Volgens MIT’s The GenAI Divide: State of AI in Business 2025 realiseert 95% van de organisaties geen meetbaar rendement op hun investeringen in generatieve AI, ondanks een geschatte investering van 30 tot 40 miljard dollar.

Over de methodologie van de studie kan worden gediscussieerd. De orde van grootte sluit echter aan bij wat wij in de praktijk zien. En de oorzaak ligt zelden bij de technologie zelf.

De mislukking begint ruim vóór het eerste model wordt gebouwd.

Een veelzeggend precedent

Dit fenomeen is niet ontstaan met AI.

Lang vóór de huidige golf waren wij van nabij betrokken bij de invoering van een business-intelligencetool in een industriële groep. De doelstellingen waren nooit scherp gedefinieerd. Verantwoordelijkheden waren niet toegewezen. Opleiding en ontwikkeling werden in hoog tempo uitgevoerd.

Het resultaat: duizenden rapporten, die elk uitsluitend bruikbaar waren voor degene die ze had opgesteld.

De tool zelf werkte perfect. Toch boezemden de cijfers weinig vertrouwen in-niet omdat ze fout waren, maar omdat slecht geconfigureerde rapporten vaak iets anders maten dan wat gebruikers dachten dat ze maten.

Vervang “rapport” door “model” en de anatomie van veel huidige AI-mislukkingen wordt onmiddellijk herkenbaar.

Alleen zijn de budgetten groter en de verwachtingen hoger.

Een keten van tekortkomingen, geen losstaand incident

AI-initiatieven mislukken zelden om één enkele reden. Tekortkomingen stapelen zich op, en elke tekortkoming bereidt de volgende voor.

Het probleem is niet scherp gedefinieerd

De onderneming wil “versnellen met AI”-maar welke beslissing moet beter worden? Welke prestatie moet verbeteren: marge, cashpositie, voorraad, doorlooptijd, kwaliteit?

Een technologische ambitie is geen strategie.

De juiste vraag is niet: Waar kunnen we AI inzetten? Maar: Welke belangrijke beslissing nemen we vandaag met te weinig nauwkeurigheid, te weinig vooruitblik of te weinig discipline?

Use cases worden gekozen op zichtbaarheid, niet op waarde

Het MIT-rapport beschrijft deze vertekening. Budgetten voor generatieve AI gaan in grote mate naar verkoop en marketing-de functies die het gemakkelijkst aan een directiecomité kunnen worden getoond-terwijl de meest tastbare voordelen vaak in minder zichtbare domeinen liggen: documentautomatisering, finance, aankoop en een lagere afhankelijkheid van externe dienstverleners.

Een conversationele interface laat zich eenvoudig demonstreren in een directievergadering.

Een toepassing rond afvalreductie, werkkapitaal of prognosenauwkeurigheid oogt minder spectaculair-maar is vaak rendabeler.

Dit is een vraagstuk van kapitaalallocatie, niet van technologie.

De organisatie overschat de bruikbaarheid van haar data

Een onderneming kan rijk zijn aan data en arm aan bruikbare data.

ERP-systemen, CRM-platformen, historische gegevens en duizenden spreadsheets kunnen naast elkaar bestaan, terwijl definities van dezelfde indicator uiteenlopen, historieken onvolledig zijn, manuele correcties niet traceerbaar zijn en niemand duidelijk verantwoordelijk is voor de datakwaliteit aan de bron.

Belangrijke data zonder echte eigenaar blijven kwetsbaar.

Datakwaliteit is geen absoluut begrip. Ze moet worden beoordeeld in functie van de beslissing die de onderneming wil verbeteren.

De pilot bewijst technische prestaties, geen economische waarde

De nauwkeurigheid van een model zegt weinig over de waarde die wordt gecreëerd.

Technische prestaties moeten worden verbonden met de beslissingen die veranderen, de kosten van de acties die worden geactiveerd, fout-positieve signalen en de kosten van integratie en onderhoud.

Een technisch sterk model kan niets opleveren wanneer het te laat ingrijpt.

Een onvolmaakt model kan zeer waardevol zijn wanneer het een economisch belangrijke beslissing voldoende verbetert.

Een overtuigende demonstratie is nog geen verantwoorde investeringsbeslissing.

Het besluitvormingsproces verandert niet

Er verschijnt een score op een dashboard. Er wordt een waarschuwing verstuurd.

Maar wie onderneemt actie? Binnen welke termijn? Volgens welke regel?

Een kredietrisicomodel int geen openstaande factuur. Een model voor voorspellend onderhoud herstelt geen machine.

De waarde zit niet in de voorspelling zelf. Ze zit in de beslissing en de actie die door die voorspelling veranderen.

Zonder herontwerp van het proces wordt AI een extra informatielaag-zoals de duizenden rapporten die niemand opende.

Niemand draagt de verantwoordelijkheid van begin tot eind

Het datateam is verantwoordelijk voor het model. De business verwacht een oplossing. IT waarborgt de infrastructuur. De leverancier levert een tool.

Wanneer iedereen één onderdeel draagt, draagt niemand het geheel.

Bij het opschalen komt vervolgens alles naar boven wat de pilot verborgen hield: uiteenlopende systemen, terugkerende kosten en de werkelijke adoptie door gebruikers.

Het MIT-rapport stelt vast dat initiatieven met gespecialiseerde externe partners aanzienlijk vaker tot implementatie komen dan intern ontwikkelde oplossingen. Tegelijk merkt het rapport terecht op dat dit verschil evenzeer de maturiteit van de organisatie kan weerspiegelen als de keuze tussen zelf bouwen en aankopen.

In beide gevallen is de les dezelfde: de complexiteit van opschaling wordt systematisch onderschat.

Vijf vragen die de raad van bestuur moet stellen

Vóór een AI-initiatief wordt gefinancierd of uitgebreid:

1. Welke beslissing of welke prestatie willen we verbeteren? 

2. Welke data zijn nodig, en in welke staat bevinden die zich werkelijk? 

3. Hoe zal de economische waarde worden gemeten? 

4. Wie draagt de verantwoordelijkheid voor het resultaat van begin tot eind? 

5. Welke voorwaarden leiden tot stopzetting, bijsturing of verdere uitrol? 

Wanneer op deze vijf vragen geen expliciet antwoord bestaat, is het project niet klaar voor financiering-ongeacht de kwaliteit van de voorgestelde technologie.

Gouverner l'IA comme un investissement

AI mag niet worden gereduceerd tot een gewone IT-tool, maar evenmin worden verheven tot een onvermijdelijke transformatie.

AI moet worden beheerd als een investering: met hypotheses, bewijzen, drempelwaarden en de discipline om te stoppen wanneer die drempels niet worden gehaald.

Dat is precies wat een prioriteringsdiagnose moet bepalen vóór kapitaal wordt ingezet: welke beslissingen AI werkelijk rechtvaardigen, in welke volgorde en op basis van welke reële data.

De rest-het model, het platform, de leverancier-komt daarna.

Waardevolle AI is niet de AI die indruk maakt.

Het is de AI die een beslissing verbetert.

Christian Cirino - Nobilys Group

Sources: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf