95% van de AI-pilots levert niets op. De middenmarkt kan het anders doen.

Bedrijven staken samen 30 tot 40 miljard dollar in generatieve AI. Bij 95% van de pilots leverde dat geen meetbaar rendement op, becijfert MIT in het rapport The GenAI Divide (2025). Vijf procent haalt echte waarde. De rest bleef steken in een demo die de directie even overtuigde en daarna langzaam doodbloedde.

Toch is dat geen reden om AI links te laten liggen. Het probleem zit in hoe de meeste bedrijven eraan beginnen. Een groot project, een externe partij die het bouwt, een dure tool van een grote leverancier, en de belofte dat het zich later wel terugverdient. De technologie eronder is zelden de zwakke schakel. De opzet eromheen wel.

Het kerkhof ligt vol proofs of concept

Gartner voorspelde in juli 2024 dat minstens 30% van de generatieve-AI-projecten na de proof of concept wordt stopgezet tegen eind 2025. De genoemde oorzaken: slechte datakwaliteit, te weinig risicobeheersing, oplopende kosten en onduidelijke bedrijfswaarde. S&P Global Market Intelligence zag het in 2025 hard oplopen. 42% van de bedrijven schrapte de meeste AI-initiatieven, tegenover 17% een jaar eerder. Gemiddeld sneuvelde 46% van de proofs of concept nog voor ze productie haalden.

De obstakels die daarbij het vaakst terugkomen, zijn kosten, dataprivacy en security. Wie de vorige golf van grote softwareprojecten heeft meegemaakt, herkent de mechaniek meteen. Eén groot blok, één belofte, en geen tussenstap waarop iemand kan zien of het werkt. Daarom bouwen wij in golven met een go/no-go op elke stap. Zo kunt u stoppen op het moment dat een pilot niets oplevert, in plaats van pas wanneer de begroting al op is.

De middenmarkt heeft een voordeel dat ze zelden gebruikt

In datzelfde MIT-onderzoek staat een cijfer dat de krantenkoppen zelden haalt. Middelgrote bedrijven gaan van pilot naar productie in ongeveer 90 dagen. Grote ondernemingen doen er negen maanden of meer over. Dat verschil komt niet door betere technologie. Het komt doordat de afstand tussen wie beslist en wie het werk doet, kleiner is.

In een bedrijf van tweehonderd mensen zit de persoon die het probleem kent aan dezelfde tafel als de persoon die budget vrijmaakt. Er is geen stuurgroep die drie kwartalen vergadert over één use case. Dat is een reële voorsprong, en de meeste middelgrote bedrijven verspelen hem door een aanpak te kopiëren die voor een concern is bedacht.

Wat de 5% anders doet: klein, en in eigen beheer

AI is zo goed als de data eronder. Staat die data verspreid over honderd SaaS-contracten die u niet beheert, dan bouwt u uw model op zand, en betaalt u een externe partij om het achteraf op te ruimen. De 5% die wél iets overhoudt, begint aan de andere kant. Eerst uitzoeken waar de data en de uitgaven weglekken, iets wat een vendor-neutrale audit in kaart brengt, en dan de data samenbrengen in één platform in eigen beheer met de code in uw eigen repository. AI komt daarna, op de plek waar ze een concreet probleem oplost.

Open source is hier vooral een praktische keuze. In het onderzoek The State of Enterprise Open Source van Red Hat (2022) noemen bedrijven betere security en hogere softwarekwaliteit als de meest genoemde voordelen. Voor AI komt daar iets bij. De modellen en gereedschappen die ertoe doen, zijn grotendeels open. U draait ze op uw eigen infrastructuur, op uw eigen data, zonder die data naar een externe modelleverancier te sturen. Dat is meteen uw antwoord op de dataprivacy en security die in de cijfers hierboven de grootste struikelblokken waren.

• Uw data in één datamodel dat u bezit, niet uitgesmeerd over honderd losse contracten.
• Een open-source stack die u zelf draait, zodat uw gegevens binnen uw eigen omgeving blijven.
• AI toegevoegd op één plek waar ze een meetbaar probleem oplost, niet als een laag over alles tegelijk.
• Een go/no-go na elke stap, zodat een pilot die niets oplevert vroeg strandt in plaats van na een jaar.

Een stack die klein blijft, kan een team van 1 tot 2 mensen onderhouden. Dat klinkt als een detail, maar het is de kern van het kostenverhaal. Waar een concern drie bureaus inhuurt die elk een stuk bouwen en elk een factuur sturen, houdt een middelgroot bedrijf de zaak draaiende met een handvol mensen die het systeem echt kennen. Zo werken wij zelf ook, en het is de reden dat de rekening meebeweegt met de infrastructuur die u draait, niet met het aantal gebruikers.

AI hoort niet vooraan in de brochure, maar achteraan in de bouwvolgorde. U zet ze in op een taak die u kunt meten, waar ze iets sneller of goedkoper maakt, en pas als de data eronder klopt. Zo'n toevoeging maakt geen indruk in een stuurgroep. Ze blijft wel werken lang nadat de aandacht verdwenen is.

De 30 tot 40 miljard dollar is grotendeels uitgegeven aan de vraag of AI werkt. Voor uw bedrijf is dat de verkeerde vraag. De juiste is smaller. Welke taak, op welke data, met welk cijfer erachter, en wie het over een jaar onderhoudt. Wie klein begint op een stack die hij zelf bezit, weet binnen 90 dagen of hij bij de 5% hoort die iets overhoudt, of trekt op tijd de stekker eruit. Allebei beter dan negen maanden wachten op een demo die niemand daarna nog opent.