecten mislukt, twee keer zo vaak als gewone IT-projecten. Dat getal komt uit eerdere bronnen, RAND heeft het niet zelf gemeten. Wat RAND wel vond: de meest genoemde oorzaak ligt bij de leiding. Het probleem wordt verkeerd begrepen of verkeerd uitgelegd.
- Gartner voorspelde in juli 2024 dat minstens 30 procent van de projecten met generatieve AI eind 2025 na de proof of concept zou zijn gestopt, door slechte data, onvoldoende risicobeheer, stijgende kosten of onduidelijke zakelijke waarde.
- MIT (project NANDA) meldde in augustus 2025 dat 95 procent van de onderzochte organisaties geen meetbaar rendement zag van hun proeven met generatieve AI. Dat onderzoek is kleinschalig en niet peer-reviewed. De oorzaak die het noemt is wel herkenbaar: tools passen niet in het werk en leren niet van feedback.
De rode draad is steeds dezelfde. Het model is zelden het probleem. De aanpak wel.
Zes oorzaken die we in de praktijk zien
1. Het doel is te vaag
"We moeten iets met AI" is geen doel. Zonder een concreet proces, een nulmeting en een getal dat beter moet, kan niemand zeggen of het project geslaagd is. Het loopt dan niet vast op een fout, het sterft langzaam.
2. Beginnen bij de tool
Een team koopt licenties of bouwt een demo, en zoekt daarna een probleem dat erbij past. RAND noemt dit het najagen van technologie. Het omgekeerde werkt beter: eerst het werk, dan de tool.
3. De data klopt niet
AI werkt met de gegevens die je hebt. Staan artikelen dubbel in je systeem, kloppen kostprijzen niet of zit de helft van de kennis in iemands hoofd, dan geeft AI slechte antwoorden. Vaak is het eerste werk het opruimen van data. Daarover meer bij data engineering.
4. De proef staat los van het werk
Een losse chatomgeving waarin medewerkers tekst heen en weer kopiëren, levert zelden structureel iets op. De winst zit in AI die in je eigen systemen werkt: de order komt in het ERP, de factuur in de boekhouding.
5. Niemand is eigenaar na de proef
De proef was een project, maar wie beheert het daarna? Wie kijkt naar fouten, past het aan als een leverancier iets verandert en beslist over uitbreiding? Zonder eigenaar valt een werkende oplossing na een paar maanden stil.
6. Medewerkers haken af
Mensen die niet weten wat AI doet, vertrouwen het niet of juist te veel. Worden ze niet betrokken bij het ontwerp, dan werken ze eromheen. Adoptie is werk: uitleg, training en ruimte om het samen beter te maken.
AI implementatie valkuilen herkennen
Signalen dat het vastloopt
- Na drie maanden weet niemand hoeveel tijd het scheelt
- De proef draait alleen bij een paar enthousiaste collega's
- Resultaten worden gekopieerd naar het echte systeem
- Het budget loopt op zonder dat de scope verandert
- Er is geen naam bij de vraag wie het beheert
Signalen dat het goed gaat
- Er is een nulmeting en een doel in uren of fouten
- Het team dat de taak doet, test mee en geeft feedback
- De uitkomst komt direct in je eigen systemen terecht
- Er is een vaste prijs per stap en een afgesproken scope
- Eigenaar, beheer en uitbreiding zijn vooraf geregeld
Zo voorkom je dat je AI project vastloopt
- Begin met onderzoek, bouwen komt later. Breng je taken in kaart: wie doet wat, hoeveel tijd, hoe vaak, in welk systeem. In ons AI Kansenonderzoek krijgt elke taak een potentiescore en elke kans een financieel beeld voor 12 maanden. Soms is de uitkomst dat AI voor een proces niet logisch is. Dat zeggen we dan ook.
- Kies één proces. Veel uren, veel herhaling, duidelijke regels.
- Spreek vooraf af wat succes is. Functionaliteit en acceptatiecriteria op papier, voordat er gebouwd wordt.
- Test klein en echt. Een proof of concept op je eigen data en in je eigen systemen, met het team dat de taak doet.
- Regel beheer en adoptie. Wie is eigenaar, wie krijgt een foutmelding, hoe worden medewerkers getraind. Dat hoort bij AI implementatie en bij ondersteuning na livegang.
Hoe wij het risico dragen
Een deel van het vastlopen komt door de manier waarop projecten worden ingekocht. Een open uurtje-factuurtje-afspraak beloont niemand voor een snel resultaat.
Wij werken daarom met een vaste prijs per afgesproken stap, met functionaliteit en acceptatiecriteria vooraf. Kost het ons meer tijd dan ingeschat, dan dragen wij dat binnen de scope. En we werken met no cure, no pay: lost de opgeleverde kernfunctionaliteit het vooraf omschreven probleem niet op, dan betaal je niet voor die oplossing.
Bij Sucre & Co begonnen we met de orderstroom, het proces met de meeste uren. Pas toen dat draaide, volgden facturatie en leadverzameling. Samen scheelt dat nu 80 uur handwerk per week. Meer voorbeelden staan bij onze praktijkvoorbeelden.
Uit de praktijk
Groothandel
Sucre & Co: een groothandel die zichzelf bijhoudt
Van handmatig orders overtikken naar orderintake, facturatie en koelvervoer in één flow.
40% snellere maandgroei
E-commerce
Candy Online: weer winstgevend met 75% minder personeel
De oudste snoepwebshop van Nederland. Voorraad, backorders, klantenservice en boekhouding geautomatiseerd.
75% minder personeelVeelgestelde vragen
Hoeveel AI projecten mislukken?
Er gaan verschillende cijfers rond. RAND noemt de schatting dat meer dan 80 procent van de AI-projecten mislukt. Gartner voorspelde dat minstens 30 procent van de projecten met generatieve AI na de proef zou stoppen. Die cijfers verschillen in definitie, maar de oorzaak is steeds vergelijkbaar: onduidelijk doel, slechte data en geen inbedding in het werk.
Wat is de belangrijkste oorzaak dat AI projecten mislukken?
Volgens de experts die RAND interviewde ligt de meest genoemde oorzaak bij de leiding: het probleem dat AI moet oplossen is niet goed begrepen of niet goed uitgelegd. In de praktijk zien we dat ook. Een project zonder concreet proces, nulmeting en eigenaar loopt bijna altijd vast.
Hoe voorkom je dat een AI proof of concept blijft hangen?
Test op je eigen data, in je eigen systemen en met de mensen die het werk doen. Leg vooraf vast wanneer de proef geslaagd is en wie daarna eigenaar is. Een proof of concept die alleen in een demo-omgeving werkt, zegt weinig over de praktijk.
Wat moet ik doen als mijn AI project al vastzit?
Ga terug naar de basis. Welk proces moest beter, hoeveel tijd kostte het en wat kost het nu? Vaak blijkt de scope te breed of ontbreekt een koppeling met het echte systeem. Maak het kleiner, zet het in het werk en wijs een eigenaar aan. Soms is stoppen de beste keuze.
Verder lezen
Meer uit de kennisbank
Bronnen
Geraadpleegd in september 2026.
- RAND, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed (2024). rand.org
- THE Journal, Gartner: 30% of Gen AI Projects Will Be Abandoned (augustus 2024). thejournal.com
- The Register, over het MIT NANDA-rapport The GenAI Divide (augustus 2025). theregister.com