De demo verliep vlekkeloos. De stuurgroep was enthousiast. Het proof-of-concept liet precies zien wat je hoopte te zien. En toch staat de oplossing, zes maanden later, niet in productie. De licentie loopt nog, de PowerPoint staat ergens op de server, en intussen is iedereen alweer bezig met het volgende project. Als dit herkenbaar klinkt, ben je niet de uitzondering, maar de regel.
Het probleem is niet de technologie
Cijfers uit meerdere grote onderzoeken vertellen hetzelfde verhaal. McKinsey stelt in zijn State of AI-rapport van november 2025 dat twee derde van de organisaties wereldwijd vastloopt in de experimenteer- of pilotfase, en dat slechts 7 procent AI echt op enterpriseschaal heeft uitgerold. MIT NANDA berekende dat 95 procent van de generatieve AI-pilots geen meetbaar resultaat oplevert op de winst-en-verliesrekening. En dichter bij huis laat KPMG Nederland in mei 2026 zien dat slechts 58 procent van de Nederlandse organisaties nu al duidelijke bedrijfswaarde uit AI-toepassingen ziet, ruim onder het wereldwijde gemiddelde van 64 procent. "De ambitie is er duidelijk, maar veel organisaties vinden het lastig om AI structureel onderdeel te maken van de dagelijkse praktijk," zegt Alexandra van der Tuin, verantwoordelijk voor AI bij KPMG Nederland.
Het probleem zit zelden in de technologie zelf. De modellen werken. De leverancier heeft zijn belofte waargemaakt. Wat ontbreekt, is de structuur om van een succesvol experiment een werkende, beheerde en gedragen oplossing te maken. Er zijn vier redenen waarom dat misgaat, en ze komen telkens terug, ongeacht de sector of het type organisatie.
Reden 1: De oplossing staat naast je systemen, niet erin
De meeste AI-pilots draaien in een sandbox. Schone testdata, een afgeschermde omgeving, en een team dat de boel nauwlettend in de gaten houdt. Productie ziet er fundamenteel anders uit: onvolledige data uit vier verschillende bronsystemen, een ERP uit 2009 dat geen API heeft, en een koppeling die iemand handmatig moet onderhouden.
Uit onderzoek van Harvard Business Review Analytic Services onder 385 besluitvormers blijkt dat slechts 18 procent van de organisaties AI volledig heeft geïntegreerd in de dagelijkse werkprocessen. De rest gebruikt AI naast het werk, als een extra gereedschap dat je er bewust bij moet pakken. Dat levert geen operationele waarde op, maar een extra stap. Dezelfde studie wijst verouderde IT-systemen aan als de voornaamste barrière: 69 procent van de respondenten noemt legacy-infrastructuur als de grootste belemmering voor schaalbare AI-uitrol.
Hier zit ook het meeste tijdverlies. Maar liefst 71 procent van de AI-implementatieteams besteedt meer dan een kwart van de totale projecttijd aan data-integratie: het koppelen van systemen, het opzetten van pipelines en het configureren van connectoren. Dat is tijd die niet naar de oplossing zelf gaat, maar naar het fundament dat er eigenlijk al had moeten zijn.
Reden 2: Niemand heeft grip op wat de AI doet
Een model dat je niet begrijpt, vertrouw je niet. En wat je niet vertrouwt, gebruik je niet, of je gebruikt het op een manier die de organisatie niet kan controleren. Uit het AI & Digital Marketing Trends 2026-rapport van Beeckestijn Business School blijkt dat ruim de helft van de Nederlandse werknemers verzwijgt dat ze AI gebruiken op het werk, bijna de helft bedrijfsdata uploadt naar publieke tools als ChatGPT, en twee derde de output niet controleert. Dit fenomeen, "shadow AI", is geen opstandigheid, maar een teken dat er geen heldere kaders zijn.
Het ontbreken van governance gaat verder dan beleid. Het raakt de vraag of de organisatie überhaupt weet wat het model doet, op basis van welke data het werkt, en wanneer de output niet klopt. Uit onderzoek blijkt dat 92 procent van de organisaties het erover eens is dat AI-agents strikte regels en vangrails nodig hebben, maar dat minder dan de helft die regels ook daadwerkelijk heeft vastgelegd. Dat gat tussen bewustzijn en uitvoering is precies waar het misgaat: een systeem in productie zonder monitoring, zonder fallback, en zonder iemand die weet wat "normaal" gedrag is.
Dit raakt ook AVG- en EU AI Act-verplichtingen. Van de Nederlandse organisaties noemt 57 procent mogelijke kwetsbaarheden op het gebied van gegevensbeveiliging en privacy als de grootste belemmering bij AI-toepassing. Wie die vragen niet beantwoordt vóór de livegang, beantwoordt ze achteraf, onder druk, in een incident.
Reden 3: Er is geen eigenaar voor de lange termijn
AI-systemen zijn geen statische software. Ze degraderen. De data verschuift, de wereld verandert, en een model dat vorig kwartaal goed presteerde, geeft vandaag suboptimale output, zonder dat er een foutmelding verschijnt. Iemand moet dat zien. Iemand moet besluiten wanneer het tijd is voor hertraining. Iemand moet uitleggen aan de rest van de organisatie wat er is veranderd en waarom.
In de meeste pilottrajecten is die eigenaar er niet. De leverancier bouwt, levert op, en vertrekt naar het volgende project. Het interne team dat de pilot begeleidde, gaat terug naar de dagelijkse operatie. Wat overblijft, is een systeem zonder bewaarder, en dat is precies de situatie die Vector Labs en andere implementatiepartners steevast aanwijzen als de meest voorkomende reden waarom AI in productie wordt stilgezet. Drie maanden later werkt het model nog, maar niemand weet meer waarom het de beslissingen neemt die het neemt.
Een terugkerend patroon bij mislukte AI-projecten is dat er vooraf geen duidelijke meetcriteria waren, en dat initiatieven binnen enkele maanden het sponsorship van de directie verliezen. Zonder aantoonbare waarde en zonder eigenaar is het stopzetten van een AI-oplossing altijd de makkelijkste beslissing.
Reden 4: Medewerkers zijn er nooit bij betrokken
Een systeem dat medewerkers niet begrijpen of niet vertrouwen, gebruiken ze niet. Dat klinkt als een open deur, maar in de praktijk wordt adoptie consistent onderschat en pas als laatste behandeld, als de techniek al klaar is. De resultaten zijn voorspelbaar. Onderzoek van &samhoud onder duizend hoogopgeleide Nederlandse professionals laat zien dat 45 procent nooit AI gebruikt op het werk, en slechts 16 procent dagelijks. In organisaties waar leiders het gebruik actief stimuleren, ligt adoptie 2,5 keer hoger dan in organisaties waar dat niet gebeurt.
De kloof zit niet alleen tussen medewerkers onderling, maar ook tussen lagen in de organisatie. 78 procent van de leidinggevenden in Nederland gebruikt AI, tegenover 47 procent van de medewerkers. Dat gat weerspiegelt iets structureels: de mensen die AI bouwen en bestellen, zijn zelden de mensen die het dagelijks moeten gebruiken. Microsoft's Work Trend Index 2025 rapporteerde dat slechts 24 procent van de Nederlandse werknemers zich comfortabel voelt bij het werken met AI-agents. Wie zich bedreigd voelt, gebruikt de tool niet, of saboteert de uitrol passief door oud gedrag te blijven vertonen.
Adoptie is geen communicatievraagstuk. Het is een ontwerpvraagstuk: de oplossing moet aansluiten op hoe mensen daadwerkelijk werken, niet op hoe het er in de pilot uitzag.
Hoe je het wél in productie krijgt
De organisaties die AI succesvol van pilot naar productie brengen, doen een aantal dingen consequent anders. Ze beginnen niet bij de technologie, maar bij een concreet, afgebakend bedrijfsprobleem: een proces met een meetbare uitkomst, bestaande data van voldoende kwaliteit, en een intern eigenaar die het systeem ook na oplevering beheert. Ze selecteren niet de meest indrukwekkende use case, maar de meest implementeerbare.
Ze ontwerpen voor productie vanaf dag één: integratie met bestaande systemen, AVG-compliance, monitoring en een fallback als het systeem afwijkend gedrag vertoont zijn geen nagedachten maar startpunten. Ze definiëren wat succes betekent vóór de eerste regel code wordt geschreven, niet in termen van modelnauwkeurigheid, maar in termen van bedrijfsimpact. En ze betrekken de mensen die de oplossing dagelijks gaan gebruiken al vroeg in het proces, zodat de tool aansluit op echte werkprocessen en niet op een geïdealiseerde versie ervan.
Projecten die vooraf duidelijke, meetbare criteria vastleggen, maken aantoonbaar meer kans van slagen dan projecten die dat niet doen. Het verschil zit niet in het model, maar in de voorbereiding.
Van pilot naar productie: de aanpak van NewWorks
Bij NewWorks beginnen we elk traject met een validatiefase: welk probleem lossen we op, welke data is beschikbaar, wie is intern eigenaar, en hoe meten we succes? Pas als die vragen helder zijn, starten we de bouw. We werken één use case tegelijk, code-first, EU-gehost, en we bouwen niets wat we niet zelf willen gebruiken. De AI Build Sprint levert in vier tot acht weken één werkende oplossing op, geïntegreerd in de bestaande systemen, met een eigenaar die weet hoe het werkt en wat hij of zij ermee moet als wij weg zijn. Geen demo die wacht op goedkeuring. Gewoon: iets wat werkt.
Benieuwd hoe dit voor jou werkt?
Plan een kennismaking
