Na een AI-pilot die niets opleverde, is de makkelijkste conclusie dat de technologie er nog niet klaar voor was. In de pilots die wij zien, ligt de oorzaak een laag lager: in de data waarop het model moest leren.
Zes maanden werk, een enthousiast team, een externe partner en een zorgvuldig gekozen use case. En dan een oplevering die tegenvalt. De nauwkeurigheid is te laag om de tool productief in te zetten. Of hij werkt in de demo maar niet met je echte data. Of het project valt stil omdat niemand er nog eigenaar van is.
Niemand heeft vooraf gekeken of de data het kon dragen.
Nu moet je beslissen of een tweede poging zinvol is. Dat is een investeringsbeslissing en geen technologiekeuze. Hieronder staan de oorzaken op een rij, samen met de kenmerken van een pilot die ze vermijdt.
Data is daarbij niet de enige oorzaak: proces, eigenaarschap en scope staan ook in deze tekst. Wil je weten waar je zelf staat, dan begint dat bij de vraag is je data klaar voor AI? Hoe vaak loopt het zo, en wat gaat er dan precies mis?
Waarom lopen AI-pilots vast?
Gartner stelde in januari 2026 vast dat tegen het einde van 2025 minstens de helft van de generatieve-AI-projecten na de proof of concept is stilgelegd. De redenen die Gartner noemt: slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten en onduidelijke businesswaarde. Dat gaat over generatieve AI en niet over elke AI-pilot. Het zegt wel waar pilots stilvallen: op de drempel van productie.
In de trajecten die wij zien, betekent “mislukt” zelden dat er niets werkt. Het betekent dat het werkende ding de organisatie niet binnenkomt, en dat gebeurt in vier vormen:
– Technisch werkt het, maar het gaat de organisatie niet in.
– De nauwkeurigheid blijft te laag om er productief op te vertrouwen.
– Het schalen na de pilot wordt te duur.
– Niemand kan aantonen wat het opbrengt, en dan valt het budget weg.
In de pilots die wij zien, zit de oorzaak bijna nooit in de technologie, en dat is niet alleen onze indruk. De RAND Corporation onderzocht in 2024 waarom AI-projecten mislukken, uit 65 interviews met mensen die het werk doen. Van hun vijf hoofdoorzaken staat een verkeerd begrepen probleem bij de leiding bovenaan. Data van onvoldoende kwaliteit of hoeveelheid staat tweede, en onvolgroeide technologie staat laatste. Blijft de vraag wat er dan wél onder zit.
De drie dataproblemen die een AI-pilot laten mislukken
Te weinig trainingsdata
Een model leert patronen uit voorbeelden waarvan de uitkomst bekend is. Komt een geval nauwelijks voor in je data, dan valt er voor dat geval niets te leren, hoe goed het algoritme ook is. Hoeveel voorbeelden genoeg zijn, hangt af van de taak en het soort model.
Naast het aantal voorbeelden telt het label dat bij elk voorbeeld hoort. De kwaliteit van je gelabelde set bepaalt de nauwkeurigheid van het model. Bij een kleine set weegt elk fout gelabeld voorbeeld dus zwaar: het model leert de fout mee en herhaalt hem systematisch. Je houdt dan geen model over dat het patroon kent, maar een model dat je fouten kent.
Inconsistente data
Staat dezelfde klant in je CRM op drie manieren geschreven, dan is er niets wat het model vertelt dat het één klant is. Heeft dezelfde productcode in je ERP een andere betekenis dan in je CRM, dan bouwt het model die tegenstrijdigheid in zijn patroon in. Zulke fouten zijn systematisch, en in een demo met nette voorbeelddata vallen ze niet op.
Trainingsdata die de realiteit niet dekt
En dan is er nog de derde vorm, die het minst opvalt. Gartner omschrijft AI-ready data als data die representatief is voor de toepassing: voor elk patroon, elke fout, elke uitschieter en elk onverwacht geval dat nodig is om het model te trainen of te laten draaien. Trainingsdata uit je beste periode is dat niet. Zo’n model werkt perfect in de training en slecht in productie, want het heeft een gefilterde versie van je werkelijkheid geleerd.
Stel dat je een model laat voorspellen welke klanten dreigen weg te gaan. De trainingsdata komt uit je CRM, en daarin staan alleen klanten die nog actief zijn. Wie vertrok, is opgeruimd. Het model kan dan nooit leren waar een vertrekkende klant aan te herkennen valt, want dat patroon staat niet in de data. In productie voorspelt het geen verloop. Niet omdat het model tekortschiet, maar omdat niemand het de gevallen heeft gegeven waaruit het had kunnen leren.
Toch is data niet de enige plek waar een pilot vastloopt. Wat gaat er nog mis?
Andere valkuilen: proces, eigenaarschap en scope
Te brede use case. “AI voor onze klantenservice” is geen use case, dat is een ambitie. “Het model classificeert inkomende e-mails en wijst ze toe aan de juiste medewerker” is er wel een: één taak, één systeem, één team. In de pilots die wij zien, is die afbakening het verschil tussen een pilot die iets oplevert en een pilot die eindigt in een discussie over wat er eigenlijk beloofd was.
Geen zakelijke eigenaar. Zonder iemand uit het bedrijf die de output beoordeelt, ontbreekt de zakelijke maatstaf en bouwt het technische team, volkomen terecht, iets dat technisch klopt en zakelijk onbruikbaar is. Elke twijfel over een uitkomst wordt een escalatie, en elke escalatie levert herwerk op. Zolang niemand beslist of dit goed genoeg is, blijft die lus draaien. Het team dat de tool zou gaan gebruiken, zit met het resultaat.
Succescriteria niet afgesproken. Wat is “goed genoeg”? Spreek dat af vóór de pilot start, en spreek het af in cijfers. Bijvoorbeeld: het model classificeert minstens 85% van de e-mails correct, en de resterende gevallen komen correct bij een medewerker terecht. Zonder zo’n lat is elke uitkomst een mislukking, want er is niets om ze aan af te meten.
Schalen vóór bewijs. Modellen verouderen. Onderzoekers testten 128 combinaties van model en dataset uit vier sectoren en zagen de kwaliteit in 91% van de gevallen teruglopen naarmate de tijd verstreek. Dat heet data drift: de realiteit verandert en het model niet mee. Daarmee is de nauwkeurigheid uit je pilot geen belofte voor volgend jaar, en uitrollen naar iedereen vóór je dat begrijpt, is duur.
Deze vier valkuilen kun je alle vier vermijden vóór de pilot begint. Hoe ziet zo’n pilot eruit?
Hoe ziet een succesvolle AI-pilot eruit?
Wat een pilot doet slagen, zit minder in de techniek dan in de afspraken vooraf. Zes kenmerken maken het verschil:
1. Scherpe, beperkte use case. Eén taak, één systeem, één team. Je moet de opdracht in één zin kunnen zeggen, zonder “en” erin.
2. Data-audit vóór de start. Kijk naar volume, kwaliteit en representativiteit, en doe dat op de data die het model straks echt gebruikt. Wat hier ontbreekt, kom je later tegen als een resultaat dat niemand vertrouwt.
3. Zakelijke eigenaar. Iemand uit het bedrijf bewaakt de businesscase en beoordeelt de output, met tijd in zijn agenda en het mandaat om te stoppen.
4. Afgesproken succescriteria. Vastgelegd vóór de pilot start, in cijfers, met de afspraak wat er gebeurt als je de lat niet haalt.
5. Iteratief bijsturen. Kijk tussentijds naar de resultaten in plaats van te wachten op de oplevering. Dan is een verkeerde aanname een correctie en geen mislukking.
6. Beperkte scope voor uitrol. Bewijs het in het klein, bij één team of één processtroom, en schaal daarna.
Vijf van deze zes kenmerken kun je zelf afspreken, deze week, zonder externe partij. Blijft kenmerk 2 over, en dat is het enige dat je niet kunt afspreken maar moet vaststellen.
De rol van data-readiness in AI-succes
Data-readiness is geen nice-to-have bij een AI-project, het is de voorwaarde. Een AI-systeem is zo goed als de data waarop het leert en waarop het daarna reageert. Dat is geen technische randvoorwaarde maar een zakelijke: wat je in een model investeert, investeer je in je data.
Kijk je met die blik terug naar je mislukte pilot, dan zie je waar de signalen zaten. Ze stonden vóór de start al in je systemen: de klant die drie keer bestaat, de vertrokken klanten die niemand bewaarde, de productcode die twee dingen betekent.
Daarmee verschuift de vraag. Niet: hebben we de juiste AI-technologie gekozen? Maar: kan onze data dragen wat we willen bereiken? Je weet vóór je investeert welke toepassingen vandaag haalbaar zijn en welke eerst datawerk vragen.
De Data & AI Readiness Scan geeft je in twee weken een eerlijk beeld van je datamaturiteit en een concreet actieplan. Daarin staan een prioriteitenlijst met de verbeterpunten die het zwaarst doorwegen en een go/no-go-advies.
Wij zeggen je eerlijk waar je staat, ook als dat betekent dat je nu beter niet opnieuw begint. Ook een no-go is een uitkomst.