De mondiale AI-uitgaven zullen in 2026 naar verwachting 2,5 biljoen dollar bereiken, terwijl het MIT NANDA-initiatief rapporteert dat 95% van de generatieve AI-pilots geen meetbare impact op de winst-en-verliesrekening oplevert. MIT rapporteert dat 95% van de GenAI-pilots geen meetbaar resultaat oplevert; het spiegelbeeld, 5% succes, is een extrapolatie, geen apart onderzoek. Begrijpen waarom deze paradox bestaat, en wat de succesvolle minderheid onderscheidt van de falende meerderheid, is de belangrijkste strategische vraag voor iedere ondernemer of bestuurder die vandaag een AI-investering overweegt.
Begrijpen waarom deze paradox bestaat, en wat de succesvolle minderheid onderscheidt van de falende meerderheid, is de belangrijkste strategische vraag … is de belangrijkste strategische vraag voor iedere ondernemer of bestuurder die vandaag een AI-investering overweegt, en niet wil dat zijn AI-investeringen mislukken.
De omvang van het probleem: biljoenen erin, vrijwel niets eruit
De mondiale AI-uitgaven bereiken 2,5 biljoen dollar in 2026, een stijging van 44% ten opzichte van 2025, terwijl het faalpercentage van enterprise AI-projecten tussen de 80% en 95% blijft liggen. Dit maakt AI-investering tot een van de grootste kapitaalmisallocaties in de moderne bedrijfsgeschiedenis.
Aan de investeringskant zijn alleen al de vier grootste techbedrijven — Amazon, Meta, Microsoft en Alphabet — op koers om meer dan 650 miljard dollar aan AI-infrastructuur uit te geven in 2026. Amazon gaat voorop met circa 200 miljard dollar aan geplande kapitaalinvesteringen, waarvan bijna de helft bestemd is voor AWS om de stijgende AI-workloads te verwerken. Wereldwijd stroomde in 2025 202,3 miljard dollar aan durfkapitaal naar AI — ongeveer de helft van alle venture capital die dat jaar wereldwijd werd ingezet — een concentratie die volgens het Stanford AI Index Report ongekend is in de geschiedenis van technologie-investeringen.
Aan de faalkant zijn de gegevens even dramatisch. Het MIT NANDA-onderzoek — The GenAI Divide: State of AI in Business 2025 — analyseerde meer dan 300 openbare AI-implementaties, voerde 150 interviews met senior leiders en ondervroeg 350 werknemers.
De belangrijkste bevinding: circa 95% van de enterprise generatieve AI-pilots levert nul meetbaar rendement op. Dit is geen uitschietend cijfer. Een onafhankelijke analyse van de RAND Corporation bevestigt dat meer dan 80% van de AI-projecten faalt — twee keer zo hoog als het faalpercentage van niet-AI-technologieprojecten. Uit de S&P Global-enquête van 2025 onder meer dan 1.000 bedrijven in Noord-Amerika en Europa bleek dat 42% van de bedrijven het merendeel van hun AI-initiatieven in 2025 heeft stopgezet, een scherpe stijging ten opzichte van slechts 17% het jaar ervoor. De gemiddelde organisatie schrapte 46% van de AI-proof-of-concepts voordat deze in productie kwamen.
In financiële termen: bij 2,5 biljoen dollar aan mondiale AI-uitgaven en een faalpercentage van 80–95% loopt ergens tussen de 2 biljoen en 2,4 biljoen dollar aan AI-investeringen in 2026 het risico geen enkel rendement op te leveren. Zie ook de werkelijke kosten van maatwerk AI voor een diepere analyse van deze kapitaalmisallocatie.
Deze paradox — massale investering gekoppeld aan massaal falen — is geen technologieprobleem. Het is een executieprobleem. En het treft onevenredig zwaar de organisaties die AI benaderen als een technologische aanschaf in plaats van een bedrijfstransformatie.
Waarom zoveel AI-investeringen mislukken: vijf grondoorzaken
Enterprise AI-projecten falen in 80–95% van de gevallen niet omdat de onderliggende technologie gebrekkig is, maar vanwege vijf systemische uitvoeringsfouten: verkeerde doelstellingen, gebrekkige datafundamenten, pilotverlamming, organisatorische weerstand en ontbrekende meetkaders.
1. De alignment-val: technologie op zoek naar een probleem
Het meest voorkomende faalpatroon begint met een technology-first benadering. Het management leest over generatieve AI-doorbraken, woont een leveranciersdemo bij en start een pilot om “AI-kansen te verkennen”. Het initiatief begint zonder een duidelijk gedefinieerd bedrijfsprobleem, zonder een meetbaar succescriterium en zonder een aangewezen proceseigenaar.
Dit is geen speculatie — het is een gedocumenteerd patroon dat in alle sectoren terugkomt. Volgens McKinsey’s AI-enquête van 2025 is de kans ongeveer twee keer zo groot dat organisaties die significant financieel rendement uit AI rapporteren, hun end-to-end workflows eerst hebben herontworpen voordat ze modelleringstechnieken kozen. De succesvolle minderheid begint bij een bedrijfsprobleem en werkt terug naar de technologie. De falende meerderheid begint bij de technologie en hoopt dat er een businesscase ontstaat.
Het verschil is enorm. Een logistiek bedrijf dat zegt “wij willen de kosten van onze bezorgroutes met 15% verlagen binnen zes maanden” zal zijn AI-project heel anders opzetten, bouwen en meten dan een bedrijf dat zegt “wij willen AI implementeren in onze operatie”. Het eerste heeft een succescriterium. Het tweede heeft een buzzword.
Het onderzoek van de RAND Corporation, gebaseerd op interviews met 65 ervaren data scientists en engineers, bevestigt dat misverstanden en miscommunicatie over de bedoeling en het doel van AI-projecten de meest voorkomende reden voor mislukking zijn. Bestuurders hebben vaak verwachtingen die zijn gevormd door leveranciersdemo’s en mediahype in plaats van door operationele realiteit.
2. De datafundament-crisis
AI-systemen zijn slechts zo betrouwbaar als de data die ze verwerken. Dit principe wordt in theorie breed begrepen, maar in de praktijk catastrofaal onderschat.
De Informatica CDO Insights-enquête van 2025 identificeert de belangrijkste obstakels voor enterprise AI-succes: datakwaliteit en -gereedheid met 43%, gebrek aan technische volwassenheid met 43% en tekort aan vaardigheden met 35%. Deze problemen versterken elkaar: slechte datakwaliteit betekent dat modellen onbetrouwbare uitkomsten produceren, onbetrouwbare uitkomsten ondermijnen het vertrouwen van gebruikers, verminderd vertrouwen leidt tot lagere adoptie en lagere adoptie betekent dat het project lijkt te falen, zelfs als het onderliggende model technisch in orde is.
De Zillow-casus illustreert deze dynamiek op grote schaal. Het AI-aangedreven woningaankoopprogramma van Zillow maakte gebruik van machine learning-modellen om woningwaarden te schatten. Het systeem overschatte waarden voor duizenden objecten, waardoor het bedrijf te veel betaalde voor huizen die het niet met winst kon doorverkopen. De mislukking kostte Zillow meer dan 500 miljoen dollar aan verliezen en leidde tot het ontslag van 25% van het personeel. De grondoorzaak was niet een fundamenteel gebrekkig algoritme — het waren onvolledige data. Het systeem van Zillow leunde sterk op gestructureerde data zoals oppervlakte en historische verkoopprijzen, maar kon geen rekening houden met ongestructureerde factoren zoals buurtdynamiek, veranderingen in schoolkwaliteit en lokale economische verschuivingen.
Succesvolle AI-programma’s keren de typische budgetverdeling om. Waar de meeste organisaties 70% van het budget besteden aan modelontwikkeling en 30% aan datavoorbereiding, reserveren succesvolle programma’s 50–70% van hun tijdlijn en budget voor datagereedheid: extractie, normalisatie, governance-metadata, kwaliteitsdashboards en retentiecontroles. Het model is zelden de bottleneck. De data zijn dat vrijwel altijd.
3. Pilotverlamming: het proof-of-concept-kerkhof
Uit meerdere sectoranalyses blijkt dat een groot deel van de AI-pilots nooit in productie komt. Dat betekent dat slechts een minderheid van de prototypen een operationele capability wordt. De sector heeft hier een term voor: pilotverlamming.
Pilotverlamming treedt op wanneer organisaties proof-of-concepts in geïsoleerde sandbox-omgevingen lanceren, maar geen helder pad naar productie ontwerpen. De technologie werkt in isolatie, maar integratie-uitdagingen — beveiligde authenticatie, compliance-workflows, datapipeline-koppelingen, gebruikerstraining en change management — blijven onbehandeld totdat iemand om een go-live-datum vraagt.
Gartner rapporteert dat slechts een deel van de AI-projecten voorbij de pilotfase komt en dat het gemiddeld acht maanden duurt om van AI-prototype naar productie te gaan. Voor grote ondernemingen laat MIT-data zien dat dit gemiddeld oploopt tot negen maanden, terwijl middelgrote bedrijven die succesvol zijn met AI hun pilots in circa 90 dagen opschalen — een opvallend verschil dat erop wijst dat organisatorische complexiteit, niet technische complexiteit, het primaire obstakel vormt.
Deze bevinding heeft directe implicaties voor MKB-bedrijven in de Benelux. Het snelheidsvoordeel van het middensegment bestaat doordat kleinere organisaties kortere goedkeuringsketens, minder legacy-systeemintegratie en strakkere feedbackloops hebben tussen het AI-team en de zakelijke stakeholders. Het pad van pilot naar productie vereist geen IT-afdeling met 500 man. Het vereist helder eigenaarschap, gedefinieerde succesmaatstaven en een realistisch integratieplan.
4. Organisatorische weerstand: de menselijke kant van AI-mislukking
Het MIT NANDA-onderzoek onthult een patroon dat technologieleveranciers zelden bespreken: veel van de meest geavanceerde enterprise AI-implementaties begonnen niet met een gecentraliseerde AI-strategie, maar met individuele “power users” — medewerkers die zelf al hadden geëxperimenteerd met tools als ChatGPT voor persoonlijke productiviteit.
Een groot deel van de bedrijven heeft werknemers die in het geheim persoonlijke AI-tools op het werk gebruiken, waardoor een “schaduw-AI-economie” is ontstaan, zoals MIT-onderzoekers het noemen. In veel gevallen behalen deze individuele medewerkers hogere productiviteitswinsten dan officieel goedgekeurde enterprise AI-implementaties. De reden is veelzeggend: individuen begrijpen intuïtief waar ze AI-tools het beste kunnen inzetten — op een specifiek proces of een specifieke stap — terwijl ondernemingen proberen grote, complexe en ingeburgerde workflows in één keer te vervangen.
Dit creëert een schadelijke feedbackloop. Medewerkers die effectieve persoonlijke AI-tools ervaren, worden steeds minder tolerant tegenover statische, slecht geïntegreerde bedrijfssystemen. MIT’s onderzoek merkt op dat dit schaduwgebruik een dynamiek creëert waarbij werknemers die weten hoe effectieve AI aanvoelt, steeds resistenter worden tegen ontoereikende enterprise tools — waardoor de kloof tussen individuele productiviteit en enterprise-adoptie groter wordt.
Succesvolle organisaties benutten dit patroon in plaats van het te bestrijden. Ze geven budgethouders en domeinmanagers de mogelijkheid om use cases te identificeren, tools te evalueren en uitrolprojecten te leiden — een bottom-up benadering gekoppeld aan duidelijke verantwoordelijkheid. De falende meerderheid leunt op een gecentraliseerd AI-lab of één enkel “AI-taskforce” dat zowel domeinkennis als operationele bevoegdheid mist.
5. De meetlacune: geen metrics, geen verantwoording, geen resultaat
Veel organisaties hebben AI geïmplementeerd zonder duidelijke ROI te zien, en een aanzienlijk deel omschrijft eventuele winsten als hooguit bescheiden. Toch blijven veel van dezelfde organisaties investeren, omdat ze niet over de meetkaders beschikken om te bepalen of hun AI-uitgaven werken.
Zonder heldere metrics — gedefinieerd vóórdat het project begint — belanden AI-initiatieven in een zone waarin succes niet van falen te onderscheiden is. Dit is bijzonder gevaarlijk voor generatieve AI, waar outputs kwalitatief zijn (betere klantreacties, snellere documentopstelling) in plaats van kwantitatief (geproduceerde eenheden, gegenereerde omzet). Het ontbreken van meting betekent niet dat AI faalt. Maar het betekent wel dat de organisatie niet kan aantonen dat het slaagt, wat in de praktijk hetzelfde resultaat oplevert: budgetkortingen, scepsis bij het management en projectbeëindiging.
De meest gedisciplineerde AI-programma’s definiëren drie meetlagen voordat er één regel code wordt geschreven: een procesmaatstaf (welke operationele indicator gaat veranderen), een financiële maatstaf (verwachte monetaire impact) en een tijdlijnmaatstaf (wanneer de impact meetbaar moet zijn). Zonder alle drie is er geen verantwoording. Zonder verantwoording is er geen bijsturing. Zonder bijsturing glijdt het project van pilot naar verlamming naar stopzetting.
De minderheid die slaagt: wat ze anders doen
De minderheid van enterprise AI-projecten die meetbaar rendement oplevert, deelt vier kenmerken: ze beginnen met een specifiek bedrijfsprobleem, investeren buitenproportioneel in datagereedheid, werken samen met domeinspecifieke partners in plaats van intern te bouwen, en meten resultaten vanaf dag één.
Het MIT-onderzoek onthult een opvallende bevinding over de manier waarop AI wordt ingezet. Projecten die via gespecialiseerde vendor-partnerships worden geïmplementeerd, slagen in een duidelijk groter deel van de gevallen dan intern gebouwde projecten. Deze trend geldt voor alle sectoren en bedrijfsgrootten.
De verklaring wortelt in de operationele realiteit. Gespecialiseerde partners brengen kant-en-klare datapipelines mee, domeinspecifieke modelarchitecturen, implementatieplaybooks die zijn verfijnd over tientallen trajecten en — cruciaal — een bewezen methodologie om van pilot naar productie te gaan. Interne teams beginnen daarentegen vaak vanuit het niets: data sourcing, architectuurontwerp, debuggen van integratieproblemen en het navigeren van interne politiek — allemaal tegelijkertijd.
Dit betekent niet “koop altijd, bouw nooit”. Het betekent dat intern bouwen gereserveerd moet worden voor werkelijk eigendomsgebonden capaciteiten waar concurrentiedifferentiatie de hogere complexiteit en langere tijdlijn rechtvaardigt. Voor de meeste bedrijfstoepassingen — vraagvoorspelling, klantanalyse, documentverwerking, operationele optimalisatie — verbetert een domeinspecifieke partner met een bewezen track record de slaagkans aanzienlijk.
De winnaars beginnen ook kleiner dan de verliezers. In plaats van een “organisatiebrede AI-transformatie” te lanceren, identificeren ze één use case met hoge impact, zetten deze in bij één afdeling, demonstreren meetbare resultaten binnen 90 dagen en schalen vervolgens op. Deze aanpak — klein beginnen, snel terugkoppelen, resultaten bewijzen, dan opschalen — is het patroon dat succesvolle AI-programma’s onderscheidt.
Wat dit betekent voor het MKB in de Benelux
Het midden- en kleinbedrijf in Nederland en België staat voor een eigen paradox: AI-adoptie versnelt in hoog tempo, maar kennislacunes en onduidelijke ROI blijven de meest genoemde barrières voor verdere adoptie.
De hierboven besproken enterprise-cijfers zijn voornamelijk afkomstig van grote organisaties met budgetten in de tientallen miljoenen. Voor een MKB-onderneming met een meer gerichte scope is het risicoprofiel anders — en op sommige vlakken gunstiger.
MIT’s data laat zien dat middelgrote bedrijven AI-pilots in ongeveer 90 dagen opschalen, vergeleken met negen maanden voor grote ondernemingen. De reden: kortere beslislijnen, minder legacy-infrastructuur en een strakkere afstemming tussen het AI-team en de zakelijke stakeholders. Een MKB-ondernemer die ook de primaire beslisser is, kan de resultaten van een AI-pilot evalueren, de volgende fase goedkeuren en middelen toewijzen in één overleg. Een groot bedrijf heeft daar een stuurgroep, IT-architectuurreview, compliance-goedkeuring en inkooptraject voor nodig.
Het MKB kent echter ook eigen uitdagingen. Beperkte interne data science-expertise betekent een grotere afhankelijkheid van externe partners. Beperkte budgetten laten minder ruimte voor mislukte experimenten. En beperkte bekendheid met beschikbare subsidies — de Nederlandse WBSO-regeling dekt een aanzienlijk deel van de AI R&D-kosten, waarbij het overgrote deel van de aanvragen afkomstig is van MKB-bedrijven — maakt dat veel AI-investeringen duurder uitvallen dan nodig.
Voor een MKB-ondernemer die dit artikel leest, is de conclusie niet dat AI te risicovol is. De conclusie is dat de aanpak zwaarder weegt dan de technologie. Een AI-project van 50.000 euro met een helder gedefinieerd bedrijfsprobleem, een betrouwbaar datafundament, een gespecialiseerde implementatiepartner en een succescriterium op 90 dagen heeft een veel hogere slaagkans dan een “AI-transformatie” van 500.000 euro met vage doelstellingen en zonder meetkader.
De kosten van niets doen
De kosten van níet investeren in AI zijn meetbaar in verloren concurrentiepositie — en die kosten stapelen zich elk kwartaal op.
Het gesprek over faalpercentages kan een verlammend effect hebben: als een groot deel van de projecten mislukt, waarom dan überhaupt investeren? Deze redenering is begrijpelijk, maar gevaarlijk onvolledig. De vraag is niet óf je in AI moet investeren. De vraag is hóe je investeert op een manier die jouw organisatie uit de mislukte bulk haalt.
Beschouw de concurrentiedynamiek. Wanneer een concurrent in de logistiek zijn routeplanningskosten verlaagt door AI-gedreven optimalisatie, wordt jouw kostenstructuur elk kwartaal dat je wacht relatief minder concurrerend. Wanneer een concurrent in de e-commerce AI-gestuurde personalisatie implementeert en een meetbare stijging in gemiddelde orderwaarde realiseert, worden jouw klantwervingskosten relatief hoger. Het hoge faalpercentage van AI-projecten is reëel en significant. Maar het volledig nalaten van AI-adoptie brengt zijn eigen cumulatieve kosten met zich mee — kosten die niet op een kwartaalrapportage verschijnen, maar die de concurrentiepositie fundamenteel hervormen over 12 tot 36 maanden.
De organisaties die deze paradox succesvol navigeren, doen dat door beide extremen te verwerpen. Ze storten zich niet in ongedisciplineerde AI-uitgaven en ze trekken zich niet terug in voorzichtig nietsdoen. In plaats daarvan volgen ze een gedisciplineerde, gefaseerde aanpak: identificeer één probleem met hoge waarde, werk samen met domeinexpertise, valideer resultaten in 90 dagen en schaal op wat werkt.
Dit is de aanpak die Veralytiq From Data to Done noemt — een methodologie die niet is gebouwd op technologisch optimisme, maar op meetbare bedrijfsresultaten, realistische tijdlijnen en de harde lessen van wat succesvolle AI-programma’s onderscheidt van de rest.
Kernpunten
— De mondiale AI-uitgaven bereiken 2,5 biljoen dollar in 2026, maar 80–95% van de enterprise AI-projecten levert geen meetbaar rendement op — waardoor gedisciplineerde executie, niet technologiekeuze, de kritieke succesfactor is.
— De vijf grondoorzaken van AI-falen zijn verkeerde doelstellingen, gebrekkige datafundamenten, pilotverlamming, organisatorische weerstand en ontbrekende meetkaders; geen daarvan is op zichzelf een technologieprobleem.
— Domeinspecifieke partners verhogen de slaagkans aanzienlijk ten opzichte van volledig interne bouwtrajecten, vooral voor standaard use cases als vraagvoorspelling en documentverwerking.
— Middelgrote bedrijven schalen AI-pilots sneller op dan grote ondernemingen, wat een structureel voordeel biedt voor het MKB in de Benelux.
— De kosten van AI-inactiviteit stapelen zich elk kwartaal op. De strategische vraag is niet of je moet investeren, maar hoe je investeert om tot de effectieve minderheid te behoren.
Bronnen
1. MIT Project NANDA — The GenAI Divide: State of AI in Business 2025, juli 2025. fortune.com
2. RAND Corporation — The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, 2024. rand.org
3. S&P Global Market Intelligence — Voice of the Enterprise: AI & Machine Learning, Use Cases 2025. spglobal.com
4. Gartner — Worldwide AI Spending Will Total $2.5 Trillion in 2026, januari 2026. gartner.com
5. Yahoo Finance / Reuters — Big Tech Set to Spend $650 Billion in 2026 as AI Investments Soar, februari 2026. finance.yahoo.com
6. Al Jazeera / Stanford AI Index Report — Visualising AI Spending, februari 2026. aljazeera.com
7. Fortune — The Shadow AI Economy Is Booming, augustus 2025. fortune.com
8. WorkOS — Why Most Enterprise AI Projects Fail, juli 2025. Verwijst naar McKinsey 2025 AI Survey & Informatica CDO Insights 2025. workos.com
9. CIO Dive / S&P Global — AI Project Failure Rates Are on the Rise, maart 2025. ciodive.com
10. Beam.ai — Why 42% of AI Projects Show 0 ROI. Verwijst naar Constellation Research & IDC. beam.ai
11. Brookings Register — Why 95% of Enterprise AI Projects Fail to Deliver ROI: Zillow Case Study, december 2025. brookingsregister.com
12. Quest Software — The Hidden AI Tax: Why There’s an 80% AI Project Failure Rate, oktober 2025. Verwijst naar Gartner-pilotdata. blog.quest.com
13. Goldman Sachs Research — Why AI Companies May Invest More than $500 Billion in 2026, december 2025. goldmansachs.com
14. RVO (Rijksdienst voor Ondernemend Nederland) — WBSO Subsidie. rvo.nl