Waarom AI-projecten mislukken. En het heeft niets met AI te maken

Iedereen weet dat AI-projecten vaak mislukken. Weinig mensen weten waarom.

En de redenen die het meest worden genoemd, zijn bijna altijd de verkeerde. Te weinig data. Verkeerd model. Budget niet toereikend. De technologie was niet ver genoeg.

Dat is zelden het echte verhaal.

Ik heb genoeg van dit soort trajecten gezien om de patronen te kennen. Vijf redenen komen steeds terug. Geen technische lijst. Menselijke redenen. Met concrete voorbeelden, geanonimiseerd maar herkenbaar.

Reden 1: Geen eigenaarschap

Dit is de meest voorkomende.

Het AI-project wordt gestart vanuit een strategisch initiatief of een boardroom-beslissing. Een projectteam wordt samengesteld. IT is erbij. Een externe partij levert de technologie. Er is een budget.

Maar als je vraagt wie verantwoordelijk is voor het resultaat, is het antwoord: "het projectteam." En als je vraagt wie in het projectteam de eindverantwoordelijke is, is het antwoord: "de stuurgroep." En de stuurgroep komt één keer per zes weken samen.

Niemand bezit het project. Niemand wordt direct afgerekend op of het werkt. En als het dan niet werkt, heeft niemand het gedaan.

Het tegengif is simpel maar ongemakkelijk: een lijnmanager die verantwoordelijk is. Die het project als zijn of haar eigen succes of falen beschouwt. Die dagelijks betrokken is. Die de druk voelt als het niet gaat.

Reden 2: Te veel externe adviseurs die komen en gaan

Een consultancybureau wordt ingehuurd voor de implementatie.

Ze zijn goed. Ze werken hard. Ze leveren documentatie, architectuurplannen, trainingsmateriaal. Na zes maanden vertrekken ze. De organisatie heeft nu een systeem en een stapel papier.

Maar niemand intern begrijpt werkelijk hoe het systeem werkt. Niemand intern heeft de kennis om het te onderhouden of aan te passen. Als er iets misgaat, belt men het bureau opnieuw. Dat kost geld. Dat duurt. En ondertussen raakt het systeem in onbruik.

Externe expertise is waardevol. Maar het moet gericht zijn op kennisoverdracht, niet op het bouwen van afhankelijkheid. Als een project klaar is en de organisatie meer op het externe bureau leunt dan vóór het project, is het project mislukt.

Reden 3: Onduidelijke definitie van succes

"We willen AI inzetten om efficiënter te werken."

Dat is geen definitie van succes. Dat is een wens. En als je het project evalueert, kan iedereen zeggen dat het geslaagd is, of dat het mislukt is, afhankelijk van hoe optimistisch of pessimistisch ze die dag zijn.

Wat is succes? Dat is een specifiek getal. Een specifiek gedragsverandering. Een specifieke verbetering die je kunt aanwijzen in de data. "Binnen zes maanden verwerkt de afdeling klantvragen 30% sneller met dezelfde teamomvang." Dat is een definitie van succes.

Reden 4: Adoptie als bijzaak behandeld

Het systeem is gebouwd. Het werkt technisch. Het wordt uitgerold.

En drie maanden later gebruikt 12% van de beoogde gebruikers het actief.

Dit is het meest frustrerende patroon, omdat het zo vermijdbaar is. Adoptie is geen vanzelfsprekend gevolg van een goed systeem. Het is het resultaat van een bewust ontworpen veranderproces. Van communicatie die begint vóórdat het systeem live gaat. Van training die aansluit op de werkelijkheid van de gebruiker. Van begeleiding die niet stopt op de dag van de lancering.

Organisaties behandelen adoptie als de laatste stap. Het is de hele weg.

Reden 5: Verkeerde verwachtingen bij het bestuur

Het bestuur heeft gezien wat AI kan op een demo. Op een congres. In een artikel.

En nu verwacht het bestuur dat de implementatie van een AI-tool de organisatie transformeert binnen een jaar. Als het resultaat genuanceerder is, zoals het altijd is, wordt dat als teleurstelling gezien. Het project "heeft niet geleverd."

Die verwachting is niet de schuld van het bestuur. Het is een gevolg van hoe AI de afgelopen jaren is gecommuniceerd. Maar het is de verantwoordelijkheid van iedereen die het project begeleidt om van het begin af aan eerlijk te zijn over wat het oplevert, wanneer, en wat daarvoor nodig is.

Een teleurgesteld bestuur trekt de stekker eruit. Dat kost meer dan een eerlijk gesprek aan het begin.

Wat je nu kunt doen

Als je midden in een AI-project zit dat vastloopt: doe een eerlijke diagnose.

Welke van deze vijf redenen herkend je? Meer dan één is normaal. De meeste mislukkingen combineren er twee of drie.

En als je een nieuw project start: stel jezelf deze vragen vóórdat je de eerste lijn code schrijft. Wie is verantwoordelijk? Hoe meten we succes? Wat is het adoptieplan? Hoe zorgen we dat kennis intern blijft? En is het bestuur eerlijk geïnformeerd over de tijdlijn?

Tot slot

AI is een krachtige technologie. Echt waar.

Maar technologie lost alleen problemen op die goed gedefinieerd zijn, door mensen die eigenaarschap voelen, in een organisatie die verandering omarmt in plaats van tolereert.

Zonder die voorwaarden bouw je een mooi systeem dat niemand gebruikt.

Wat is de echte reden dat AI-projecten in jouw organisatie vastlopen?