95% van AI pilots faalt: waarom het MKB beter kan beginnen met automatiseren dan met AI

In het kort (TL;DR):

• Onderzoek van MIT (project NANDA, 2025) laat zien dat 95% van de generatieve AI pilots binnen bedrijven geen meetbare winstimpact oplevert. Gartner voorspelt dat ruim 40% van alle agentic AI projecten voor eind 2027 wordt stopgezet.

• Toch groeit AI adoptie in het Nederlandse mkb hard: van 33% naar 70% in één jaar tijd (Exact MKB Barometer 2026). Ambitie en uitvoering lopen daardoor verder uiteen dan ooit.

• Belangrijker dan de keuze tussen AI en automatisering is de vraag welk deel van uw bedrijfsvoering u aanpakt. AI is sterk in bouwen, code, prototypes, maar wordt risicovoller zodra u AI zelf laat beslissen in een lopend bedrijfsproces zonder platform eromheen.

• No-code procesautomatisering trekt minder aandacht, maar scoort aantoonbaar voorspelbaarder: onderzoek naar vergelijkbare platformen laat tot 74% lagere ontwikkelkosten zien en een ROI van 206% over drie jaar (Forrester TEI-studie). Bij no-code, waar zelfs geen technische code meer aan te pas komt, ligt die voorspelbaarheid nog hoger dan bij low-code.
  

De belofte en de rekening

Overal wordt gesproken over AI, veel minder vaak over wat er gebeurt zodra de pilot is afgelopen. Uw concurrent lanceert een chatbot, een collega ondernemer laat trots een demo zien, en de vertrouwde druk komt op: moeten wij hier ook niet mee beginnen? De verleiding om te starten met het meest besproken stukje technologie is groot. Voordat u die stap zet, is er een cijfer dat elke mkb directeur zou moeten kennen, en dat in de meeste AI berichtgeving ontbreekt.

Onderzoekers van MIT onderzochten voor hun rapport The GenAI Divide: State of AI in Business 2025 honderden generatieve AI-implementaties bij bedrijven. Hun conclusie: bij 95% van de AI-pilots was geen meetbare financiële impact te vinden. Geen tegenvallend resultaat, maar geen resultaat.

Die uitkomst verdient een kanttekening. De studie is gebaseerd op 52 interviews en een meetvenster van zes maanden, terwijl bedrijfssoftware doorgaans één tot twee jaar nodig heeft voordat winst zichtbaar wordt. Critici wijzen er terecht op dat een kort meetvenster bijna vanzelf een teleurstellend cijfer oplevert, en dat ander onderzoek, zoals een IDC-peiling onder 4.000 beslissers, wél een positief rendement meet.

Toch staat het cijfer niet op zichzelf. Gartner voorspelde in juni 2025 dat meer dan 40% van alle agentic AI projecten voor eind 2027 wordt geannuleerd, door oplopende kosten, onduidelijke bedrijfswaarde of onvoldoende risicobeheersing. Marktonderzoeker S&P Global Market Intelligence mat dat 42% van de bedrijven in 2025 het merendeel van hun AI-initiatieven liet vallen, tegenover 17% een jaar eerder. Deloitte's eigen AI Institute komt met een vergelijkbaar nuchter cijfer: slechts 25% van de organisaties heeft minimaal 40% van hun AI-pilots daadwerkelijk in productie gebracht.

De bronnen verschillen, de definities van "falen" lopen uiteen, maar het patroon keert steeds terug: de afstand tussen een indrukwekkende AI demo en een toepassing die dag in dag uit betrouwbaar meedraait in de bedrijfsvoering, is groter dan de meeste bedrijven vooraf inschatten.

Nederland versnelt, maar weet niet altijd waarheen

Dit risico speelt niet ergens ver weg. Het Nederlandse mkb rent op dit moment hard richting AI. Volgens de meest recente Exact MKB Barometer 2026 gebruikt inmiddels 70% van de mkb-ondernemers AI, tegenover 33% een jaar eerder. Het CBS bevestigt die trend: in 2025 gebruikte 29,8% van het Nederlandse mkb (10 tot 249 medewerkers) minstens één AI technologie, ruim boven het aandeel van microbedrijven (13,8%).

Waarvoor wordt die AI vooral ingezet? Voor het schrijven van teksten en genereren van beelden (56%) en voor administratieve taken, dus vooral herhaalbaar, tekstgedreven werk. Juist op die plekken speelt de vraag of AI wel nodig is, of eigenlijk gewoon een goede workflow, het scherpst.

Waar het schort, is de vertaalslag naar de praktijk. Dezelfde barometer laat zien dat bijna de helft van de ondernemers huiverig blijft tegenover AI, en dat 47% nog niet goed weet hoe AI effectief in de eigen organisatie in te zetten. Dat sluit aan bij wat we eerder schreven over de automatiseringskramp in het mkb: de ambitie is er, het budget vaak ook, maar de uitvoering hapert.

Bouwen met AI versus AI laten beslissen: een cruciaal onderscheid

Om te bepalen wanneer AI wél verstandig is, moet eerst een onderscheid scherp komen te staan dat in de meeste AI adviezen door elkaar loopt.

Als bouwer is generatieve AI sterk in het genereren van code, tekst en prototypes, onder menselijke regie. Dit type inzet bespraken we eerder in ons artikel over vibe coding versus no-code: AI die op basis van natuurlijke taal code genereert, is een krachtig hulpmiddel voor prototyping en ontwikkeling.

Als beslisser in een lopend proces ligt dat anders. Dan krijgt een AI agent de taak om zelfstandig, binnen een operationeel bedrijfsproces, beoordelingen te maken: een factuur goedkeuren, een klantvraag classificeren, een uitzondering afhandelen. Dit scenario is waar de faalcijfers van MIT en Gartner over gaan. Niet omdat de modellen tekortschieten, maar omdat een AI agent die op productieschaal beslist andere eisen stelt: betrouwbare brondata, heldere escalatieregels voor wanneer een mens ingrijpt, en auditeerbaarheid als er iets misgaat. Dat zijn nu net de elementen die in een losstaand AI project zonder platform eromheen vaak ontbreken.

Dat sluit aan bij wat we eerder schreven in Is no-code overbodig door AI?: AI is de bouwer, maar heeft een architect nodig. Zonder dat kader ontstaat het risico dat Gartner signaleert: kostbare experimenten die nooit de stap naar een stabiele productieomgeving maken.

Het alternatief: gestructureerde automatisering

Terwijl AI projecten vaak worstelen om uit de pilotfase te komen, bestaat er een minder besproken route voor hetzelfde probleem: gestructureerde procesautomatisering.

Het verschil zit in voorspelbaarheid. Een low-code workflow, waarbij ontwikkelaars met een beperkte hoeveelheid code een applicatie bouwen, volgt vaste, vooraf gedefinieerde regels. Geen kansgebaseerde output, geen "meestal correct, soms bijsturen". De Total Economic Impact studie van Forrester Research voor enterprise low-code platformen laat zien dat de ontwikkelingskosten gemiddeld 74% lager uitvallen dan bij traditionele softwareontwikkeling, met een terugverdientijd van minder dan zes maanden en een ROI van 206% over drie jaar. Dat is het soort hard, meetbaar resultaat dat bij AI-projecten volgens Deloitte en Gartner vaak ontbreekt.

Bij no-code geldt dat argument nog sterker. Waar low-code nog altijd een beperkte hoeveelheid handgeschreven code kent, bouwt u met een no-code platform als WEM of SoftR een applicatie volledig via visuele bouwblokken. Codeerfouten vallen daarmee weg, en het proces wordt volledig doorzichtig voor niet technische proceseigenaren: de logica staat zichtbaar in het platform, niet verscholen in code die alleen een developer kan lezen. De auditeerbaarheid en het gebrek aan een "black box" waar AI projecten volgens Gartner en Deloitte vaak op stranden, zijn bij no-code inherent aan de architectuur.

Dit sluit AI overigens niet uit. Binnen een no-code platform kan AI juist veilig landen, bijvoorbeeld voor het uitlezen van documenten of het classificeren van tekst, terwijl het platform de structuur, foutafhandeling en auditeerbaarheid regelt die een los AI project meestal mist. Het platform is dan de architect, AI de bouwer.

Een kritische noot: niet elk proces is voor AI, en niet elk proces is voor automatisering

Het zou te makkelijk zijn om te concluderen dat automatisering altijd de veilige keuze is en AI altijd riskant. Dat is niet wat de cijfers laten zien.

Sommige taken lenen zich slecht voor vaste, regelgebaseerde automatisering: een klantmail die in drie verschillende toonaarden dezelfde vraag stelt, een offerteaanvraag die nooit identiek is opgebouwd, of een document dat elke leverancier anders aanlevert. Voor dat soort taken met veel variatie en weinig vaste structuur schiet een "als dit, dan dat"-regel tekort. Daar kan AI wel degelijk waarde toevoegen, mits ingebouwd in een omgeving met de juiste controles.

Andersom geldt ook iets: niet elk proces dat aantrekkelijk lijkt voor AI, is er ook klaar voor. Geen digitale brondata, een proces dat alleen in het hoofd van één medewerker zit, of een onomkeerbare beslissing zonder menselijke controle, dat zijn signalen om eerst het proces zelf op orde te krijgen voordat aan AI wordt gedacht.

De praktische vuistregel: is het proces herhaalbaar en goed gedefinieerd, dan is een no-code workflow vrijwel altijd de snellere, goedkopere en voorspelbaardere route. Vraagt het proces om interpretatie van ongestructureerde input, dan is AI het overwegen waard, mits ingebed in een platform met de juiste waarborgen.

Bekijk hoe onze no-code oplossingen uw systemen weer wendbaar maken.

Conclusie: kies de technologie die bij uw proces past

De vraag is niet langer of uw organisatie iets met AI moet doen, maar waarmee u begint: het proces met de meeste kans op succes, of het proces dat het meeste indruk maakt in een directievergadering. De cijfers zijn duidelijk: een groot deel van de AI projecten die zonder architectuur en governance van start gaan, haalt de productiefase nooit. Gestructureerde procesautomatisering via no-code is minder spraakmakend, maar wel aantoonbaar voorspelbaarder in kosten, tijdlijn en resultaat. De meeste winst zit niet in de nieuwste technologie, maar in de technologie die past bij de aard van uw proces.

Begin bij het proces, niet bij de hype

Voordat u investeert in een AI project waarvan de kans op een mislukte pilot volgens meerdere onafhankelijke onderzoeken groter is dan de kans op succes, loont het om eerst scherp te krijgen welk deel van uw bedrijfsvoering daadwerkelijk AI nodig heeft, en welk deel u sneller en goedkoper oplost met gestructureerde automatisering.

PragmatiQ biedt hiervoor een Architectuur check aan (30 minuten), waarin we samen met u bepalen welke aanpak bij welk proces past.

Plan direct uw Architectuur-check in.