Ergens in een vergaderzaal zegt iemand: “We moeten iets met AI.”

Drie mensen knikken alsof ze persoonlijk door de toekomst zijn gebeld. Marketing ziet efficiëntie, bestuurders zien innovatie en LinkedIn ziet vooral een nieuwe golf zelfverzekerde posts van mensen die vorige maand nog “blockchain consultant” in hun bio hadden staan. De IT-afdeling ziet ondertussen iets heel anders: integraties, beveiligingsvragen, extra beheer en een hoop verwachtingen die nergens concreet zijn gemaakt.

Welkom in het gemiddelde AI-project.

De meeste AI-initiatieven mislukken niet omdat de technologie slecht is. Ze mislukken omdat organisaties verliefd worden op het idee van AI zonder ooit serieus uit te rekenen wat het kost, wat het oplevert en welke risico’s erbij horen. De businesscase wordt vervangen door enthousiasme, druk vanuit de boardroom en de collectieve angst om “achter te blijven”. Alsof technologie een soort digitale groepsdruk is geworden. Wat het eerlijk gezegd ook gewoon is.

AI-projecten beginnen zelden met een echt probleem

Veel organisaties starten niet vanuit een concreet bedrijfsprobleem. Ze starten vanuit een trend. Een concurrent doet iets met AI, een bestuurder heeft een inspiratiesessie bezocht of iemand heeft een indrukwekkende demo gezien waarin een chatbot in twintig seconden een document samenvat. Ineens ontstaat er haast.

Niet omdat exact duidelijk is welk probleem opgelost moet worden, maar omdat niemand degene wil zijn die later moet uitleggen waarom de organisatie “niets met AI heeft gedaan”.

Dus begint er een project.

Vaak zonder harde KPI’s, zonder duidelijke afbakening en zonder eerlijke kostenanalyse. Het doel blijft vaag: innovatie, versnelling, transformatie. Mooie woorden waar complete budgetten in verdwijnen zonder dat iemand nog weet wat oorspronkelijk het probleem was.

En eerlijk is eerlijk: AI-demo’s zijn gevaarlijk overtuigend. Alles werkt soepel zolang het om een gecontroleerde presentatie gaat met perfecte data en precies de juiste vragen. Dat is ongeveer hetzelfde als geloven dat een conceptauto klaar is voor dagelijks verkeer omdat hij op een beurs mooi onder de lampen stond.

De echte kosten verschijnen pas ná de demo

Vrijwel ieder AI-project begint goedkoop. Een pilot draait snel, een leverancier toont een werkend prototype en iedereen krijgt het gevoel dat de organisatie “grote stappen” zet.

Pas daarna begint de werkelijkheid.

Integraties blijken complexer dan gedacht. Data blijkt incompleet, vervuild of juridisch gevoelig. Security-teams willen garanties die leveranciers liever vaag houden. Compliance-afdelingen beginnen vragen te stellen die tijdens de pitch nooit voorbij kwamen. Ondertussen groeit iedere “kleine aanpassing” uit tot structureel beheerwerk.

Daar zit meestal het echte geld.

Niet in het model zelf, maar in alles eromheen: beheer, monitoring, toegangsbeheer, kwaliteitscontrole, logging, training van medewerkers, juridische toetsing en aanpassingen aan bestaande processen. Veel organisaties ontdekken pas laat dat AI geen los trucje is, maar een extra laag complexiteit bovenop een bestaande IT-omgeving die vaak al kwetsbaar genoeg was.

En dan moet de eerste rekensom nog beginnen.

Want een AI-oplossing die theoretisch twintig uur werk per week bespaart, maar ondertussen tien uur extra controle, beheer en correctiewerk introduceert, levert niet automatisch winst op. Dat soort details verdwijnen alleen opvallend vaak uit de PowerPoint-presentaties. Wonderlijk toeval natuurlijk.

Hallucinaties zijn geen grappige demo-fouten

Binnen demo’s worden hallucinerende AI-systemen vaak gebracht als iets komisch. De chatbot verzint een bron, geeft een zelfverzekerd fout antwoord of haalt complete feiten door elkaar. Mensen lachen daar meestal om, omdat het voelt als een technisch kinderziekteje.

Tot dezelfde fout in een productieomgeving verschijnt.

Dan verandert het ineens van “grappige AI-misser” naar reputatieschade, compliance-risico of foutieve besluitvorming. Zeker omdat AI-systemen niet alleen antwoorden produceren, maar ook vertrouwen uitstralen. Gebruikers nemen verrassend snel aan dat professioneel klinkende output correct is.

Dat maakt AI fundamenteel anders dan veel traditionele software. Een fout in een Excel-sheet oogt vaak zichtbaar rommelig. Een fout van een AI-systeem klinkt daarentegen vaak overtuigend, gestructureerd en zelfverzekerd. Alsof het systeem zelf ook niet begrijpt dat het complete onzin verkoopt. Eigenlijk heel menselijk gedrag, nu je erover nadenkt.

Daardoor ontstaat een ongemakkelijke paradox. Organisaties implementeren AI om tijd te besparen, maar voegen vervolgens extra controlelagen toe omdat de output niet betrouwbaar genoeg is om blind te vertrouwen.

Dan moet je een eerlijke vraag durven stellen: besparen we nu daadwerkelijk tijd, of hebben we simpelweg een extra controleproces gebouwd bovenop een nieuw risico?

Compliance haalt veel AI-romantiek snel onderuit

Vrijwel iedere AI-presentatie eindigt met een inspirerend verhaal over mogelijkheden. Minder aandacht gaat uit naar de audit die daarna komt.

Want zodra AI persoonsgegevens verwerkt, invloed krijgt op besluitvorming of bedrijfsgevoelige informatie analyseert, verschuift het gesprek direct. Dan gaat het ineens niet meer over innovatie, maar over AVG-risico’s, bewaartermijnen, logging, uitlegbaarheid, leverancierscontracten en governance.

En precies daar lopen veel organisaties vast.

Niet omdat AI onmogelijk is, maar omdat de basis al niet op orde was voordat het project begon. Veel bedrijven hebben hun datahuishouding nauwelijks onder controle, weten niet exact waar gevoelige informatie staat opgeslagen en hebben moeite om bestaande processen goed te documenteren. Toch willen dezelfde organisaties ondertussen “AI-first” worden.

Dat is ongeveer alsof iemand eerst een Formule 1-motor koopt en daarna pas ontdekt dat de rest van de auto nog uit winkelwagenonderdelen bestaat.

AI versnelt ook slechte processen

Een slecht proces wordt niet slim doordat je er AI bovenop zet. Het wordt vooral sneller slecht.

Dat is misschien wel de meest onderschatte waarheid binnen de huidige AI-hype. Technologie lost namelijk geen organisatorische chaos op. Het automatiseert die chaos vaak juist efficiënter.

Wanneer processen al bestaan uit uitzonderingen, workarounds, onduidelijke verantwoordelijkheden en inconsistente invoer, dan gaat AI daar geen magie van maken. Dan krijg je vooral een duur systeem dat rommel op grotere schaal verwerkt.

Succesvolle AI-projecten ontstaan meestal in organisaties die hun processen al begrijpen. Die weten waar inefficiëntie zit, welke data betrouwbaar is en waar automatisering daadwerkelijk waarde toevoegt. Niet in organisaties die hopen dat AI hun structurele organisatorische problemen wel even oplost.

Want technologie is geen vervanging voor volwassenheid. Hoe graag sommige managementteams dat ook zouden willen.

Het probleem is niet AI

AI kan absoluut enorme waarde leveren. Daar is inmiddels genoeg bewijs voor. Maar succesvolle projecten hebben bijna altijd iets opvallend saais gemeen: ze beginnen klein, hebben een duidelijk doel en rekenen beheer, risico en menselijke controle vanaf het begin mee.

Dat klinkt minder spectaculair dan een futuristische keynote over “de organisatie van morgen”, maar het werkt wel.

De belangrijkste vraag bij AI is uiteindelijk niet: “Kunnen we dit bouwen?”

De echte vraag is veel ongemakkelijker:
“Is dit goedkoper, betrouwbaarder, veiliger en beheersbaarder dan wat we nu doen?”

En vooral: blijft dat over twee jaar nog steeds zo?

Veel AI-projecten sneuvelen precies op dat punt. Niet omdat de technologie waardeloos is, maar omdat organisaties verliefd worden op mogelijkheden voordat iemand de rekening durft uit te rekenen.

En uiteindelijk wint de rekening altijd. Samen met tijdelijke workarounds die per ongeluk tien jaar blijven bestaan. Ook zo’n klassieker binnen IT-land.