Waarom AI-projecten mislukken: 5 lessen van Nederlandse bedrijven

MT/Sprout schreef het treffend: elk bedrijf wil iets met AI, maar weet niet wat. Herkenbaar? Waarschijnlijk wel.

Je hoort het overal. In het MT, op de beurs, bij de concurrent. AI dit, AI dat. Dus je koopt licenties, start een pilot, huurt misschien een consultant in. En dan? Dan loopt het vast. Niet spectaculair. Niet met een knallende mislukking. Het bloedt gewoon langzaam dood.

Je bent niet de enige. Computable rapporteert dat 45% van de Nederlandse bedrijven een AI-strategie heeft, maar slechts 12% AI daadwerkelijk op schaal draait. Die andere 33% — dat zijn de pilots die stranden, de tools die ongebruikt blijven, de projecten die niemand durft stop te zetten.

Ondertussen tikken de kosten door. &samhoud berekende dat Nederlandse bedrijven gezamenlijk €64 miljard aan productiviteitswinst laten liggen. Niet omdat de technologie er niet is, maar omdat we er niet mee uit de voeten kunnen.

Dit artikel gaat niet over hoe je AI implementeert — dat schreven we eerder. Dit gaat over wat er misgaat. Vijf lessen, vijf Nederlandse voorbeelden.

Les 1 — Je begint met de oplossing in plaats van het probleem

Het patroon is altijd hetzelfde. De directie hoort over AI op een congres. Er komt een projectgroep. Er wordt een tool geselecteerd. Er wordt uitgerold. En dan merkt iedereen dat niemand eigenlijk weet welk probleem ze aan het oplossen zijn.

Het Amsterdamse voorbeeld

De gemeente Amsterdam bouwde de "Slimme Check" — een algoritme om bijstandsaanvragen eerlijker te beoordelen. Goedbedoeld. Maar het probleem was niet goed gedefinieerd. Wat is "eerlijk"? Het systeem discrimineerde: het markeerde mensen met een niet-westerse achtergrond vaker als risicovol. Na correctie sloeg de bias de andere kant op. Van de aanvragen die als "verdacht" werden aangemerkt, bleek maar de helft terecht. De pilot werd stopgezet.

Goede intenties zijn niet genoeg. Als je niet exact weet welk probleem je oplost — en hoe je succes definieert — bouw je een oplossing voor iets wat niet bestaat.

Wat je morgen kunt doen: Vraag je team niet "hoe kunnen we AI gebruiken?" maar "welk werkproces kost ons de meeste tijd, fouten of frustratie?" Dat antwoord is je startpunt. Niet de tool.

Les 2 — Je data is niet op orde

Dit is de les die niemand wil horen. Want data opschonen is niet sexy. Het is niet "innovatief." Maar het is de reden waarom de helft van de AI-projecten strandt voordat ze begonnen zijn.

De cijfers

BI Platform berekende dat Nederlandse bedrijven meer dan €20 miljard per jaar verliezen door gebrekkige datakwaliteit. Slechts 35% van de IT-managers beoordeelt de datakwaliteit in hun organisatie als "hoog." Accountant.nl meldt dat 64% van de respondenten geen toegang heeft tot betrouwbare data.

En dan verwachten we dat AI er iets mee kan?

Denk aan je eigen CRM. Hoeveel klantrecords zijn verouderd? Hoeveel dubbele entries staan erin? Hoeveel informatie zit verspreid over Excel-sheets, e-mails en de hoofden van collega's? AI kan niet toveren met rommel. Het maakt de rommel alleen sneller.

De toeslagenaffaire is het pijnlijkste Nederlandse voorbeeld. SyRI gebruikte nationaliteit als risicofactor in een dataset die al vol vooroordelen zat. Het resultaat: duizenden ouders die onterecht werden beschuldigd. De rechter verbood het systeem in 2020. De schade duurt tot vandaag.

Wat je morgen kunt doen: Voordat je een AI-tool aanschaft, doe een eerlijke inventarisatie van je data. Is het actueel? Is het compleet? Is het op één plek? Als het antwoord op een van die vragen "nee" is, begin daar.

Les 3 — Je vergeet de mensen op de werkvloer

Dit is de les die ik het vaakst zie in de praktijk. De directie is enthousiast, koopt tools, maakt plannen — en vergeet de mensen die er daadwerkelijk mee moeten werken.

Het gat

De cijfers zijn pijnlijk. Integron ondervroeg 5.000 werknemers en vond dat 57% van de directie AI gebruikt — maar slechts 17-19% van het uitvoerend personeel. &samhoud ziet hetzelfde: management 78%, medewerkers 47%.

Die kloof is niet omdat je team niet wil. PwC Nederland onderzocht het: twee derde van de werknemers is ontevreden over de vaardigheidsontwikkeling die ze aangeboden krijgen. Ze willen wel, maar worden niet geholpen.

Het Eindhovense voorbeeld

Bij de gemeente Eindhoven voerden medewerkers cv's, jeugdzorgdossiers en interne documenten in bij de gratis versie van ChatGPT. Zonder toestemming, zonder beleid, zonder dat iemand het wist. Niet uit kwade opzet — maar omdat ze hun werk sneller wilden doen en niemand ze een beter alternatief had gegeven.

Drie op de vier Nederlandse techprofessionals gebruikt ongoedgekeurde AI-tools op het werk. 20% van de organisaties heeft al een datalek gehad door dit soort schaduw-AI. Het is geen niche-risico — het is de realiteit als je mensen wel tools geeft maar geen training.

Wat je morgen kunt doen: Praat met je team. Niet over AI-strategie, maar over hun werk. Waar gebruiken ze al AI? Waar lopen ze vast? Wat hebben ze nodig? En investeer dan in training die aansluit bij hun dagelijkse werk. Een workshop van een halve dag verandert meer dan een strategiedocument van 40 pagina's.

Les 4 — Je hebt geen beleid

Dutch IT Channel onderzocht het: 73% van de Nederlandse bedrijven heeft AI geïmplementeerd. Maar 47% kent de regelgeving niet. 49% werkt met informele richtlijnen — als ze al richtlijnen hebben.

En ondertussen is AI-geletterdheid wettelijk verplicht sinds 2 februari 2025. Artikel 4 van de EU AI Act. Boetes tot €15 miljoen of 3% van de omzet. De Autoriteit Persoonsgegevens heeft AI tot handhavingsprioriteit gemaakt voor 2026.

Maar het gaat niet alleen om boetes. Het gaat om het feit dat zonder beleid je geen grip hebt op wat er in je organisatie gebeurt. Welke data gaat er in welke tools? Wie controleert de output? Wat doe je als het misgaat?

Accountant.nl meldt dat 61% van de Nederlandse respondenten governance en security policies mist. Dat is niet een klein probleem — dat is de basis die ontbreekt.

Wat je morgen kunt doen: Stel een AI-beleid op. Dat hoeft geen juridisch document te zijn — twee pagina's in normaal Nederlands met antwoord op drie vragen: welke tools zijn goedgekeurd, welke data mag erin, en wie is verantwoordelijk. Lees ons stappenplan voor een AI-beleid voor een concrete aanpak.

Les 5 — Je probeert alles tegelijk (of geeft te vroeg op)

Er zijn twee manieren om vast te lopen. De eerste: een megalomaan "AI-transformatieprogramma" met tien werkstromen, drie consultants en een stuurgroep die elke twee weken vergadert. De tweede: een eenmalige pilot die na zes maanden doodbloedt omdat niemand er nog naar omkijkt.

Beide mislukken. Maar om verschillende redenen.

Het "alles tegelijk"-probleem is het meest voorkomend. Emerce noemt het een van de vijf belangrijkste faalredenen: onderinvestering per project omdat het budget wordt verspreid over te veel initiatieven. Liever drie tools half dan één goed.

En het "te vroeg opgeven"-probleem? Dat komt omdat er geen stopcriteria zijn. Geen definitie van succes. Geen moment waarop iemand zegt: "Dit werkt, laten we opschalen" — of: "Dit werkt niet, laten we stoppen."

Frankwatching beschrijft de oplossing: een portfolio-benadering. Meerdere kleine pilots tegelijk. Na 90 dagen evalueren. Wat werkt, schaal je op. Wat niet werkt, stop je. Zonder schuldgevoel. Bedrijven die zo werken en samenwerken met specialisten hebben een 67% succesratio — tegen 33% bij bedrijven die alles zelf proberen.

Wat je morgen kunt doen: Kies maximaal twee processen om mee te beginnen. Definieer vooraf wanneer het een succes is (hoeveel uur bespaard? hoeveel fouten minder?). Evalueer na drie maanden. En als het werkt: schaal op met een structureel trainingsprogramma.

Wat bedrijven die het wél lukken anders doen

Na vijf lessen over wat misgaat, is de samenvatting eigenlijk simpel. De bedrijven die AI wél laten werken doen drie dingen:

1. •Ze beginnen bij een concreet probleem — niet bij een tool of een trend
2. •Ze trainen hun mensen — niet een keer, maar structureel. 65% van de Nederlandse bedrijven mist functie-specifieke training. De bedrijven die dat wél organiseren, presteren beter
3. •Ze beginnen klein en schalen disciplined op — geen megalomane programma's, geen eenmalige pilots die doodbloeden

EY's AI Barometer 2025 laat zien dat Nederland stijgt van plek 9 naar plek 6 in Europa. Er is momentum. Maar het vereist dat je stopt met plannen maken en begint met doen.

Wil je je team klaarstomen? Bekijk onze ChatGPT, Claude & Gemini Masterclass voor een hands-on startpunt, ons AI als teamsport-programma voor een breder traject, of plan een gesprek om te bespreken wat bij jullie situatie past.

Bronnen

• •CBS — AI Monitor 2024
• •Computable — AI in de Benelux: veel strategie, weinig uitvoering
• •&samhoud — AI-adoptie onderzoek 2025
• •Integron — AI op de werkvloer in Nederland 2025
• •PwC Nederland — Hopes & Fears 2025
• •Accountant.nl — Nederlandse bedrijven worstelen met AI
• •BI Platform — Datakwaliteit kost NL €20 miljard per jaar
• •Dutch IT Channel — AI-regelgeving onvoldoende bekend
• •Gemeente.nu — Amsterdam stopt AI-pilot bijstandsaanvragen
• •Computable — Schaduw-AI en het risico voor organisaties
• •Amnesty — Algoritmes, big data en de overheid (SyRI)
• •Emerce — 5 redenen waarom AI-projecten mislukken
• •Frankwatching — Waarom 95% van AI-pilots mislukt
• •EY — AI Barometer 2025: impact op werk en workforce
• •MT/Sprout — Elk bedrijf wil iets met AI
• •Autoriteit Persoonsgegevens — AI-geletterdheid EU AI Act