Vraag mij een AI-implementatie te beoordelen en ik begin niet bij de demo. Ik heb te veel gladde demo's zien vastlopen om te vertrouwen op wat er op het scherm gebeurt. AI-implementatie is het werk dat begint zodra de demo stopt — het onopvallende traject waarin een veelbelovend prototype iets wordt waar mensen dagelijks op leunen, of stilletjes wordt uitgezet. Dat traject, niet het model, bepaalt waar de meeste waarde wordt gewonnen of verloren.
Een demo is een voorstelling. Hij is gebouwd om een zaal tien minuten te imponeren op invoer die iemand vooraf heeft uitgekozen. Echte implementatie is het tegenovergestelde van een voorstelling: het zijn duizend saaie dinsdagen waarop hetzelfde systeem de rommelige invoer moet verwerken die niemand heeft gerepeteerd, precies op het moment dat iemand het echt nodig heeft. Ik heb geleerd mijn applaus tijdens de demo in te houden en mijn aandacht te bewaren voor het gat dat daarna komt.
Waarom AI-implementatie niet de demo is die u zag
Het duurste misverstand dat ik tegenkom is de overtuiging dat een werkende demo betekent dat het moeilijke deel klaar is. In mijn ervaring is het bijna andersom. De demo bewijst dat het idee mogelijk is; de implementatie bewijst dat het houdbaar is. Tussen die twee woorden zitten bijna alle kosten, het grootste deel van het risico, en elke reden waarom een project stilletjes strandt nadat iedereen het al heeft gevierd.
Dit telt zwaar omdat de tools nog nooit zo goed demoden. In 2026 zet een bekwame engineer in een middag iets echt indrukwekkends neer — een agent die uw documenten leest, uw e-mails opstelt, uw klanten te woord staat. Juist het gemak van de demo maakt het gat gevaarlijk. Als "wow" goedkoop is, verwarren teams die wow met de finish en begroten ze een sprint waar ze een systeem nodig hadden.
De cijfers achter het gat van pilot naar productie
Ik schrik mensen liever niet af met statistieken, maar het patroon in het onderzoek is te consistent om te negeren, en het komt overeen met wat ik zie. RAND documenteerde eind 2025 dat ongeveer 80% van de AI-projecten de beloofde waarde niet levert — en, cruciaal, dat ongeveer een derde wordt gestaakt voordat het ooit productie haalt, terwijl nog een derde de productie wel haalt maar de waarde die het rechtvaardigde nooit oplevert. MIT's Project NANDA kwam via een andere route op dezelfde plek uit, met de bevinding dat ongeveer 95% van de generatieve-AI-pilots geen meetbaar rendement op de winst-en-verliesrekening laat zien.
De golf van agents heeft daar niets aan veranderd, alleen de inzet verhoogd. Gartner verwacht nu dat rond 40% van de agentic-AI-projecten in 2027 wordt geschrapt, en wijst daarbij op oplopende kosten en onduidelijke waarde, niet op tekortschietende technologie. Lees die cijfers goed en dezelfde conclusie blijft bovendrijven: het model is zelden wat breekt. De implementatie wel. Onduidelijke succescriteria, data waar het systeem niet echt bij kan, en niemand die eigenaar is van wat er gebeurt als het misgaat — dat zijn organisatorische mislukkingen in een technisch kostuum.
Wat er echt breekt tussen de demo en het dagelijks gebruik
Als het model niet het probleem is, loont het om precies te benoemen wat dat wel is. Als ik een vastgelopen project terugbreng naar de eerste barst, zit die bijna altijd op een van een paar voorspelbare plekken. Geen ervan is zichtbaar in een demo — precies daarom voelde die demo zo geruststellend. Ze zijn bovendien, zonder uitzondering, in de eerste week goedkoper te herstellen dan in het eerste kwartaal, en dat is precies waarom ik ze hardop probeer te benoemen voordat iemand verliefd wordt op een scherm.
Het gelukkige pad was het enige pad
Een demo draait op invoer die is gekozen om er goed uit te zien — schone documenten, meewerkende formuleringen, het geval waarvan de bouwer al weet dat het werkt. Productie stuurt de invoer die niemand heeft gerepeteerd: de half-gescande pdf, de klant die drie vragen in een zin stelt, het record met een veld dat in 2019 leeg is gelaten. De afstand tussen het gelukkige pad en de echte verdeling van invoer is waar een verrassend deel van de projecten stilletjes sterft. Een systeem dat in de demo 95% van de tijd gelijk heeft, kan het mis hebben in juist die 5% van de gevallen die het meest tellen — en geen enkele hoeveelheid prompt-tuning dicht dat gat vanzelf. Dat vraagt evaluatie tegen echte data, die vrijwel geen demo heeft.
De integratie die niemand in de demo stopte
De demo leeft in een schone zandbak. Het echte systeem moet reiken in tools die nooit zijn ontworpen om met elkaar te praten, twee databases verzoenen die dezelfde klant op drie manieren spellen, rechten respecteren, en een antwoord teruggeven dat snel genoeg is dat een druk iemand het niet opgeeft en het weer met de hand gaat doen. Dit loodgieterswerk is onzichtbaar, onopvallend en steevast de grootste post in de begroting. Het is ook het werk dat een prototype scheidt van iets waar een team echt op kan steunen — daarom laat ik een klant liever de integratie goed betalen dan een tweede indrukwekkende demo.
Niemand is eigenaar van het moment dat het misgaat
Elk echt AI-systeem heeft het soms mis. De vraag die bepaalt of het overleeft is niet of het fout gaat maar wat er dan gebeurt — wie het merkt, wie verantwoordelijk is, en of er een mens met mandaat bij de risicovolle stap zit om het op te vangen. Demo's slaan dit over, want demo's falen niet. De projecten die het in productie volhouden zijn die welke vanaf de eerste week ontworpen zijn om fout te kunnen gaan: goedkeuringsstappen op alles wat gevolgen heeft, krappe rechten, logging die u werkelijk kunt lezen, en een benoemde eigenaar in plaats van een vage hoop dat het zich gedraagt.
Van pilot naar productie: wat de projecten die overleven anders doen
Het bemoedigende aan het onderzoek is dat de overlevers saai consistent zijn — de minderheid die het van pilot naar productie haalt, doet meestal dezelfde handvol dingen. Ze kiezen een smalle taak met veel volume in plaats van een brede ambitie, zodat er een echt getal is om te verzetten en een echte verdeling om tegen te testen. Ze houden een mens bij de stappen die risico dragen, in plaats van op dag een volledige autonomie na te jagen. Ze bouwen een manier om kwaliteit tegen echte invoer te meten voor ze opschalen, niet erna. En ze laten een systeem groeien van schaduwmodus — stil meedraaiend naast de mensen — naar vertrouwd gebruik, in plaats van een schakelaar om te zetten en te hopen.
U merkt dat niets daarvan over het model gaat. Het gaat over scope, eigenaarschap, meten en terughoudendheid. Dezelfde instincten die ik beschreef in hoe ik lees of een project mislukt voordat het begint gelden na de demo net zo goed als ervoor: word kleiner en helderder voordat u ambitieuzer wordt. Een smal ding dat werkt verslaat elke keer een breed ding dat goed demoot en in maand twee sterft. De paradox is dat teams die kleiner durven mikken bijna altijd verder komen, omdat hun eerste winst het vertrouwen en het bewijs koopt om de tweede te wagen.
Hoe kiest u een AI-implementatiepartner
Omdat het risico in de implementatie zit en niet in het model, is dat precies waar u iedereen op moet toetsen die u overweegt in te huren. Een partner die de eerste afspraak besteedt aan welk model te gebruiken, beantwoordt de makkelijke vraag. Wie het vertrouwen waard is, besteedt hem aan de moeilijke: welke beslissing verandert dit, waar leeft de data en wie is de eigenaar, wat gebeurt er bij de invoer die we niet hadden gepland, en wie is verantwoordelijk als het mis is. Als de pitch een demo is en een tijdlijn met "AI uitrollen" netjes in week zes, wees dan voorzichtig — die keurige rechte lijn verraadt iemand die het rommelige midden niet heeft meegemaakt.
Vraag specifiek hoe ze omgaan met de onopvallende delen: hoe ze kwaliteit toetsen tegen uw echte data, hoe ze een uitrol faseren, hoe ze een mens in de lus houden waar het telt, en wat ze doen als het systeem zelfverzekerd fout zit. Vraag ze een project te beschrijven dat niet volgens plan liep en wat ze toen veranderden. De antwoorden op die vragen zeggen veel meer over of uw implementatie overleeft dan welke demo ook. Een partner die echt dingen heeft uitgeleverd, heeft littekens en praat er nuchter over; wie alleen maar triomfen laat zien, is meestal niet lang genoeg in de kamer gebleven om de tweede maand te zien.
Wat ik klanten vertel voordat we een regel code schrijven
Mijn eerlijke advies is bijna altijd om meer tijd voor het probleem door te brengen en minder voor de tool. Voordat er iets wordt gebouwd, wil ik de specifieke beslissing of taak kunnen benoemen die verandert, de data en de eigenaar ervan kunnen aanwijzen, en de meetbare uitkomst kunnen uitspreken die we najagen — geen "AI gebruiken" maar een echt getal dat in een echte richting beweegt. Dat is de hele logica achter beginnen met een korte, betaalde audit en een strak afgebakende proof of concept in plaats van een grote bouw: bewijs het risicovolle deel eerst op echte data, goedkoop, en laat het saaie midden zich tonen voordat het duur is. Onze transparante prijzen zijn om diezelfde reden rond precies die volgorde gebouwd — audit, dan proof of concept, dan productie.
De stillere test van een echte implementatie
Er is een zachter signaal dat ik meer vertrouw dan welke benchmark ook: of mensen het ding echt gebruiken als niemand kijkt. Een systeem kan elke technische test doorstaan en toch falen, want adoptie is waar AI-waarde wordt gerealiseerd of stilletjes verloren gaat. Als de tool mensen vraagt hun manier van werken te veranderen en hun niets teruggeeft dat ze kunnen voelen, dan omzeilen ze hem, en wordt een technisch uitstekende implementatie plankware. Daarom geef ik net zoveel om de menselijke verandering — training, vertrouwen, de werkstroom waar hij in past — als om het model, en lever ik liever iets bescheidens dat mensen omarmen dan iets slims dat ze negeren. Het is dezelfde reden waarom ik een klant soms vertel dat het juiste antwoord is om nog niets te doen.
Als uw demo goed ging en u niet zeker weet wat nu
Een goede demo is een echte mijlpaal — hij is alleen niet de finish, en dat verschil kennen is het halve werk. Als u iets indrukwekkends heeft en niet zeker weet hoe het contact met echte data, echte gebruikers en uw echte systemen overleeft, dan is die onzekerheid het nuttigste wat u heeft, want ze wijst recht naar het werk dat er werkelijk toe doet. Dat is precies het gesprek dat u beter vroeg kunt voeren dan nadat een budget is uitgegeven. Als het helpt om uw eerste echte use case eerlijk in kaart te brengen — inclusief te horen krijgen dat het eerlijke antwoord "nog niet" is — bekijk dan onze prijzen of plan een gratis kennismaking, en we kijken samen naar het gat tussen uw demo en het dagelijks gebruik. En wilt u zien hoe deze systemen zich gedragen zodra ze echt draaien, dan zijn onze aantekeningen over AI-agents in productie een goed begin.
Veelgestelde vragen
Waarom mislukken AI-demo's in productie?
Omdat een demo op het gelukkige pad draait — schone, uitgekozen invoer — terwijl productie de rommelige, ongerepeteerde gevallen stuurt: half-gescande documenten, dubbelzinnige vragen, records met lege velden. Voeg integratie toe met systemen die nooit zijn gebouwd om te praten, plus de noodzaak dat iemand fouten bezit, en het meeste van de echte kosten en het risico zit hier, niet in het model.
Hoe krijg je een AI-project van pilot naar productie?
Kies een smalle taak met veel volume, houd een mens bij de risicovolle stappen, en bouw een manier om kwaliteit tegen echte data te meten voor het opschalen — niet erna. Laat het systeem daarna groeien van schaduwmodus, stil naast mensen meedraaiend, naar vertrouwd gebruik, in plaats van een schakelaar om te zetten. De projecten die overleven delen die terughoudendheid veel meer dan een bepaalde modelkeuze.
Wat houdt AI-implementatie precies in?
Veel meer dan het model. Het betekent kwaliteit toetsen tegen uw echte invoer, integreren met bestaande systemen en data, goedkeuringsstappen en rechten ontwerpen voor als het systeem fout zit, een uitrol faseren, en de menselijke verandering bouwen — training en vertrouwen — zodat mensen het echt adopteren. Het model is vaak het makkelijkste deel; het werk eromheen bepaalt of projecten slagen.
Hoe kies ik een AI-implementatiepartner?
Toets ze op de implementatie, niet op het model. Een partner die het vertrouwen waard is, besteedt de eerste afspraak aan welke beslissing verandert, waar de data leeft en wie de eigenaar is, wat er gebeurt bij ongeplande invoer, en wie verantwoordelijk is als het mis is. Wees voorzichtig met een pitch die vooral een demo en een keurige tijdlijn met 'AI uitrollen' in week zes is — het rommelige midden past nooit op een rechte lijn.
Betekent een indrukwekkende AI-demo dat het project slaagt?
Nee. Een demo bewijst dat het idee mogelijk is; de implementatie bewijst dat het houdbaar is. Onderzoek van RAND, MIT en Gartner laat consistent zien dat de meeste projecten die goed demoen alsnog stranden — gestaakt voor productie of uitgeleverd zonder waarde. De demo is een echte mijlpaal, maar het gat tussen demo en dagelijks gebruik is waar het werk, en de uitkomst, echt zitten.