Drie keuzes scheiden de bedrijven die geld verdienen met AI van de 95 procent die blijft steken in pilots. Geen van de drie gaat over betere modellen.
Een directeur vertelde me vorige maand dat zijn AI-pilot na een half jaar en 40.000 euro niks had opgeleverd. Niet omdat het model niet werkte, maar omdat niemand kon uitleggen wat het bedrijf eraan overhield.
Dit is geen incident. Dit is de 95 procent die MIT vorig jaar telde.
In augustus 2025 publiceerde het NANDA-initiatief van MIT een rapport met een cijfer dat sindsdien op elke AI-conferentie langskomt: 95 procent van de bedrijfsmatige AI-pilots levert geen meetbaar rendement op. Vijf procent wel. Ik schreef er eerder over in waarom bespaarde tijd geen ROI is, en beloofde toen dat ik die vijf procent verder zou uitpluizen. Dit is dat vervolg.
Want het interessante aan dat MIT-onderzoek is niet het faalpercentage. Dat wisten we al. Het interessante is dat de onderzoekers precies konden aanwijzen waarop de winnaars verschillen. Drie keuzes. En geen van die drie gaat over een beter taalmodel, een slimmere prompt of meer rekenkracht. Het gaat over organisatorische besluiten die je maandag kunt nemen.
De 95 procent faalt niet aan de techniek
Eerst even over dat rapport, want je moet weten wat er precies onder de motorkap zit voordat je de conclusies vertrouwt. Het State of AI in Business-onderzoek van MIT NANDA (opent in nieuw venster) is geen groot kwantitatief massa-onderzoek. Het leunt op 52 gestructureerde interviews, 153 enquêtes onder senior leiders en een analyse van ruim 300 openbaar gemaakte AI-initiatieven, verzameld tussen januari en juni 2025. Dat is een serieuze steekproef, maar geen wetmatigheid. Ik noem het expliciet, omdat het cijfer van 95 procent inmiddels een eigen leven leidt en mensen het citeren alsof het een natuurconstante is.
De kern van de MIT-analyse is wat de onderzoekers de learning gap noemen. De meeste bedrijven kopen of bouwen een AI-tool, zetten hem naast het bestaande werk, en verwachten dan dat het rendement vanzelf komt. Dat gebeurt niet. Het probleem is bijna nooit dat het model te dom is. Negentig procent van de medewerkers gebruikt privé al ChatGPT of Claude en vindt die dingen briljant. Het probleem zit in de vertaling van "handige tool" naar "verandering in de winst-en-verliesrekening". En die vertaling maakt vijf procent van de organisaties wel, en de rest niet.
De verleiding is om te denken dat die vijf procent gewoon meer geld, betere data scientists of duurdere modellen heeft. Dat is precies verkeerd. De winnaars maken drie nuchtere keuzes die niks met technologie te maken hebben. Ik loop ze een voor een langs, en ik zeg er telkens bij wat het voor jouw organisatie betekent.
Keuze 1: koop vaker dan je bouwt
Dit is de keuze waar ik het meeste moeite mee heb, en dat maakt hem voor mij het interessantst. Ik bouw namelijk zelf. De afgelopen tijd heb ik meer werkende tools in elkaar gezet dan ik ooit voor mogelijk hield, zonder ontwikkelteam, gewoon met Cursor en Claude Code. Vibecoding werkt. En toch is mijn advies aan de meeste bedrijven: niet bouwen, kopen.
De cijfers van MIT zijn hier ongemakkelijk helder. Bedrijven die hun AI-oplossing inkochten bij een gespecialiseerde leverancier haalden in ongeveer twee derde van de gevallen een succesvolle uitrol. Zelfbouw haalde dat ongeveer half zo vaak. Twee keer zo vaak succes, simpelweg door te kopen in plaats van te bouwen. Fortune (opent in nieuw venster) vatte het onderzoek samen en zette dit verschil vooraan, en terecht.
Waarom is dat zo? Een gespecialiseerde leverancier heeft één probleem honderd keer opgelost. Jouw interne team lost het voor het eerst op, met een half budget, naast hun gewone werk, en met de opdracht om ook nog het onderhoud te doen als de eerste versie eenmaal draait. Dat onderhoud is waar de meeste zelfbouw sneuvelt. Het bouwen is leuk en gaat tegenwoordig snel. Het levend houden is saai en duurt jaren.
Ik merk dat aan mijn eigen tools. De dingen die ik in een middag in elkaar zet, werken meteen. Maar de handvol die ik echt draaiende houd, kosten me elke week weer een uurtje: een API die verandert, een koppeling die breekt, een randgeval dat ik niet had voorzien. Voor mezelf neem ik dat voor lief, want ik vind het leuk. Voor een organisatie is dat precies het verkeerde model. Je wilt niet dat de continuïteit van een bedrijfsproces afhangt van of die ene bouwer volgende maand nog zin en tijd heeft.
Er is nog een reden om te beginnen met kopen, en die wordt vaak vergeten: het levert je meteen tijd op. Een gekochte tool draait deze week, niet over een half jaar. En dat maakt kopen ook het slimste validatie-instrument dat je hebt. Je zet de tool in, je meet wat er gebeurt, en je weet binnen een paar weken of het probleem groot genoeg is om er serieus in te investeren. Wordt de tool veel gebruikt? Levert hij een aantoonbare besparing op? Dan pas wordt de vraag interessant of je hem op termijn zelf gaat bouwen. Kopen is dan geen eindstation, maar de goedkoopste manier om de business case voor zelfbouw te toetsen voordat je er een team op zet.
Zo wordt bouwen een bewuste vervolgstap, geen startpunt. Je bouwt pas zelf als de cijfers dat rechtvaardigen én je een echte voorsprong hebt in data of proces die je niet wilt weggeven aan een leverancier. Dat argument maakte ik eerder in iedereen kan bouwen, maar niet iedereen heeft iets te zeggen. De vraag is niet meer of je het kunt bouwen. De vraag is of je data hebt die het bouwen waard is.
Nu nog een eerlijke nuance bij de cijfers zelf. De MIT-onderzoekers tekenen er zelf bij aan dat de causaliteit niet waterdicht is: bedrijven die extern inkopen zijn vaak ook de bedrijven die hun inkoopproces al op orde hebben. Kopen is dus deels een symptoom van volwassenheid, niet alleen een oorzaak van succes.
Wat dit maandag betekent: kijk naar je lopende of geplande AI-project en vraag of er een leverancier bestaat die dit exacte probleem al voor tien andere bedrijven heeft opgelost. Bestaat die? Dan koop je die eerst, wint direct tijd, en laat je de tool je business case bewijzen. Zelfbouw komt daarna pas in beeld, en alleen waar je data of proces een echte voorsprong geeft.
Volg mij op LinkedIn
Keuze 2: het rendement zit in de achterkant, niet in de zichtbare voorkant
De tweede keuze gaat regelrecht in tegen waar het geld nu heen gaat. Volgens het MIT-onderzoek verdwijnt ruim de helft van alle AI-budgetten naar sales en marketing. De klantgerichte chatbot, de slimme aanbeveling, de AI die je website persoonlijker maakt. Logisch, want dat is zichtbaar, het staat goed in een persbericht en de directie kan het aan klanten laten zien.
Alleen zit daar zelden het grootste rendement. Dat zit in de achterkant. In repetitieve, gestructureerde processen die niemand ooit noemt op een borrel. Het MIT-rapport geeft concrete voorbeelden: bedrijven die AI inzetten op documentverwerking en klantenservice-afhandeling bespaarden tussen de 2 en 10 miljoen dollar per jaar aan uitbestede diensten. Dertig procent minder kosten aan externe bureaus voor content en creatie. Een miljoen per jaar bespaard op uitbesteed risicobeheer. Dat zijn geen zachte tijdwinst-claims. Dat zijn regels die uit de kostenbegroting verdwijnen.
En hier moet ik een misverstand rechtzetten dat ik zelf ook lang had. De achterkant is niet alleen een kostenpost die je goedkoper maakt. Het is vaak juist de plek waar de grootste klantwaarde zit. Ik ben er zelf van overtuigd geraakt dat je in de verzekeringsmarkt, waar ik veel kom, meer voor de klant wint aan de achterkant dan aan die flitsende afsluitmodule op de homepage.
Neem het aanmelden van een schade. Klassiek moet de klant een lang formulier invullen, gegevens overtikken die allang ergens in een document staan, en maar hopen dat hij niks vergeet. Bouw daar een aanmeldstraat omheen waarin AI de geüploade documenten uitleest, de foto's en de factuur herkent en de juiste velden automatisch invult, en er verandert iets aan twee kanten tegelijk. De behandelaar krijgt een schone, gecategoriseerde melding binnen in plaats van een half formulier. En de klant hoeft nauwelijks nog iets handmatig in te tikken. Dat is geen kostenbesparing die je verstopt in een spreadsheet. Dat is een merkbaar betere ervaring op het moment dat het er voor de klant echt toe doet, namelijk als er iets misgaat.
Dat is precies waarom de achterkant zo wordt onderschat. Men denkt dat het over kosten gaat, terwijl het net zo goed over klantbeleving gaat. De processen daar zijn repetitief, gestructureerd en goed te meten, precies de eigenschappen die een los klantgesprek mist. En als je het goed doet, snijdt het mes aan twee kanten: lagere kostprijs per zaak én een klant die minder hoeft te doen.
Wat dit maandag betekent: maak een lijst van de processen waar je klant het meeste zit te tikken, te wachten of te herhalen. Niet de chatbot op de homepage, maar de aanvraag, de melding, de mutatie. Daar zit vaak tegelijk de grootste besparing en de grootste sprong in klantwaarde. Begin daar.
Keuze 3: verbouw het proces, plak er geen laagje op
De derde keuze is de moeilijkste om echt te doen, en daarom sneuvelen de meeste projecten er. De winnaars leggen AI niet als een dun laagje over hun bestaande werk. Ze herontwerpen het proces eromheen.
Dit is het hart van de learning gap uit het MIT-rapport. De meeste organisaties nemen een bestaand proces, stoppen er ergens halverwege een AI-stap in, en houden de rest precies zoals het was. De uitkomst is dan een tool die af en toe helpt maar nergens echt verantwoordelijk voor is. Niemand vertrouwt hem volledig, dus alles wordt dubbel gecontroleerd, en de tijdwinst die op papier stond verdampt in de praktijk. Het model deed niks fout. Het proces eromheen was nooit aangepast.
Vergelijk het met de eerste jaren van de kantoorcomputer. Bedrijven zetten een pc naast de typemachine en lieten het werk verder ongewijzigd. De echte productiviteitswinst kwam pas toen ze het hele proces opnieuw inrichtten rond wat de computer kon. Met AI zitten we nu op precies dat punt. De tool staat naast de typemachine. Wie durft de typemachine weg te halen, wint.
Herontwerpen betekent oncomfortabele vragen stellen. Als AI de eerste versie van elke schadebeoordeling maakt, wat doet de behandelaar dan nog, en waar begint zijn verantwoordelijkheid? Als een model klantvragen categoriseert, mag het dan zelf antwoorden of alleen voorsorteren? Dat zijn geen technische vragen. Het zijn organisatorische en soms juridische vragen, en precies daarom blijven ze liggen. Het is makkelijker om een tool te kopen dan om een functieomschrijving te veranderen. Maar zonder dat tweede blijft het bij een pilot.
Hier komt governance om de hoek kijken, en dat is geen toeval. Wie het proces herontwerpt, moet ook vastleggen wie waarvoor verantwoordelijk is als de AI een steek laat vallen. Dat maakt herontwerp traag en ongemakkelijk. Het is ook precies de reden dat de vijf procent die het doet, zo'n grote voorsprong heeft. De meesten haken af bij de eerste moeilijke vraag.
Wat dit maandag betekent: teken het proces dat je met AI wilt verbeteren van begin tot eind uit, en vraag bij elke stap wat er weg kan, niet alleen wat AI kan toevoegen. Als het antwoord is "niks gaat weg, AI komt er alleen bij", dan bouw je een pilot die gaat falen.
Drie keuzes, één rode draad
Zet de drie keuzes naast elkaar en je ziet dat ze niet los van elkaar staan. Koop eerst, want dan win je tijd en toets je goedkoop of zelfbouw later de moeite waard is. Kies de achterkant, want daar zit tegelijk de meetbare besparing en de grootste sprong in klantwaarde. En verbouw het proces, want anders levert zelfs de beste tool niks op. Het is drie keer dezelfde onderliggende houding: behandel AI als een bedrijfsbeslissing, niet als een technologieproject.
Dat is meteen het ongemakkelijke antwoord op de vraag van die directeur waarmee ik begon. Zijn 40.000 euro ging niet verloren aan een slecht model. Het ging verloren omdat het project vanaf dag één was ingericht als een technisch experiment in plaats van als een verandering in hoe het bedrijf werkt. Hij kocht niet, hij liet bouwen. Hij koos de zichtbare voorkant. En hij veranderde geen enkel proces. Drie keer de verkeerde afslag, en dan is 95 procent kans op falen eigenlijk nog netjes.
De goede boodschap is dat alle drie de keuzes gratis zijn. Ze kosten geen extra rekenkracht en geen nieuw model. Ze kosten alleen de bereidheid om AI te behandelen als iets waar de directie over gaat, en niet iets wat je bij IT over de schutting gooit. Dat gesprek begint niet bij de tool. Het begint bij de vraag wat je precies wilt verdienen, en welke van deze drie afslagen je tot nu toe hebt gemist.
Bronnen
* Het originele MIT NANDA-onderzoek met de drie succesfactoren en de learning gap: State of AI in Business 2025 (opent in nieuw venster) * Fortune's samenvatting van het rapport, inclusief de buy-versus-build-verhouding: fortune.com (opent in nieuw venster) * Mijn eerdere blog over waarom tijdwinst geen rendement is: ai-roi-eerlijk-meten * Over data als de echte reden om zelf te bouwen: iedereen kan bouwen, maar niet iedereen heeft iets te zeggen