Een veldrapport van Project NANDA bij MIT meldde in 2025 dat 95 procent van de onderzochte organisaties geen snel meetbaar effect van GenAI op de winst-en-verliesrekening zag. Dat cijfer is richtinggevend, maar geen universele faalkans voor ieder AI-project. Het rapport is gebaseerd op interviews, een enquête en een analyse van publieke implementaties, niet op een gerandomiseerde of peer-reviewed effectstudie.
Dat cijfer wordt inmiddels overal geciteerd, meestal als knuppel: door sceptici om te bewijzen dat AI hype is, door verkopers om te bewijzen dat je hun begeleiding nodig hebt. Interessanter is wat er achter het cijfer zit, want daar staan bruikbare aanwijzingen voor een beter projectontwerp.
Wat zegt het rapport precies?
Drie dingen. Eén: binnen de onderzochte groep bereikten maar weinig geïntegreerde GenAI-initiatieven snel aantoonbaar P&L-effect. Twee: het rapport legt de nadruk op datakwaliteit, workflow-integratie en systemen die onvoldoende van feedback leren. Drie: in de onderzochte implementaties presteerden externe partnerships beter dan interne builds. De vaak geciteerde verhouding van ongeveer 67 tegenover 33 procent komt uit die rapportage en moet dus als een waargenomen patroon worden gelezen, niet als gegarandeerde slagingskans.
Let op wat het rapport niet bewijst. Het bewijst niet dat 95 procent van alle AI-pilots overal mislukt, en ook niet dat externe begeleiding op zichzelf succes veroorzaakt. Het signaal is smaller en bruikbaarder: een demo wordt pas bedrijfswaarde als data, workflow, eigenaarschap en meetlat aansluiten.
Waarom mislukken die pilots dan?
De drie terugkerende oorzaken uit het rapport, vertaald naar herkenbare praktijk.
Datakwaliteit. De pilot moet offertes opstellen op basis van klantdata, maar de klantdata staat in drie systemen die elkaar tegenspreken. De agent produceert dan keurig vormgegeven onzin, het vertrouwen is na twee weken weg en de pilot sterft stilletjes. Data opruimen is onaantrekkelijk voorwerk, en het wordt overgeslagen omdat de demo ook zonder werkte. De demo draaide alleen op schone voorbeelddata.
Workflow-integratie. De tool bestaat, maar niemand hoeft hem te gebruiken. Hij staat in een apart tabblad, het oude proces blijft gewoon bestaan, en na de kick-off zakt het gebruik naar nul. Een pilot zonder afgesproken plek in het proces is geen pilot maar een abonnement.
Tools die niet leren. De gebruiker corrigeert dezelfde fout voor de twintigste keer en de tool doet er niets mee. Op dat moment is de tool geen collega maar een stagiair die nooit iets onthoudt, en mensen stoppen terecht met investeren in de samenwerking.
Waarom is dit juist voor het mkb goed nieuws?
Omdat veel faaloorzaken organisatorisch zijn, en kleine organisaties daar in het voordeel kunnen zijn. Een grootbedrijf heeft vaak veel systemen en besluitlagen. Een mkb-bedrijf kan sneller één eigenaar aanwijzen en één proces afbakenen. Dat maakt klein beginnen en meetbaar werken eenvoudiger, al garandeert het niets.
De cijfers van het CBS laten zien hoeveel ruimte daar nog zit: in 2025 gebruikte 29,8 procent van het mkb met 10 tot 249 werkzame personen AI-technologie, tegenover 66,2 procent van het grootbedrijf. Het mkb dat nu instapt, kan de lessen van eerdere implementaties meenemen.
Hoe vergroot je de kans op aantoonbaar resultaat?
Vier regels, rechtstreeks afgeleid uit de faaloorzaken:
- Kies één proces, geen visie. Niet “AI in de organisatie brengen” maar “de inkoopfacturen”. Hoe je dat proces kiest, staat in ons stuk over welk proces je als eerste aan een agent geeft.
- Meet in euro’s of uren, vanaf dag één. Spreek vooraf af wat succes is: zoveel uur minder verwerkingstijd, zoveel minder fouten. Als het resultaat niet op een P&L of in een urenstaat kan landen, is het geen resultaat.
- Ruim eerst de data op. Saai, maar vaak bepalend. Budgetteer het voorwerk expliciet.
- Haal relevante ervaring erbij als je dit niet eerder hebt gedaan. Dat hoeft geen groot consultancytraject te zijn; het gaat erom dat iemand aan tafel zit die de technische en organisatorische valkuilen herkent.
En als de pilot alsnog mislukt?
Dan wil je dat hij klein genoeg was om ervan te leren in plaats van eraan te bezwijken. Een goed ontworpen pilot die mislukt, vertelt je precies waar je proces of je data niet op orde is. Dat is vervelende maar bruikbare informatie, en aanzienlijk goedkoper dan dezelfde les op productieschaal.
Dit is ook de bril waarmee Renforza naar agents kijkt: als plaatsing met een meetlat, niet als experiment met een druppelaar. In een intake bepalen we samen het ene proces, de meetbare uitkomst en het punt waarop we zouden stoppen. Zo begint elke agent bij ons met de vraag die veel pilots overslaan: waaraan zien we over acht weken dat dit werkt?
Bronnen en afbakening
- The GenAI Divide: State of AI in Business 2025, veldrapport van Project NANDA bij MIT
- CBS: gebruik van AI-technologie naar bedrijfsgrootte in 2025, gepubliceerd 16 maart 2026
De 95 procent is een uitkomst uit de dataset en definitie van het NANDA-rapport. Gebruik het niet als universele kansrekening voor ieder type AI-project.
