AI-pilot opschalen: van experiment naar dagelijks werk

Een AI-pilot die werkt, voelt als het moeilijkste deel. Toch strandt het grootste deel van de proeven daarna: volgens onderzoek van IDC halen vier van de 33 AI-proeven het dagelijks werk. Een AI-pilot opschalen vraagt meer dan een tool die het doet. Hieronder lees je wat recent onderzoek zegt over het verschil, en welke vijf stappen je zet voordat je opschaalt.

Waarom blijven zoveel AI-pilots hangen?

De afgelopen twee jaar zijn er flink wat onderzoeken verschenen over AI-proeven, en ze wijzen dezelfde kant op. IDC onderzocht samen met Lenovo hoeveel proeven het dagelijks werk halen: van elke 33 AI-proeven bereikten er vier het stadium waarin ze breed gebruikt worden. Gartner voorspelde in 2024 al dat minstens 30 procent van de projecten met generatieve AI na de proeffase zou worden stopgezet. Als redenen noemde het bureau slechte datakwaliteit, te weinig risicobeheersing, oplopende kosten en een onduidelijke opbrengst.

Het bekendste cijfer komt van MIT. Het rapport The GenAI Divide (2025) concludeerde dat ongeveer 95 procent van de AI-pilots bij bedrijven geen meetbaar effect had op omzet of winst. Dat cijfer is stevig bekritiseerd, omdat het rust op interviews, een enquête en openbare voorbeelden, over een korte periode. Ik lees het daarom vooral als een richting. Interessanter vind ik de verklaring van de onderzoekers. De oorzaak lag zelden bij de kwaliteit van het taalmodel (de techniek achter tools als ChatGPT en Copilot). De pilots liepen vast op de inpassing in het werk: een algemene chattool helpt één medewerker prima, en leert intussen niets van hoe de organisatie werkt.

Wat bewijst een geslaagde pilot eigenlijk?

Een pilot laat zien dat de techniek een taak aankan. Een klein groepje enthousiaste collega’s probeert iets uit, met nette voorbeeldbestanden en veel aandacht. Dat is waardevol, want je leert wat de tool kan. Over het gewone werk zegt het nog weinig: wie controleert de uitkomst, wat gebeurt er als de invoer rommelig is, hoe lang duurt het werk in totaal en wie is verantwoordelijk als het misgaat?

Ik zie bij organisaties vaak dat de pilot geldt als bewijs dat het werkt, waarna iedereen de tool krijgt. Dan blijkt dat collega’s de uitkomst toch weer helemaal nalopen, of juist helemaal niet, en dat de tijdwinst ergens anders weglekt. Dat past bij de vuistregel waar ik bij 5Value mee werk: eerst repareren, dan versterken. AI op een proces dat al rammelt, laat het sneller rammelen.

Wat doen organisaties die wel opschalen?

McKinsey vraagt elk jaar wereldwijd ruim 1.700 organisaties naar hun gebruik van AI. In de editie van 2026 zegt 44 procent dat AI breed in de organisatie wordt gebruikt, tegen 38 procent een jaar eerder. Ongeveer 6 procent haalt er een flink deel van de winst uit. Die kopgroep doet een paar dingen opvallend vaker dan de rest:

• Ze richten het werk opnieuw in. Bijna driekwart van de kopgroep past werkprocessen grondig aan, tegen ongeveer een kwart van de andere organisaties.
• De top laat zichtbaar zien dat ze achter de invoering staat.
• Ze hebben twee keer zo vaak vaste afspraken over hoe ze de opbrengst meten.
• Ze werken actiever aan het beheersen van risico’s, zoals acties van AI die niemand bedoeld had.

MIT kwam via een andere weg op iets vergelijkbaars uit. Pilots slaagden vaker als de leidinggevenden van de teams zelf de invoering trokken, met een centraal AI-team op de achtergrond. Oplossingen die samen met een gespecialiseerde leverancier werden ingevoerd, haalden in ongeveer twee op de drie gevallen de eindstreep. Zelfgebouwde oplossingen lukten veel minder vaak, vooral omdat ze slecht aansloten op het werk zoals het echt gebeurt.

AI-pilot opschalen in vijf stappen

Op basis van dat onderzoek en wat ik bij organisaties zie, zou ik vijf dingen regelen voordat een pilot naar het hele team of de hele organisatie gaat. Ze kosten samen een paar weken, en dat is weinig vergeleken met een uitrol die halverwege stilvalt.

1. Kies een proces en meet hoe het nu gaat

Begin bij werk dat vaak terugkomt, zoals offertes nalopen of vergaderverslagen maken. Meet vóór je opschaalt hoe lang het nu duurt, hoe vaak er fouten in zitten en waar het blijft liggen. Zonder die nulmeting kun je achteraf alleen zeggen dat het goed voelt, en daarmee overtuig je geen directie die moet kiezen waar het budget heen gaat.

2. Teken het nieuwe werk uit, met het controlemoment erin

Leg vast wat AI doet, wat de medewerker doet en waar een mens beslist. Bij een offerte kan AI de eerste versie maken en de prijzen naast eerdere offertes leggen, waarna de accountmanager controleert en verstuurt. Spreek ook af wanneer die controle klaar is. Zonder die afspraak blijft iemand schaven en verdwijnt de tijdwinst weer, iets waar ik eerder over schreef in Werken met AI: de verslaving van altijd beter. Welke beslissingen je aan AI toevertrouwt en welke je menselijk houdt, lees je in Beoordelingsvermogen: de rode draad van AI-governance.

3. Test met echte, rommelige invoer

Laat de oplossing een paar weken meedraaien naast het bestaande werk, met de dossiers zoals ze echt binnenkomen: onvolledig en vol tikfouten. Vergelijk de uitkomst met wat collega’s zelf maakten. Hier zie je of datakwaliteit, de eerste reden die Gartner noemt voor het stopzetten van projecten, in jouw situatie een probleem is.

4. Leg de spelregels en het eigenaarschap vast

Bepaal wie eigenaar is van het nieuwe werkproces. Dat is bij voorkeur de leidinggevende van het team dat ermee werkt, en geen IT-afdeling op afstand. Spreek af welke gegevens de tool mag gebruiken, hoe medewerkers fouten melden en wie de instellingen bijhoudt. Een paar heldere afspraken werken beter dan een dik beleidsstuk (meer daarover in AI-spelregels: begrenzing zonder dik beleidsdocument). Sinds februari 2025 vraagt de Europese AI-verordening ook dat medewerkers die met AI werken genoeg kennis hebben om dat verantwoord te doen, dus neem uitleg en oefening mee in de uitrol.

5. Rol uit in stappen en blijf meten

Breid pas uit naar een tweede team als het eerste team de nieuwe werkwijze zonder extra hulp volhoudt en de cijfers uit stap 1 zijn verbeterd. Leg vooraf vast wanneer je bijstuurt of stopt, bijvoorbeeld als het controleren na een maand nog evenveel tijd kost als het oude werk. Een pilot die je op tijd stopt, levert ook iets op: je weet waar AI in jouw organisatie weinig toevoegt en wat je eerst moet regelen.

Waar begin je morgen?

Pak de pilot die nu loopt of net is afgerond, en loop met het team een paar vragen na. Weet je hoe lang het werk duurde voordat AI erbij kwam? Voelt één persoon zich eigenaar van het nieuwe proces? Staat ergens wie de uitkomst controleert, en wanneer die controle klaar is? Weet je waar de invoer vandaan komt en hoe schoon die is?

Ontbreekt een van die antwoorden, dan is dat je eerste klus, nog voordat je meer licenties koopt. Dat werk is minder spannend dan een nieuwe tool uitproberen. Het bepaalt wel of jouw pilot bij de vier van de drieëndertig hoort.