Goede voornemens: waarom 95 procent van de AI-pilots faalt.

Het rapport heet The GenAI Divide: State of AI in Business 2025 en komt van MIT NANDA. De onderzoekers bekeken driehonderd publieke AI-deployments en spraken met honderdvijftig leidinggevenden. De uitkomst: 95 procent van de generatieve-AI-pilots levert geen meetbaar effect op de winst-en-verliesrekening op.

Dat cijfer staat niet tegenover een paar zuinige experimenten. De achtergrond is dertig tot veertig miljard dollar aan enterprise-investeringen in generatieve AI. Er is dus serieus geld uitgegeven, door serieuze bedrijven, aan technologie die aantoonbaar werkt in demo's. En toch komt er bij negentien van de twintig niets uit dat een CFO in de cijfers terugziet.

Voor een MKB-bedrijf dat dit jaar wil beginnen is dat geen reden om af te haken. Het is een reden om te snappen waar die 95 procent strandt, want dat blijkt verrassend voorspelbaar.

De kernoorzaak ligt volgens MIT niet bij de kwaliteit van de modellen. De onderzoekers noemen het een learning gap: generieke tools passen zich niet aan de workflows van een bedrijf aan, en organisaties bouwen die tools op hun beurt niet in hun processen in. Het model kan het werk aan; het werk kan het model nergens kwijt.

In de praktijk herken je dat zo. De pilot draait naast het werk in plaats van erin. Er is een tool waar je iets aan kunt vragen, maar niemand heeft vastgelegd welke processtap er beter van moet worden. Na de enthousiaste eerste week doet iedereen het weer op de oude manier, omdat de oude manier tenminste in het ritme van de dag past.

De mislukking zit dus vóór de aanschaf, niet erna. Niemand heeft vooraf bepaald welk proces de pilot moet verbeteren en waaraan je dat gaat afmeten. Zonder die twee dingen kan een pilot niet eens falen, want er is geen lat om onderdoor te gaan. Hij verdampt gewoon.

Draai de bevinding om en je hebt het recept van de vijf procent die wél iets terugziet: zij bouwen AI in een bestaand proces in, en daarvoor moet je dat proces eerst kennen. Dat is precies de reden dat ik met Process First, AI Second werk. Niet omdat proces een mooier woord is dan tool, maar omdat het MIT-onderzoek laat zien dat de volgorde het verschil maakt.

Concreet: kies één pijnpunt waar aantoonbaar uren of fouten in zitten. Formuleer vooraf de meetlat, in doorlooptijd, foutpercentage of uren per week. Bouw voor dat ene proces, meet een paar weken, en verbreed pas als de meting het draagt. Elke stap die je hiervan overslaat, koopt een plek in de 95 procent.

Het klinkt trager dan een bedrijfsbrede uitrol. Het is sneller. Een bedrijfsbrede uitrol die verdampt kost je een jaar en het draagvlak voor de poging erna; één proces dat meetbaar verbetert, betaalt het volgende proces.

Als er in het jaarplan nu 'dit jaar iets met AI' staat, vervang die regel dan door een zin die je in december kunt controleren. Bijvoorbeeld: in het eerste kwartaal weten we van ons duurste proces wat AI eraan verbetert, uitgedrukt in euro's. Dat is klein genoeg om echt te doen en scherp genoeg om op af te rekenen.

En als de analyse uitwijst dat AI op dat proces niets rendabels toevoegt, is dat ook een uitkomst. Het scheelt je de investering, en je hoort het in januari in plaats van in november. Het verschil tussen de 95 en de 5 procent is geen budget. Het is volgorde.