De echte reden waarom je AI-pilots steeds mislukken en hoe je ze weer op koers krijgt
De meeste AI-projecten mislukken niet door slechte technologie. Ze mislukken doordat goede technologie in aanraking komt met onvoorbereide mensen.
Vorig jaar haalde onderzoek van MIT wereldwijd de krantenkoppen toen bleek dat 95% van de pilots met generatieve AI geen meetbare ROI opleveren. Het faalpercentage heeft niets te maken met de mogelijkheden van het model. Organisaties implementeren AI-tools in hoog tempo zonder governancestructuur, zonder verantwoordelijkheid voor training en zonder een duidelijk doel dat aan teams wordt gecommuniceerd. Binnen enkele weken vallen systemen uit omdat de mensen er niet klaar voor waren.
Mensen gebruiken tools niet consistent, waardoor de resultaten enorm uiteenlopen. De kwaliteit keldert. Werknemers worden afhankelijk van systemen die ze niet begrijpen, waardoor hun kernvaardigheden achteruitgaan. Onder druk om resultaten te leveren laten ze officiële tools volledig links liggen en stappen ze over op persoonlijke AI die gemakkelijker aanvoelt.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
We kennen dit inmiddels als schaduw-AI.
De kosten bestaan niet alleen uit verspilde ontwikkelingstijd. Het gaat ook om productiviteitsverlies, verminderde kwaliteit van de output, risico's op het gebied van compliance en strategische misleiding.
Waarom AI-pilots mislukken
Leiders zien de adoptie van AI als een technologische implementatie, terwijl het in werkelijkheid om een organisatorische transformatie gaat.
Een implementatie is een technologische uitdaging. Je verzamelt de juiste gegevens voor de tool die je kiest, regelt licenties en toegang en zet de schakelaar om.
Transformatie is een menselijke uitdaging. Het raakt gedrag, werkprocessen, manieren van werken, persoonlijke identiteiten en vaardigheden. Het echte werk vindt plaats in de manier waarop mensen denken, beslissingen nemen en samenwerken, niet in de tool zelf.
Ik denk niet dat het verstandig is om generatieve AI te behandelen als een technologische implementatie. Het is veel meer een oefening in verandermanagement, omdat mensen anders moeten gaan nadenken over de manier waarop ze werken en hun gedrag moeten veranderen. Uiteindelijk wil je dat gedrag uitgroeit tot gewoonten.
Als je het transformatiewerk overslaat, krijg je chaos die zich voordoet als innovatie.
De druk om snel te handelen is reëel. Iedereen gaat ervan uit dat concurrenten een voorsprong nemen, dus slaan ze het moeilijke werk van systeemontwerp en het herontwerpen van werkprocessen over. Sommige organisaties kiezen van bovenaf voor een nonchalante aanpak, gedreven door de wens om kosten te verlagen, efficiëntie te verhogen of als vooruitstrevend te worden gezien.
Het resultaat? 42% van de bedrijven heeft hun AI-initiatieven in 2025 stopgezet, een sterke stijging ten opzichte van slechts 17% het jaar ervoor.
De drie vaardigheidstekorten die de AI-ROI om zeep helpen
Het vaardigheidstekort is niet één probleem. Het gaat om drie afzonderlijke tekortkomingen in capaciteiten die zich opstapelen en leiden tot organisatorisch falen.
1. Technisch inzicht voor implementatiebeslissingen
Je team moet begrijpen wanneer het de tool wel en niet moet gebruiken. Dat is iets anders dan weten hoe je de tool gebruikt.
Te vaak ontbreekt het mensen aan het beoordelingsvermogen om te bepalen of AI-output goed genoeg is, geschikt is voor de context of überhaupt antwoord geeft op de juiste vraag. Ze kunnen geen onderscheid maken tussen "de tool heeft iets gegenereerd" en "de tool heeft iets nuttigs gegenereerd".
Dit heeft niets te maken met SQL-vaardigheden of versiebeheer. Het gaat om het ontwikkelen van het onderscheidingsvermogen om in echte werkomgevingen verstandige beslissingen over AI-implementatie te nemen.
Taylor Blake, SVP van AI Labs bij Degreed, wijst op een fundamentele kloof.
"Het verschil tussen een AI-demo en AI in de praktijk kan enorm zijn. En je weet het pas echt wanneer je er zelf mee aan de slag gaat en die problemen moet zien en ervaren", zei hij.
2. Kwaliteitsnormen en evaluatiekaders
De meeste organisaties laten mensen zien hoe de tool werkt. Daarmee komen ze slechts aan de oppervlakte.
Wat ontbreekt, is het vermogen om outputs te beoordelen aan de hand van betekenisvolle normen. Zonder duidelijke kwaliteitskaders vallen mensen terug op: "de tool heeft iets opgeleverd, dus ik gebruik het".
De ROI-kloof is belangrijk omdat je werkelijke rendement voortkomt uit het beter laten presteren van mensen in hun werk met de hoogste waarde, niet uit het genereren van meer output. In een wereld waarin iedereen toegang heeft tot dezelfde tools, onderscheidt het creëren van een omgeving waarin mensen AI strategisch toepassen je bedrijfsresultaten.
3. Creatieve toepassing en probleemoplossing
De meeste trainingen schieten hier volledig tekort. Ze leren functies aan in plaats van creatieve probleemoplossing te stimuleren.
Misschien heeft iemand er geen moeite mee om marketingteksten te genereren zodra diegene creatieve richting heeft. Maar wanneer het aankomt op het analyseren van opties en het bepalen van een richting, loopt die persoon vast. Dat is hun grootste kans, de plek waar AI hun manier van werken zou kunnen veranderen.
Door verschillende functies te laten zien om creatieve toepassing te stimuleren, help je medewerkers hun meest tijdrovende uitdagingen aan te pakken. Daar vindt de transformatie daadwerkelijk plaats.
De identiteitscrisis die je negeert
Persoonlijke identiteit komt in de meeste plannen voor de uitrol van AI niet aan bod. Dat zou wel moeten.
Wanneer AI delen van iemands rol begint over te nemen, veroorzaakt dat diepe onzekerheid en angst. Mensen zijn bang voor wat er gebeurt als ze zich niet aanpassen aan veranderingen in het personeelsbestand. Die angst uit zich op twee destructieve manieren.
1.) Ze verzetten zich tegen de AI-inspanningen van het bedrijf of saboteren deze. Niet openlijk, maar door passieve niet-adoptie, omwegen en het stilletjes ondermijnen van officiële systemen.
2.) Ze wenden zich tot tools die gemakkelijker te gebruiken aanvoelen, ongeacht of die tools daadwerkelijk in de bedrijfsbehoefte voorzien. Dit creëert het probleem van schaduw-AI: 90% van de werknemers gebruikt dagelijks persoonlijke AI-tools zoals ChatGPT voor werktaken, terwijl slechts 40% van de bedrijven officiële LLM-abonnementen heeft.
De gegevens over angst onder medewerkers zijn verbijsterend. 65% van de medewerkers is bang dat AI hun baan zal vervangen. Ongeveer twee derde maakt zich zorgen dat ze niet weten hoe ze AI ethisch moeten gebruiken. Deze angst ondermijnt adoptie rechtstreeks, waarbij tot 70% van de AI-gerelateerde veranderinitiatieven mislukt door weerstand van medewerkers of onvoldoende steun van het management.
Justin Angsuwat, Hoofd Personeelszaken bij Culture Amp, heeft iets contra-intuïtiefs waargenomen tijdens de uitrol van een AI-coach binnen zijn organisatie.
Soms nemen we aan dat de senioren of mensen die goed presteren de eersten zouden zijn die ermee aan de slag gaan en AI min of meer onder de knie krijgen. Maar die aanname blijkt niet altijd uit te komen, omdat het afleren van de manier waarop je dingen hebt gedaan eigenlijk best moeilijk is. Als je twintig jaar lang hetzelfde hebt gedaan, maakt de manier waarop je tot dat antwoord komt deel uit van je identiteit.
De paradox is genadeloos: mensen zijn tegelijkertijd bang om achterop te raken en ondermijnen actief de systemen die zijn ontworpen om hen te helpen slagen.
Het menselijke werk eerst doen
Voor een COO of CHRO die op het punt staat AI-tools uit te rollen, begint de interventie met communicatie en het opbouwen van vertrouwen.
Medewerkers moeten begrijpen waarom je het op deze manier doet, wat het hun oplevert en hoe dit hun toekomst vormgeeft—zowel binnen het bedrijf als professioneel.
Misschien zullen ze nog steeds niet volledig meegaan. Maar transparantie legt de basis voor oprechte adoptie.
Het team van Angsuwat richtte zich eerst op het opbouwen van vertrouwen, voordat het zich zorgen maakte over een perfecte implementatie.
"Ons doel was om het vertrouwen van medewerkers in het gebruik van AI te vergroten, omdat het best moeilijk is om een aha-moment te meten," legt hij uit. "Het ging bewust om leren, dingen uitproberen, gewoon echt een poging wagen. Het ging niet om het opleveren van een gepolijst resultaat, en dat haalde de druk er behoorlijk vanaf."
De belangrijke herformulering is mensen te helpen AI te zien als een kans om nieuwe vaardigheden te ontwikkelen en opnieuw na te denken over hun kernbijdrage. Niet als een bedreiging voor hun huidige rol, maar als een kans om zich te ontwikkelen tot iets waardevollers.
Maar training alleen is niet genoeg. Angsuwat ontdekte dit op de harde manier.
"Wat interessant was: zelfs toen we dit programma van zes weken doorliepen, deden sommige mensen mee en voerden ze de kleine opdrachten uit. Ze maakten dan bijvoorbeeld hun eigen computerspel, maar vervolgens gingen ze weer aan de slag met hun normale dagelijkse werkproces. En toen voelden ze zich opnieuw geïntimideerd."
Dit vereist dat leiders vooraf, vóór de implementatie, het moeilijke werk doen en niet pas nadat er problemen zijn ontstaan.
Cathey benadrukt dat er ruimte moet worden gecreëerd om te experimenteren.
"Ik vind het echt belangrijk dat bedrijven erkennen dat mensen, wanneer er verandering bij komt kijken, zullen moeten vertragen om sneller vooruit te komen. Niemand gaat in één dag van beginner naar expert. Daar is een proces voor nodig en je moet je mensen de ruimte en tijd geven om veilig te experimenteren."
De blinde vlek op het gebied van governance
Wanneer leiders hulpmiddelen beschikbaar stellen zonder duidelijk eigenaarschap, verantwoordelijkheidsstructuren of inzicht in gebruikspatronen, creëer je een vrije anarchie.
De meeste bedrijven houden niet bij welk werk mensen daadwerkelijk met de technologie doen of hoe ze die gebruiken. Dat is een recept voor een governancecrisis.
Zonder een raamwerk voor AI-governance lopen organisaties reputatieschade op door inconsistente of problematische resultaten, verlies van klantvertrouwen wanneer de kwaliteit afneemt, financiële verliezen door verspilde investeringen en herstelwerkzaamheden, en regelgevende boetes door tekortkomingen op het gebied van compliance.
Het operationele gevaar is direct. Zonder duidelijke governancestructuren kun je niemand verantwoordelijk stellen wanneer AI-systemen falen of tot negatieve gevolgen leiden. Het vastleggen van verantwoordelijkheid is essentieel om problemen aan te pakken en systemen in de loop der tijd te verbeteren.
De vaardigheidskloof gaat verder dan individuele capaciteiten. De kern ervan is de behoefte om organisatiesystemen op te bouwen die inzicht, verantwoordelijkheid en voortdurende verbetering creëren.
De vraag van $5.5 biljoen
Meer dan 90% van de wereldwijde ondernemingen krijgt tegen 2026 te maken met kritieke vaardigheidstekorten. De verwachte verliezen als gevolg van aanhoudende vaardigheidskloof: $5.5 biljoen aan wereldwijde marktprestaties.
Dat klinkt misschien theoretisch of sensationeel, maar volgens het World Economic Forum heeft 94% van de leiders momenteel te maken met tekorten aan AI-kritieke vaardigheden. Eén op de drie meldt tekorten van 40% of meer.
De concurrentiedruk is reëel, maar de haast om systemen in te zetten zonder capaciteiten op te bouwen, creëert een groter probleem. Organisaties die externe partnerschappen aangaan, behalen een implementatiesuccespercentage van 67%, tegenover 33% voor interne ontwikkelingen. De mentaliteit van "we bouwen het zelf" die werkte voor traditionele software, saboteert AI-succes actief.
Ondertussen meldt 75% van de organisaties dat ze het verzadigingspunt van verandering naderen, hebben bereikt of gepasseerd zijn. De gemiddelde werknemer heeft de afgelopen jaren 10 geplande veranderingen binnen de onderneming meegemaakt, tegenover slechts twee in 2016. Meer dan de helft van de IT-professionals zegt de uitrol van AI de afgelopen 24 maanden te hebben versneld.
De menselijke kosten van te snel bewegen versterken de technische tekortkomingen.
4 stappen om te voorkomen dat je proefprojecten mislukken
Als je een COO of CHRO bent die op het punt staat AI te implementeren, moet het volgende gebeuren voordat je de schakelaar omzet. Het is ook de moeite waard om te overwegen hoe je AI kunt integreren in je veranderingsmanagementproces.
1. Definieer de transformatie, niet alleen de implementatie
Breng in kaart welke werkprocessen daadwerkelijk zullen veranderen. Bepaal wiens rollen worden beïnvloed en hoe. Definieer hoe succes eruitziet naast alleen "het hulpmiddel is geïmplementeerd" en leg duidelijk eigenaarschap vast voor training, governance en voortdurende ondersteuning.
2. Bouw de communicatie-infrastructuur
Leg uit waarom je voor deze specifieke aanpak kiest. Leg uit wat werknemers er professioneel aan hebben en bespreek zorgen over identiteit en angst rechtstreeks. Creëer feedbacklussen om problemen vroegtijdig aan het licht te brengen.
3. De eerste 30 dagen: creëer systemen voor capaciteitsopbouw
Ga verder dan training in "zo werkt het" naar "zo denk je ermee". Help mensen hun problemen met de hoogste waarde voor oplossing te identificeren en stel kwaliteitsnormen en evaluatiekaders vast. Laat creatieve toepassingen zien die strategisch gebruik stimuleren.
Geef mensen aanvankelijk toestemming om te vertragen. Erken dat gedragsverandering tijd kost en dat mensen ruimte nodig hebben om zonder angst voor productiviteitsstraffen te experimenteren.
4. Doorlopend: zorg voor governance en inzicht
Houd daadwerkelijke gebruikspatronen en resultaten bij. Creëer verantwoordelijkheidsstructuren voor kwaliteit en compliance en voor het monitoren van AI-afwijkingen. Bouw feedbackmechanismen om het systeem te verbeteren. Pak schaduw-AI aan voordat dit een crisis wordt.
Kritieke realiteitscontrole: slechts 15% van de werknemers in de VS meldt dat hun werkplek een duidelijke AI-strategie heeft gecommuniceerd. Als je team niet kan uitleggen waarom je dit doet en hoe het hun ten goede komt, loop je al achter.
De brug die je moet bouwen
Adopties mislukken omdat organisaties sneller tools inzetten dan ze de menselijke infrastructuur opbouwen om deze effectief te beheren, te implementeren en te benutten.
De kloof in vaardigheden is duidelijk zichtbaar en de kosten zijn meetbaar, terwijl de concurrentiedruk blijft toenemen. Maar de oplossing is niet om de AI-adoptie te vertragen. Het gaat erom de ontwikkeling van menselijke capaciteiten parallel op te bouwen. Dat betekent dat je dit behandelt als de organisatorische transformatie die het daadwerkelijk is, en niet als een technologieproject met een geplande livegang.
Doe je het goed, dan maak je van AI een duurzaam concurrentievoordeel. Sla je het menselijke werk over, dan sluit je je aan bij de 95% waarvan de pilots nooit ROI opleveren, vaak omdat organisaties vanaf het begin AI-ROI verkeerd meten.
Leiders doen alsof ze moeten kiezen tussen snelheid en paraatheid. In werkelijkheid kiezen ze tussen duurzame transformatie en een kostbare mislukking.
