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

In het kort (TL;DR):

• Uit onderzoek van MIT (project NANDA, 2025) blijkt dat 95% van de generatieve AI-pilots binnen bedrijven geen meetbare winstimpact oplevert. Gartner voorspelt daarnaast dat ruim 40% van alle agentic AI projecten voor eind 2027 wordt geannuleerd.

• Toch groeit AI-adoptie in het Nederlandse MKB explosief: van 33% naar 70% in 1 jaar tijd (Exact MKB Barometer 2026). Ambitie en uitvoering lopen daarmee verder uit elkaar dan ooit.

• Het onderscheid dat er echt toe doet, is niet "AI of automatisering", maar wélk deel van uw bedrijfsvoering u aanpakt: AI is sterk in bouwen (code, prototypes), maar risicovol als u AI zelf beslissingen laat nemen in een lopend bedrijfsproces zonder platform eromheen.

• No-code procesautomatisering is minder spannend, maar aantoonbaar voorspelbaarder: uit onderzoek naar vergelijkbare platformen blijkt tot 74% lagere ontwikkelkosten en een ROI van 206% over drie jaar (Forrester TEI-studie). Bij no-code, waar zelfs geen technische code aan te pas komt, is die voorspelbaarheid nog groter dan bij low-code..
  

De belofte en de rekening

Iedereen praat over AI. Bijna niemand praat over wat er gebeurt na de pilot.

Dat is precies het probleem. Uw concurrent lanceert een AI chatbot, een collega ondernemer laat trots een demo zien, en u voelt de vertrouwde druk: moeten wij hier ook niet mee beginnen? De verleiding is groot om te starten met het opvallendste, meest besproken stukje technologie. Maar voordat u die stap zet, is er een cijfer dat elke MKB directeur zou moeten kennen, en dat zelden in de AI berichten voorbijkomt.

Onderzoekers van MIT onderzochten in hun rapport The GenAI Divide: State of AI in Business 2025 honderden generatieve AI implementaties bij bedrijven. Hun conclusie: 95% van de AI-pilots levert geen meetbare financiële impact op. Niet een beetje minder dan verwacht. Geen impact.

Dat cijfer verdient wel een kanttekening, die we hier niet overslaan: 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 van het rapport wijzen er terecht op dat een kort venster bijna gegarandeerd een teleurstellend cijfer oplevert, en dat andere onderzoeken, zoals een IDC-peiling onder 4.000 beslissers, wel degelijk positief rendement meten. 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, vanwege oplopende kosten, onduidelijke bedrijfswaarde of onvoldoende risicobeheersing. En marktonderzoeker S&P Global Market Intelligence mat dat 42% van de bedrijven in 2025 het merendeel van hun AI initiatieven liet vallen, tegen 17% een jaar eerder. Ook Deloitte's eigen AI Institute komt met een nuchter cijfer: slechts 25% van de organisaties heeft minimaal 40% van hun AI pilots daadwerkelijk in productie gebracht.

Verschillende bronnen, verschillende definities van "falen", maar 1 terugkerend patroon: de afstand tussen een indrukwekkende AI demo en een AI toepassing die daadwerkelijk, betrouwbaar, dag in dag uit meedraait in uw bedrijfsvoering, is veel 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 naar AI toe. Volgens de meest recente Exact MKB Barometer 2026 gebruikt inmiddels 70% van de mkb ondernemers AI, tegenover 33% een jaar eerder. Het CBS bevestigt de trend: in 2025 gebruikte 29,8% van het Nederlandse MKB (10 tot 249 medewerkers) minstens 1 AI technologie, ruim boven het aandeel van microbedrijven (13,8%).

Waar zet het MKB die AI voor in? Vooral voor het schrijven van teksten en genereren van beelden (56%), en administratieve taken. Herhaalbaar, tekst gedreven werk dus, precies de plekken waar de vraag "heb ik hier AI voor nodig, of gewoon een goede workflow" het scherpst speelt.

Wat achterblijft, is de vertaalslag naar de praktijk. Diezelfde 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 is precies waar ons eerdere artikel over de automatiseringskramp in het MKB al op wees: de ambitie is er, het budget vaak ook, maar de uitvoering hapert.

Bouwen met AI versus AI laten beslissen: een cruciaal onderscheid

Om helder te krijgen wanneer AI wél verstandig is, moet u eerst 1 onderscheid scherp maken, dat in de meeste AI adviezen door elkaar loopt.

AI als bouwer. Generatieve AI is sterk in het genereren van code, tekst en prototypes, onder menselijke regie. Dit soort AI gebruik 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.

AI als beslisser in een lopend proces is een fundamenteel ander scenario. Hier 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 is precies het scenario 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. Precies 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 precies het risico dat Gartner signaleert: kostbare experimenten die nooit de stap naar een stabiele productieomgeving maken.

Het alternatief: minder spectaculair, aantoonbaar voorspelbaarder

Terwijl AI projecten worstelen om uit de pilotfase te komen, bestaat er een minder besproken, aanmerkelijk voorspelbaardere 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 kans-gebaseerde output, geen "meestal correct, soms bijsturen". Uit de Total Economic Impact studie van Forrester Research voor enterprise low-code platforms blijkt 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. Precies het type harde, meetbare uitkomst dat bij AI projecten volgens Deloitte en Gartner vaak ontbreekt.

Bij no-code geldt dit 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. Dat sluit codeerfouten uit en maakt het proces volledig doorzichtig voor niet technische proceseigenaren: de logica staat zichtbaar in het platform, niet verscholen in code die alleen een developer kan lezen. Precies de auditeerbaarheid en het gebrek aan een "black box" die bij AI projecten volgens Gartner en Deloitte vaak ontbreken, zijn bij no-code inherent aan de architectuur.

Dit sluit AI 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. Geen "AI of no-code", maar een samenwerking waarin het platform de architect is en 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 data zegt.

Sommige taken lenen zich juist 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, en kan AI wel degelijk waarde toevoegen, mits ingebouwd in een omgeving met de juiste controles.

Andersom geldt: niet elk proces dat aantrekkelijk lijkt voor AI, is er ook klaar voor. Geen digitale brondata, een proces dat alleen in het hoofd van 1 medewerker zit, of een onomkeerbare beslissing zonder menselijke controle: dat zijn signalen om eerst het proces zelf op orde te krijgen, voordat er aan AI wordt gedacht.

De praktische vuistregel is dus niet "kies AI of automatisering", maar: 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 controles.

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

Conclusie: niet de snelste technologie wint, de best passende

De vraag is niet langer of uw organisatie iets met AI moet doen. De vraag is of u begint met het proces dat de meeste kans op succes heeft, of met 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 aantoonbaar voorspelbaarder in kosten, tijdlijn en resultaat. De meeste winst zit niet in het kiezen van de nieuwste technologie, maar in het kiezen van 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, is het de moeite waard om eerst scherp te krijgen welk deel van uw bedrijfsvoering daadwerkelijk AI nodig heeft, en welk deel u sneller en goedkoper met gestructureerde automatisering oplost.

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

Inzicht dat u morgen kunt gebruiken.

Plan direct uw Architectuur-check in.