Dit is geen incident, maar de norm. Uit het MIT-onderzoek The GenAI Divide: State of AI in Business 2025 blijkt dat maar liefst 95% van de generatieve AI-pilots geen meetbaar rendement oplevert. Dit percentage wordt weliswaar breed aangehaald in de markt, maar de cruciale vraag waarom deze projecten massaal stranden blijft vaak onbeantwoord. De ongemakkelijke waarheid is dat de oorzaak vrijwel nooit bij de technologie zelf ligt, maar bij de organisatie erachter. Je komt er als organisatie vrij snel achter dat AI geen pleister is waarmee je organisatorische gebreken kunt afplakken en verbergen. Veel eerder het tegenovergestelde; het is een vergrootglas.
De grootste fout die veel organisaties vandaag de dag maken, is ervan uitgaan dat AI gebrekkige processen kan repareren. AI verbetert processen niet uit zichzelf, het automatiseert ze slechts – in een ongekend tempo, dat wel. Wanneer een chaotisch, ongestructureerd proces wordt gekoppeld aan AI, is het directe resultaat een chaotisch geautomatiseerd proces. Het wordt sneller, schaalbaarder en (door de complexiteit van de technologie) vele malen moeilijker om weer terug te draaien. Maar om processen te verbeteren, is meer nodig.
Wie een slecht functionerende klantenservice automatiseert, lost de ontevredenheid van de klant niet op. De automatisering zorgt er slechts voor dat meer klanten sneller een kwalitatief slecht antwoord krijgen. De technologie doet precies wat er wordt gevraagd, maar de invoer bepaalt de uitvoer. Juist omdat AI zo krachtig en effectief werkt, verankert het bestaande fouten en maakt ze een vast onderdeel van de bedrijfsvoering.
Hoe dit mechanisme in de praktijk werkt, zag ik onlangs bij een organisatie die een interne kennisbank wilde ontsluiten met een AI-chatbot. Technisch gezien was dit een eenvoudig project; de chatbot was dan ook binnen enkele weken operationeel. De échte uitdaging begon echter pas toen de tool daadwerkelijk antwoorden moest gaan genereren. De kennisbank bleek bij nadere inspectie verre van optimaal te zijn opgezet. Artikelen spraken elkaar tegen, verouderde documentatie stond kriskras door nieuwe richtlijnen en cruciale bedrijfskennis bleek niet in de kennisbank, maar alleen in de hoofden van een aantal ervaren specialisten te zitten. AI is tot veel in staat, maar het kan geen logica scheppen in een onlogische datastructuur.
De directie besloot daarop het project rigoureus om te gooien. De chatbot werd zes maanden lang uitsluitend intern ingezet door het supportteam. Wat volgde was maandenlang intensief monnikenwerk zonder flitsende demo's om het beheren van kennis binnen de organisatie te verbeteren:
Pas nadat deze fundering volledig was hersteld, steeg het succespercentage van de chatbot naar 98% correcte antwoorden – een score die het gemiddelde niveau van een individuele medewerker oversteeg. Pas op dat moment was het vertrouwen groot genoeg om de technologie ook extern, voor klanten, beschikbaar te stellen. Het vertrouwen bleek terecht, want de uiteindelijke resultaten waren uitstekend en de AI wekte regelmatig verbazing door de accuratesse van de antwoorden. Maar dat succes was uitsluitend te danken aan het feit dat het onzichtbare voorwerk (met terugwerkende kracht in dit geval) correct was uitgevoerd.
De noodzaak van een solide fundering geldt voor elke markt, maar de risico's worden exponentieel groter in sectoren waar nauwkeurigheid, traceerbaarheid en betrouwbaarheid de kernwaarden zijn. Denk hierbij aan de gezondheidszorg, de financiële dienstverlening, publishing en compliance-gestuurde omgevingen. In deze segmenten kan foutieve output tot directe juridische of financiële schade leiden, en bovendien je goede reputatie aantasten.
Als je AI toepast op processen met onduidelijk ownership, inconsistente data of halfslachtige documentatie, ontstaat er een specifiek gevaar: de tool genereert output die er uiterst professioneel, grammaticaal correct en overtuigend uitziet, maar inhoudelijk feitelijk onjuist is. Dit gevaar is vele malen riskanter dan het gebruik van een systeem dat overduidelijk slechte resultaten levert. Omdat de presentatie vlekkeloos is, neemt de behoefte (of de drang) om informatie te controleren snel af, waardoor fouten onopgemerkt blijven en in je workflow belanden.
Om ervoor te zorgen dat AI daadwerkelijk waarde toevoegt en niet resulteert in een mislukte pilot, moeten organisaties terug naar de basis. Succesvolle projecten lopen vrijwel nooit stuk op de technologische implementatie zelf, maar op het feit dat cruciale stappen voorafgaand aan die implementatie zijn overgeslagen.
Een effectieve transformatie volgt altijd deze vaste volgorde:
Hoewel AI in het bovenstaande stappenplan pas in stap 4 lijkt te worden ingezet, is het goed om je te realiseren dat AI je bij alle vier de stappen heel goed van pas kan komen.
AI zal organisaties niet automatisch verlossen van hun interne inefficiënties. Het is geen shortcut naar een gestroomlijnde bedrijfsvoering, maar een spiegel die de werkelijke staat van je processen en data zonder pardon blootlegt.
Hoewel dat een strenge conclusie lijkt, bevat het juist een positieve boodschap voor de business. Het betekent namelijk dat het overgrote deel van het werk dat nodig is om AI te laten slagen, in essentie niets met de technologie zelf te maken heeft. Het is het fundamentele organisatiewerk dat vaak al langer op de plank lag. AI dwingt organisaties simpelweg om de confrontatie aan te gaan met het achterstallige onderhoud van hun processen. De effectieve route naar innovatie kent daarom geen technologische shortcuts: begin met opruimen en automatiseer vervolgens uitsluitend datgene wat aantoonbaar werkt. Dán pas creëer je de rust en het benodigde solide fundament om met AI échte, duurzame impact te maken.