Waarom zoveel AI-projecten vastlopen — en waarom beginnen bij het werkpunt alles verandert
De investeringen in AI blijven groeien, maar veel initiatieven lopen stil of worden uiteindelijk volledig stopgezet. Het probleem ligt zelden bij de technologie zelf, maar bij waar organisaties ervoor kiezen te beginnen.
Kort gezegd:
Veel AI-projecten lopen vast, niet omdat de technologie faalt, maar omdat organisaties beginnen op plekken die te complex en slecht gedefinieerd zijn. Starten met grote transformaties, onduidelijke succescriteria en kwetsbare pilots put vaak het momentum uit. Teams die vooruitgang boeken, beginnen meestal dichter bij het dagelijkse werk — door mensen te ondersteunen waar waarde wordt gecreëerd, in plaats van systemen vooraf opnieuw op te bouwen.
AI blijft aandacht en investeringen aantrekken, en toch schroeft een verrassend aantal organisaties vroege initiatieven terug of stopt ermee. Rapporteren dat grote agentic‑AI‑inspanningen worden verlaten is geen commentaar op de technologie zelf, maar een herinnering dat de voorwaarden voor succes zelden aanwezig zijn wanneer deze projecten starten.
Gartner heeft dit herhaaldelijk benadrukt. In zijn strategische voorspellingen voor 2025 waarschuwde Gartner dat veel initiatieven rond agentic AI waarschijnlijk zullen mislukken door onduidelijke bedrijfswaarde of onvoldoende risicobeheersing. In een andere publicatie meldde Gartner dat een aanzienlijk deel van de GenAI-projecten moeite heeft om verder te komen dan de pilotfase, vaak omdat organisaties de operationele vereisten rondom het model onderschatten.
Die bevindingen bieden een nuttig startpunt voor een bredere reflectie: veel AI‑projecten worstelen niet omdat AI onderpresteert, maar omdat de omgeving eromheen niet klaar is om betekenisvolle vooruitgang te ondersteunen.
Een terugkerend patroon bij organisaties die AI verkennen is dat vroeg enthousiasme komt zonder even duidelijke definities van succes. Leiders beschrijven doelen vaak in termen als efficiëntie, automatisering of “vooroplopen”, maar die ambities vertalen zich niet automatisch naar concrete doelstellingen voor een specifiek programma.
Wanneer verwachtingen niet vroeg worden afgestemd, stapelt ambiguïteit zich op. Zelfs zeer capabele teams kunnen zichzelf hard zien werken terwijl ze onzeker zijn over het specifieke resultaat dat ze moeten bereiken. Die misalignment is niet altijd zichtbaar in de beginfase, maar komt uiteindelijk naar boven als scope‑drift, stakeholder‑moeheid of moeite om voortgang objectief te beoordelen.
De nadruk die Gartner legt op onduidelijke bedrijfswaarde is hier bijzonder relevant. Wanneer het doel niet goed is gedefinieerd, hebben zelfs veelbelovende ideeën moeite om momentum op te bouwen.
Pilots zijn bedoeld als een veilige manier om nieuwe mogelijkheden te verkennen, maar in de praktijk vragen ze vaak veel tijd en energie van schaarse teams: technische medewerkers, inhoudelijke experts, operations‑leads en data‑eigenaren.
En toch krijgen pilots zelden de tijd of stabiliteit die ze nodig hebben.
Het is gebruikelijk om pilots te zien die:
- te kort zijn om waarde aan te tonen,
- te beperkt zijn om echte operaties te representeren,
- te afhankelijk zijn van middelen die niet kunnen worden vrijgemaakt, of
- te geïsoleerd zijn van de workflows die ze willen ondersteunen.
Tegen de tijd dat de pilot eindigt, zien leiders mogelijk beperkte resultaten—niet omdat het idee geen merites had, maar omdat de omstandigheden niet waren ontworpen om een eerlijk beeld van waarde te laten zien. Wanneer meerdere pilots zo eindigen, aarzelen beslissers vanzelf om de volgende fase goed te keuren.
Dit is een stille maar invloedrijke bijdrage aan het groeiende aantal stopgezette projecten.
In veel organisaties duikt dezelfde uitdaging op: AI‑projecten beginnen vaak op de moeilijkst mogelijke plek.
Ze beginnen door te proberen:
- data te herstructureren,
- workflows te herontwerpen,
- legacy‑systemen te integreren,
- en afhankelijkheden tussen meerdere teams te coördineren.
Dit zijn grote opgaven, zelfs wanneer teams erop zijn voorbereid. Voor organisaties die al onder druk staan—zeker mkb’s—kan dit overweldigend zijn.
De observatie van Gartner dat organisaties de vereiste operationele aanpassingen vaak onderschatten, weerspiegelt deze realiteit. De technische mogelijkheden van AI ontwikkelen zich snel, maar de praktische gereedheid binnen de meeste organisaties beweegt zich in een ander tempo.
Het gewicht van transformatie wordt de barrière.
Er is niets mis met ambitie, maar in een snel evoluerend veld wordt het extra belangrijk om met beide benen op de grond te blijven. Het vertrouwen in AI is sterk verbeterd en tools zijn toegankelijker geworden, maar verwachtingen lopen soms vooruit op wat een organisatie realistisch kan dragen.
Dit is geen kwestie van angst of conservatisme. Het is simpelweg een erkenning dat AI‑projecten verborgen afhankelijkheden hebben. Veel daarvan worden pas zichtbaar zodra het werk begint.
Een doordacht niveau van voorzichtigheid helpt leiders onderscheid te maken tussen wat in principe mogelijk is en wat praktisch is in hun specifieke omgeving. Die voorzichtigheid is gezond. Ze beschermt middelen, voorkomt vermoeidheid en voorkomt dat organisaties zich vastleggen op ambitieuze veranderingen voordat ze er structureel klaar voor zijn.
Wat opvalt bij organisaties die succesvol vooruitgang boeken met AI is dat ze vaak op een andere plek beginnen. In plaats van te starten met transformatie, beginnen ze dichter bij het dagelijkse werk—door taken te ondersteunen die mensen al uitvoeren.
Veel operationele uitdagingen zijn terug te voeren op de kwaliteit van menselijke input: notities, samenvattingen, beschrijvingen, uitleg, claims en interne documentatie. Deze kleine tekstunits vormen downstream‑beslissingen en werkdruk veel meer dan ze doorgaans erkenning krijgen.
Het verbeteren van deze inputs vereist geen complexe integraties, lange pilotperiodes of zware structurele verandering. Het vraagt simpelweg ondersteuning op het moment van werken—mensen helpen om wat ze al weten met helderheid en consistentie te verwoorden.
Die lichtere aanpak levert vaak sneller waarde op. En belangrijk: dat gebeurt zonder onnodige belasting voor teams of systemen.
Het patroon van geannuleerde AI-projecten is geen teken dat AI faalt. Het is een teken dat organisaties beginnen op plekken die te complex, te kostbaar of te onduidelijk zijn om momentum vast te houden.
Gartner’s prognoses onderstrepen een simpele waarheid: AI slaagt wanneer het wordt geïntroduceerd in omgevingen die er klaar voor zijn.
Voor veel organisaties zal die gereedheid niet komen van grootschalige transformatie, maar van beginnen in bekend terrein—versterken van wat mensen al goed doen, één interactie tegelijk.
Soms is de meest strategische zet niet om de organisatie rond AI te herbouwen, maar om AI de organisatie te laten ondersteunen zoals die vandaag is.
Bronnen:
