Managers voelen de druk om met AI aan de slag te gaan, maar missen de grip om van experiment naar werkende oplossing te komen. Gelukkig zijn de valkuilen voorspelbaar. Dit artikel geeft de concrete handvatten om ze te omzeilen.
Martijn Kruiswijk is als Data Leader actief in het organiseren, bouwen en leiden van data- en AI-initiatieven. Vanuit deze praktijkervaring wordt duidelijk waarom sommige AI-projecten versnellen terwijl andere stagneren. In veel organisaties start men vol enthousiasme met AI-pilots, maar de meeste lopen vast op weg naar productie. Uit het MIT-rapport The GenAI Divide - State of AI in Business 2025 [1] blijkt zelfs dat 95 procent van de AI-pilotprojecten er niet in slaagt op te schalen of waarde te leveren. Dit beeld wordt bevestigd tijdens AI-conferenties en - workshops in Nederland, waar vaak weinig handen omhoog blijven bij de vervolgvraag "... en bij wie zijn deze AI-pilots al in productie?".
[1] https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
Waarom AI-pilots stranden
De kloof tussen een werkend prototype en een productiesysteem, de beruchte 'Valley of Death', is voor AI-projecten dieper dan voor andere technologieën. De complexiteit van deze stap wordt vaak zwaar onderschat, waardoor projecten vastlopen op drie cruciale knelpunten.
Cool tech, geen business case
Veel organisaties trappen in de valkuil van pilotitis: er worden talloze experimenten 'bottom-up' gestart, maar er wordt zelden opgeschaald. Teams focussen te veel op 'cool tech' en technische mogelijkheden en te weinig op praktische toepasbaarheid. Zo komt bijvoorbeeld de geslaagde help-chatbot pilot voor de contactpagina van de website niet van de grond. De waarde is niet overtuigend aangetoond, de marketingafdeling voelt zich geen eigenaar en daardoor is er weinig animo om het klantcontactproces aan te passen.
Zelfs een geslaagde pilot loopt zo vast bij integratie in het IT-landschap en de bedrijfsprocessen van de bestaande organisatie. Zonder gedragen businessdoel, aangetoonde waarde of steun vanuit de directie is niemand bereid te investeren in de stap naar een robuuste productie-oplossing.
Opschaling zonder fundament
Een tweede struikelblok is het technische fundament. Na het vieren van het succes van de pilot volgt vaak de teleurstelling van het productieklaar maken. Organisaties missen vaak AI-ready data: in de veilige omgeving vaneen proof-of-concept werken teams met handmatig voorbereide data, maar dit is niet houdbaar in een geautomatiseerde productieomgeving.
Zonder een AIOps-fundament in de organisatie moet het pilotteam zelf de benodigde teams activeren en betrokken houden. Er is geen betrouwbare automatisering, monitoring of versiebeheer aanwezig. De stap naar productie wordt hierdoor een eenmalig risicovol project in plaats van een beheersbaar proces.
De boardroom als bottleneck
De derde vertraging ontstaat in de boardroom. Klassieke jaarlijkse budgetrondes sluiten slecht aan op de maandelijkse en soms zelfs wekelijkse ontwikkelingen van AI. Strategie en governance lopen continu achter de feiten aan. Dit maakt het lastig om hypes van echte kansen te scheiden en risico's goed in te schatten. Zonder aansluiting tussen de boardroom en de AI-realiteit ontstaan vertragingen in besluitvorming en blijven investeringen uit.
Van stranden naar structureel succes
Is het dan alleen maar slecht nieuws? Nee, gelukkig wordt steeds beter zichtbaar wat wel werkt.
Stop de wildgroei, start met regie
De oplossing begint bij het vervangen van losse pilots door een strategisch AI-initiatief. Haal use cases op uit de business die ertoe doen en beoordeel deze op waarde en haalbaarheid. Kies voor kwaliteit boven kwantiteit. Maak van een pilot een 'Proof-of-Value' met duidelijke doelen en succescriteria. Zorg vooraf voor budget en capaciteit voor opschaling bij succes. Pilots worden zo serieuze stappen in een product life cycle proces in plaats van vrijblijvende experimenten.
Bouw aan een stevig fundament
Bouw parallel aan data- en AIOps-capaciteiten. Zie dit als een aparte werkstroom naast de pilots. Zet een basis neer voor production-grade testen, monitoren en uitrol. Het pilotteam wordt bijvoorbeeld erg geholpen door een checklist om de datastromen in kaart te brengen (velden, definities, refresh, eigenaar, kwaliteitsdrempels, etc.), een modelkaart (doel, grenzen, bias-risico's, evaluatiemetrics, goedgekeurd gebruik, regressietestset, etc.) en monitoring die direct aansluit op cruciale KPI's (input drift, outputverdeling, model metrics, etc.). Dit fundament maakt de stap van pilot naar productie efficiënt en herhaalbaar. Het voorkomt dat elk project opnieuw het wiel moet uitvinden en zorgt voor een soepele overgang naar beheer.
Moderniseer je besluitvorming
Tot slot: richt een modern besliskader in. Start een AI-council met leiders uit business, IT en risk. Dit team bepaalt kaders en prioriteiten en neemt besluiten over doorgaan of stoppen. Een AI-council kan bijvoorbeeld in 30 minuten aan de hand van een voorbereide "Go/No-Go" one-pager met daarin doel, waarde, risico's, data readiness, integratie-impact, run-kosten en kill-criteria het besluit nemen: "Akkoord op 3 maanden Proof-of-Value met € 10.000 cloudbudget en 0,5 FTE extra security engineering". Beslissingen worden zo sneller en beter, hype wordt onderscheiden van echte kansen en er ontstaat een helder pad naar AI-waarde in plaats van een stapel vastgelopen pilots.
Stop met experimenteren, start met regisseren
Leg de huidige ambities langs de meetlat van deze drie voorwaarden: werkend portfolio-management, een stevig data- en AIOps-fundament en een betrokken boardroom. Deze voorwaarden maken het verschil. Ze veranderen gestrande pilots in AI-initiatieven die daadwerkelijk waarde opleveren.
Van inzicht naar actie
Herken je deze patronen in je eigen organisatie? Dan is de conclusie helder: AI-succes vraagt niet om meer experimenteren, maar om scherpere keuzes, regie en een fundament dat opschaling mogelijk maakt.
De vraag is niet of je iets met AI moet doen, maar hoe je voorkomt dat waardevolle initiatieven blijven steken in pilots. Dat begint met focus, eigenaarschap en besluitvorming die meebeweegt met de snelheid van AI.
Meer weten?
227 Data & AI helpt organisaties om AI-initiatieven duurzaam van pilot naar productie te brengen. Niet door losse use cases te stapelen, maar door te werken aan de samenhang tussen strategie, datafundament, teams en governance.
Wil je voorkomen dat AI-pilots blijven hangen en toewerken naar concrete, schaalbare AI-oplossingen? Of zoek je ondersteuning bij portfolio-keuzes, AI-governance, data- en AIOps-fundamenten of het inrichten van een AI-council?
We denken graag mee. Neem gerust contact op met Christiaan van Bueren.
