Waarom AI-projecten mislukken, en wat je eraan doet

Deze vier komen we tegen bij organisaties die nog moeten beginnen, en bij organisaties die al een paar pilots achter de rug hebben. Vaak spelen ze tegelijk.

1. Niet weten waar te beginnen

'Iedereen heeft een mening over AI. Niemand heeft een lijst.' Er lopen vijf losse experimenten, elke afdeling heeft een eigen tool, en het gesprek in het MT gaat over Copilot of ChatGPT in plaats van over het werk.

Herkenbaar signaal: niemand kan in één zin zeggen welk proces als eerste beter moet, en waarom juist dat proces.

Wat je eraan doet: begin bij het werk, niet bij de tool. Verzamel kansen met de mensen die het werk doen en kies er één: het proces waar nu het meest wordt overgetypt, gezocht of nagebeld. Een eerste beeld van waar je staat, krijg je met de gratis zelfscan.

2. Het niet kunnen onderbouwen

'Zonder getal geen budget. Zonder budget geen project.' Iedereen voelt dat het werk veel tijd kost, maar niemand weet hoeveel. Dus vraagt de directeur wat het oplevert, en blijft het stil.

Herkenbaar signaal: de business case bestaat uit woorden als 'efficiënter' en 'veel tijdwinst', of uit een percentage uit een rapport.

Wat je eraan doet: geef elke processtap drie getallen: hoe lang duurt het, met hoeveel mensen, hoe vaak per maand. Veertig minuten, twee mensen, tachtig keer per maand is bij € 45 per uur € 57.600 aan werk per jaar. Reken daarna met het verwachte scenario, niet het gunstigste, en nooit met meer dan 90 procent besparing per stap. Hoe dat werkt, lees je in een AI business case maken.

3. Tegelijk overschatten en onderschatten

'Dat is even automatiseren, zeiden we. Een half jaar later bouwden we nog.' Organisaties overschatten wat AI zelf kan, zoals foutloos en zonder toezicht werken. En ze onderschatten wat het kost om het goed te bouwen: koppelingen, uitzonderingen, testen en beheer. Soms gebeurt ook het omgekeerde, en wordt werk dat AI prima kan afgedaan met 'dat kan een computer nooit'.

Herkenbaar signaal: de planning gaat uit van de demo, en niemand heeft het over uitzonderingen.

Wat je eraan doet: beoordeel per stap of hij geschikt is voor AI. Volgt de taak een vast patroon? Is hij in een paar stappen af? Hoe erg is een fout? En raam de bouw met vaste ervaringscijfers in plaats van op gevoel. In de APO-methode koppelen we elke kans aan een van 24 bouwblokken met een urenraming in drie scenario's. Onthoud ook: veertig uur bouwwerk is geen week doorlooptijd.

4. Randvoorwaarden overslaan

'Het model was het probleem niet. De data was er gewoon niet.' De offertes staan in mailboxen van mensen die al weg zijn. Er zijn geen voorbeelden van goed werk, behalve 'een weekje naast Henk zitten'. Er is geen toegang tot het ERP. Er is geen AI-beleid.

Herkenbaar signaal: halverwege gaat het project vooral over data opschonen, toegang regelen en uitzoeken wat 'goed' eigenlijk is.

Wat je eraan doet: stel vooraf drie vragen. Is de data digitaal beschikbaar? Zijn er tien of meer voorbeelden van input en goede output? Is helder wat erin gaat en wat eruit moet komen? Is het antwoord op een van de eerste twee nee, dan rekenen we in de APO-methode met maximaal 40 procent betrouwbaarheid, hoe mooi de kans ook klinkt. Dat is geen nee, maar een volgorde: eerst data en voorbeelden op orde, dan bouwen.

Deze vijf zien we vooral bij organisaties die al zijn begonnen. Het project loopt, er is iets gebouwd, en toch komt het niet van de grond.

5. Een pilot zonder eigenaar

De pilot is van 'het AI-team', van IT of van die ene enthousiaste collega. Na de demo zegt iedereen dat het mooi is. Daarna gebeurt er niets, want niemand uit de afdeling zelf voelt zich verantwoordelijk.

Herkenbaar signaal: op de vraag 'wanneer gaat dit live?' is het antwoord 'we zijn er nog mee bezig'.

Wat je eraan doet: geef elke pilot een eigenaar uit de business, met naam. Iemand die het proces kent, er zelf beter van wordt en mag beslissen. Spreek vooraf af wanneer de pilot geslaagd is, en wat er dan gebeurt: live, verbeteren of stoppen.

6. Geen meting vooraf

Na drie maanden voelt het sneller. Maar hoeveel sneller? Niemand weet hoe lang het werk eerst duurde, dus niemand kan laten zien wat het oplevert. Het gesprek over doorgaan wordt een gesprek over gevoel.

Herkenbaar signaal: er is een startdatum en een budget, maar geen nulmeting.

Wat je eraan doet: meet voor de start hoe het nu gaat: de drie getallen per stap, en waar het kan ook het aantal fouten en de doorlooptijd. Meet na livegang op precies dezelfde manier. Dat is het enige bewijs dat telt.

7. De werkvloer niet meegenomen

De tool staat klaar, de training was een webinar van een uur, en drie weken later werkt iedereen eromheen. 'Dat ding snapt ons werk niet.' Soms speelt er ook onzekerheid: wat betekent dit voor mijn baan?

Herkenbaar signaal: het gebruik zakt na de eerste weken in, en de kritiek komt via de wandelgangen.

Wat je eraan doet: laat de kansen komen van de mensen die het werk doen, niet alleen van het MT. Train op hun eigen werk, met hun eigen mails en documenten. Laat ze de controle houden: de AI zet klaar, zij keuren goed. En zeg eerlijk wat het betekent: minder overtypen en zoeken, meer tijd voor het werk waar ze goed in zijn. Dat het werk er leuker van kan worden, zie je bij Wens Chalets: daar ging het werknemersgeluk van 7 naar 9 toen AI een deel van de administratie en de gastcommunicatie overnam. Meer over trainen op eigen werk lees je bij AI-training voor je team.

8. Geen beheer na livegang

Het werkt. Drie maanden lang. Dan krijgt het ERP een update, verandert een leverancier zijn factuur of wordt het taalmodel vervangen, en stopt de workflow. Of erger: hij draait door en doet het net verkeerd. Niemand merkt het, tot een klant belt.

Herkenbaar signaal: na de oplevering is het project 'af', en niemand heeft de taak om het in de gaten te houden.

Wat je eraan doet: regel het beheer voordat je live gaat. Wie bewaakt het, wie wordt er gebeld, hoe vaak kijk je naar de resultaten? Houd een vaste set testgevallen bij en draai die bij elke wijziging opnieuw, ook bij een nieuw model.

9. Alles autonoom willen

'Het moet helemaal zonder mens.' De business case rekent met 100 procent besparing, de AI krijgt meteen de laatste stap, en de eerste fout belandt bij een klant. Daarna vertrouwt niemand het systeem nog, en wordt het project stilletjes stopgezet.

Herkenbaar signaal: in het plan staat nergens wie controleert, of wat er gebeurt bij een uitzondering.

Wat je eraan doet: begin met 'mens keurt goed'. De AI doet het werk, een medewerker controleert voordat het de deur uit gaat. Geef pas meer ruimte als de cijfers laten zien dat het kan. In de APO-methode landen verreweg de meeste kansen op deze rol of op 'AI helpt'. Lees meer in human in the loop.

Een pilot laat zien dat iets kan. Productie betekent dat het elke dag werkt, met echte data, echte uitzonderingen en echte mensen die erop rekenen. Het gat daartussen is groter dan de meeste planningen aannemen, en precies daar strandt een AI-pilot vaak.

Een pilot

• draait op een handvol schone voorbeelden
• wordt bediend door de enthousiasteling die hem bouwde
• is niet of half gekoppeld aan de echte systemen
• slaat de uitzonderingen over, 'die doen we later'
• heeft geen logboek, geen bewaking en geen eigenaar

Productie

• werkt op alle input, ook de scheve scan en de mail in het Duits
• wordt gebruikt door het hele team, ook door de sceptici
• is gekoppeld aan je systemen, met een eigen account, de kleinste rechten en een logboek (zie AI koppelen aan je systemen)
• stuurt uitzonderingen naar een mens
• wordt bewaakt, onderhouden en gemeten tegen de nulmeting

Klaar voor productie? Vijf vragen

1. 01Is er een eigenaar uit de business die zegt: dit gaan we gebruiken?
2. 02Is er een nulmeting, en is de pilot op dezelfde manier gemeten?
3. 03Is er getest op echte gevallen, ook de lastige?
4. 04Weet iedereen wie goedkeurt en wat er gebeurt bij een uitzondering?
5. 05Is geregeld wie het beheert na livegang?

Vijf keer ja: door. Een of meer keer nee: eerst dat regelen. Het hele stappenplan van idee tot livegang lees je bij AI implementeren.

Vijf rollen. Bij een kleine organisatie zijn dat soms maar twee of drie mensen. Ontbreekt er een, dan zie je dat terug in een van de negen oorzaken hierboven.

• De mensen die het werk doen. Zij weten hoe het echt loopt, waar de uitzonderingen zitten en welke voorbeelden er zijn. Zonder hen teken je het proces zoals het in het handboek staat, niet zoals het gaat.
• Een eigenaar uit de business. Iemand die het proces kent, het resultaat wil en de knoop doorhakt als het moet.
• Iemand die over geld beslist. Anders blijft een goede business case op tafel liggen.
• De beheerder van de systemen. Je IT-partner of key user, voor toegang, rechten en de vraag wat er volgend kwartaal verandert.
• Iemand die bouwt en blijft. Intern of een partner, die het niet alleen oplevert maar ook bewaakt en verbetert.

In de AI Quick Scan praten we daarom op één dag bij jullie op locatie met de directie, het team en de werkvloer. Een sessie met alleen het MT levert een mooie lijst op, maar weinig draagvlak op de werkvloer.

Door de vier problemen aan te pakken voordat er iets gebouwd wordt, en de vijf valkuilen mee te nemen in hoe we werken. Een project zonder risico bestaat niet. Wel kun je de kans op mislukken flink verkleinen door eerlijk te rekenen en klein te beginnen.

• Waar beginnen. In de AI Quick Scan verzamelen we kansen met de mensen die het werk doen en kiezen we er een top 3 uit. Eén dag op locatie, € 6.000 eenmalig.
• Onderbouwen. Per kans een business case met drie getallen per stap en drie scenario's, met het verwachte scenario als leidraad. Binnen een week, samen met een nulmeting op zeven punten, een impact-effortmatrix, een roadmap voor twaalf maanden en een pakketadvies.
• Inschatten. Per stap de AI-fit, de rol van mens en AI en een bouwblok met een vaste urenraming. Koppelingen zonder standaardkoppeling rekenen we mee als maatwerk.
• Randvoorwaarden. Geen data of geen voorbeelden, dan maximaal 40 procent betrouwbaarheid en eerst het fundament.
• Eigenaar, meting en beheer. In het AI Partnership, vanaf € 4.500 per maand voor minimaal twaalf maanden, laten we elke maand zien wat er draait en wat het oplevert, tegen de business case die we samen maakten. Met een vast team, dus niemand die na de oplevering verdwijnt.
• Mens in de lus. Altijd. Meer ruimte voor de AI alleen als de cijfers dat laten zien.

Onze garantie: het partnership levert in het eerste jaar minimaal twee keer terug wat het kost. Haalt het verwachte scenario dat niet, dan beginnen we er niet aan. Want ook dat is een mislukt AI-project: een project dat werkt, maar niet loont. Alle bedragen zijn exclusief btw.