Door Laas NuryDe cijfers over AI-pilots stemmen niet vrolijk. Gartner voorspelde in 2024 dat minstens 30% van de generatieve-AI-projecten eind 2025 na de proof of concept zou zijn gestopt, door slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten of onduidelijke waarde. Het veelbesproken MIT-onderzoek uit 2025 ging nog verder: maar zo'n 5% van de AI-toepassingen die bedrijven zelf lieten maken, haalde de productie. Belangrijke oorzaken waren kwetsbare werkprocessen en een slechte aansluiting op het dagelijkse werk. Over het precieze percentage wordt gediscussieerd. Over het patroon niet.
Het goede nieuws: de oorzaken zijn voorspelbaar, en bijna geen enkele heeft met de AI zelf te maken. Hieronder lees je waarom pilots blijven hangen, hoe je er een opzet die bedoeld is om live te gaan, en een go/no-go-checklist voor de stap van demo naar dagelijks gebruik.
Waarom pilots blijven hangen
1. De pilot was een demo, geen eerste versie
Hij draaide op een schone steekproef, buiten de echte systemen, terwijl iemand de uitkomsten met de hand in het ERP overnam. Het zag er goed uit. Maar niets ervan kan in productie: de koppelingen, de afhandeling van uitzonderingen en de logging moeten nog worden gebouwd, en dat is het grootste deel van het werk.
2. Niemand is eigenaar van het proces
De pilot werd gedraaid door IT of een innovatieteam. De mensen die het proces dagelijks draaien, keken van een afstand toe. Als de pilot afloopt, is niemand aan de businesskant verantwoordelijk om er vast werk van te maken. Dus stopt het, stilletjes.
3. Succes is nooit gedefinieerd
"Eens kijken wat AI kan" is geen doel. Zonder afgesproken maatstaf (nauwkeurigheid op echte gevallen, bespaarde tijd, voorkomen fouten) wordt het einde van een pilot een discussie over indrukken. En een discussie over indrukken eindigt zelden in een budget.
4. De uitzonderingen kwamen later wel
De pilot handelde de 80% eenvoudige gevallen af. De 20% lastige (de onleesbare scan, de klant met een afwijkende prijs, de order die over twee leveringen gaat) bleven liggen. In productie zijn die uitzonderingen juist het werk. Is daar geen route voor, dan verliezen de mensen die het werk doen hun vertrouwen in het systeem.
5. De lopende kosten komen pas aan het eind
Tijdens de pilot keek niemand naar wat het kost om het op volle schaal te draaien, te hosten waar de data moet blijven en te onderhouden. Als die cijfers op tafel komen, klopt de businesscase niet meer.
Zet de pilot op als versie één
Een pilot die bedoeld is om live te gaan, ziet er vanaf het begin anders uit:
- Hij draait in het echte proces, op echte binnenkomende gevallen, naast de mensen die het werk nu doen. Eerst op de achtergrond, waarbij zijn antwoorden met die van hen worden vergeleken.
- Hij is gekoppeld aan de echte systemen, al is het in het begin alleen lezend. De koppeling van de pilot is de koppeling van productie.
- Er is een eigenaar aan de businesskant: degene die verantwoordelijk is voor het proces en beslist over regels, uitzonderingen en wanneer het goed genoeg is.
- Er is vanaf dag één een route voor uitzonderingen: elk geval dat de AI niet aankan, gaat met de reden erbij naar een vaste persoon.
- Alles wordt vastgelegd, zodat je aan het eind kunt laten zien wat hij deed, niet alleen wat mensen zich herinneren.
- Er is vooraf een schatting van de lopende kosten bij het verwachte volume.
Dat kost vooraf iets meer. Het scheelt de herbouw die de meeste pilots achteraf nodig hebben, precies de stap waarop de meeste sneuvelen.
Wat een pilot moet bewijzen
Spreek dit vooraf af, en meet het op dezelfde manier als het huidige proces:
| Vraag | Hoe je het meet |
|---|---|
| Heeft hij het goed? | Nauwkeurigheid op echte gevallen, vergeleken met wat een mens besliste |
| Bespaart het tijd? | Tijd per geval, inclusief de tijd om het werk van de AI te controleren |
| Wat kosten de fouten? | Het soort fouten en de gevolgen, niet alleen het aantal |
| Zijn de uitzonderingen te behappen? | Aandeel gevallen dat naar een mens gaat, en hoe lang die blijven liggen |
| Gaan mensen het gebruiken? | Of het team er aan het eind op vertrouwt, of eromheen werkt |
| Wat kost het om te draaien? | Kosten per geval bij vol volume, inclusief hosting en support |
De go/no-go-checklist
Ga aan het eind van de pilot live als je op al deze punten ja kunt zeggen:
- De nauwkeurigheid op echte gevallen haalt het niveau dat vooraf is afgesproken.
- Elke uitzondering heeft een route naar een mens, en de wachtrij is te behappen.
- De koppelingen met de systemen zijn de koppelingen die productie gaat gebruiken.
- Er is een volledig logboek van wat de AI las, besliste en wijzigde.
- Alles wat niet terug te draaien is, vraagt om goedkeuring door een mens.
- Er is een noodknop en een weg terug.
- De eigenaar aan de businesskant tekent, niet alleen IT.
- De lopende kosten bij vol volume passen in de businesscase.
- De mensen die ermee werken, weten hoe het werkt en waar het misgaat.
- Het staat in het AI-register, met niveau en eigenaar.
Is een van deze punten een nee? Dan is het antwoord meestal niet "stoppen", maar "nog twee weken, op dit ene punt".
Stap voor stap live
Productie hoeft niet te betekenen dat alles op dag één zelfstandig draait. De veiligste route:
- Achtergrond: de AI draait een paar weken mee naast het team, zonder zelf te handelen.
- Voorbereiden: de AI zet het werk klaar in het systeem; een mens keurt elk geval goed.
- Handelen binnen grenzen: de AI handelt zelf onder afgesproken grenzen en stuurt de rest naar een mens.
Elke stap is een besluit op basis van de cijfers uit de vorige. In AI-agents voor bedrijven beschrijven we deze ladder uitgebreider.
Kort gezegd
Pilots blijven hangen omdat ze gebouwd zijn om te imponeren, niet om te draaien. Bouw de eerste versie in het echte proces, met de echte systemen, een eigenaar aan de businesskant, een route voor uitzonderingen en een afgesproken maatstaf voor succes. Dan wordt de stap naar productie een formaliteit in plaats van een tweede project. Zo werken wij ook: we blijven tot wat we bouwen in het dagelijkse werk draait, niet tot de demo klaar is.
