Waarom AI-proefprojecten blijven hangen, en hoe je er wel een werkend proces van maakt

Het begint bijna altijd hetzelfde. Iemand in het bedrijf probeert ChatGPT of Copilot, ziet wat het kan en stelt voor om een proef te doen. Er komt een demo. Die werkt. Iedereen is enthousiast. Een paar maanden later werkt het team weer zoals altijd, en de pilot staat ergens op een server die niemand meer opent.

Dat gebeurt vaak. Gelukkig is goed te zien waarom, en wat je anders kunt doen.

Wat het onderzoek zegt

In juli 2025 publiceerde het NANDA-project van MIT het rapport The GenAI Divide. De onderzoekers spraken met 52 organisaties, ondervroegen 153 leidinggevenden en bekeken meer dan 300 openbare AI-trajecten. Hun hoofdconclusie werd wereldwijd gedeeld: 95 procent van de organisaties zag geen meetbaar effect van generatieve AI op de resultaten.

Dat getal verdient een kanttekening. Het rapport mat effect op de winst-en-verliesrekening, ongeveer zes maanden na een pilot, en de steekproef was niet willekeurig. Losse productiviteitswinst bij medewerkers die zelf ChatGPT gebruikten, was er wel degelijk. Maar het patroon is duidelijk. Van alle onderzochte organisaties bekeek 60 procent maatwerk- of specialistische AI-tools, kwam 20 procent tot een pilot en haalde maar 5 procent gebruik in productie.

Het interessantste deel van het rapport is de oorzaak, en die is hoopgevend. Volgens de onderzoekers lag het niet aan de kwaliteit van de modellen en ook niet aan regelgeving. Het lag aan de aanpak. Tools sloten niet aan op hoe het werk echt ging, leerden niet van eerdere gevallen en stonden los van de dagelijkse systemen.

Waarom een proefproject iets anders is dan dagelijks gebruik

Een pilot is ontworpen om te slagen. Je kiest een paar enthousiaste collega's, schone voorbeelddata en een aparte omgeving waar niets mis kan gaan. Dat is logisch, want je wilt weten of het idee werkt.

Productie is een andere wereld. Neem de klantenservice van een webwinkel. In de pilot beantwoordt de AI twintig nette voorbeeldvragen. In de praktijk komen er honderden mails per dag binnen, met bijlagen, half doorgestuurde gesprekken, klanten die drie vragen in één mail stellen en uitzonderingen die alleen die ene ervaren collega kent. Het antwoord moet ook nog in het klantsysteem terechtkomen, niet in een apart venster.

Precies daar lopen de meeste trajecten vast. Niet op de vraag of AI een goede mail kan schrijven, want dat kan het. Wel op de vraag of het past in het werk zoals het echt gebeurt.

Werkt dat, dan heb je iets wat geen pilot kan leveren: een proces dat elke dag draait.

Drie vragen om vooraf te beantwoorden

Wie een pilot wel naar productie wil brengen, kan het beste vooraf drie vragen beantwoorden.

Werkt het in de systemen die we al hebben?

Een AI-oplossing die naast je bestaande software draait, vraagt van medewerkers dat ze kopiëren, plakken en schakelen. Dat houden mensen een paar weken vol. Daarna haken ze af. De oplossing moet dus gekoppeld zijn aan de mailbox, het ordersysteem of de boekhouding die je al gebruikt. Pas dan wordt het een deel van het werk in plaats van een extra taak.

Hier zit ook het verschil tussen een chatbot en een agent. Een chatbot schrijft tekst. Een agent kan via koppelingen, tools genoemd, zelf een order opzoeken, een status ophalen of een boeking klaarzetten. Daarom is de koppeling met je systemen de kern van het werk.

Kan het om met de uitzonderingen?

Elk proces heeft een officiële route en een echte route. De officiële staat in het handboek. De echte zit in de hoofden van mensen: die ene leverancier die altijd zonder ordernummer factureert, de klant die per se gebeld wil worden, de order die bij een bepaald bedrag langs de directeur moet.

Een goede oplossing begint daarom met het in kaart brengen van die uitzonderingen. En ze bepaalt vooraf wat het systeem doet als het iets niet herkent. Het antwoord is bijna altijd: netjes doorzetten naar een mens, met uitleg erbij.

Wil het team het gebruiken?

Dit is de vraag die het vaakst wordt overgeslagen en het vaakst de doorslag geeft. Mensen gebruiken een nieuw hulpmiddel als het hun werk makkelijker maakt en als ze het vertrouwen. Dat vertrouwen ontstaat als ze zien wat het systeem doet, kunnen ingrijpen als het misgaat en merken dat hun kennis ertoe doet.

Betrek de mensen die het werk doen daarom vanaf het begin. Zij weten waar de uitzonderingen zitten. En als zij meebouwen, voelt het resultaat als hun gereedschap in plaats van iets wat van bovenaf is opgelegd.

Begin met één proces dat echt draait

Het rapport van MIT laat nog iets zien. Organisaties die met een externe partner werkten, kwamen ongeveer twee keer zo vaak tot een werkende toepassing als organisaties die alles zelf bouwden. Dat zegt niet dat zelf bouwen niet kan. Het zegt wel dat ervaring met de valkuilen van productie veel scheelt.

De les voor een bedrijf van 50 of 200 mensen is eenvoudig. Begin niet met een brede AI-strategie of een proef die alles een beetje doet. Kies één proces dat veel voorkomt, weinig uitzonderingen heeft en waar mensen zich nu aan ergeren. Denk aan inkoopfacturen verwerken, klantmails sorteren of offertes voorbereiden. Bouw het zo dat het in je bestaande systemen werkt, regel wat het systeem wel en niet mag, en zorg dat het team het daarna echt gebruikt.

Werkt dat, dan heb je iets wat geen pilot kan leveren: een proces dat elke dag draait. Dan pas de volgende.

Tot slot

Wil je eens doorpraten over welk proces bij jullie een goede eerste kandidaat is? Mail ons gerust via info@harmoniqa.nl. Dan kijken we samen of het de moeite waard is.

Bron: MIT NANDA, The GenAI Divide: State of AI in Business 2025 (juli 2025).