De meeste bedrijven doen hun eerste AI-project goed en hun tweede fout. Het eerste draait op nieuwigheid, aandacht van de directie en één vrijwilliger die het belangrijk genoeg vindt om dingen handmatig recht te zetten. Het tweede concurreert met gewoon werk. Daar merkt u of de organisatie echt veranderd is, of alleen een kwartaal enthousiasme heeft geleend. Wilt u weten of een AI-project geslaagd is? Lees niet het pilotrapport terug, maar kijk naar wat erna gebeurde.
Waarom lijkt het eerste AI-project bijna altijd een succes?
Bij een eerste project staat vrijwel alles in uw voordeel — en bijna niets daarvan is herhaalbaar. De scope is gekozen omdat hij te bewijzen was, niet omdat het de pijnlijkste plek in het bedrijf was. Iemand uit de directie vroeg er elke week naar. En er was één persoon, meestal niet van IT, die zo graag wilde dat het werkte dat hij op donderdagavond nog data zat over te tikken in plaats van de demo te laten mislukken.
Dat is geen valsspelen. Zo beginnen nieuwe dingen in elk bedrijf en in elke branche, en ik neem liever een enthousiast eerste project dan een perfect ingericht project waar niemand om geeft. Maar het betekent wel dat een eerste project iets anders meet dan mensen denken. Het meet of de techniek hier kán werken. Het meet niet of deze organisatie het kan draaien.
Met "tweede AI-project" bedoel ik het volgende, echt andere proces dat u automatiseert of ondersteunt nadat het eerste live staat — niet fase twee van dezelfde bouw. Fase twee erft de goodwill van fase één. Een nieuw proces erft niets, en juist daarom zegt het zo veel.
Ik schreef eerder dat AI-adoptie strandt in de organisatie, niet in de code. Dit stuk gaat over de vraag daarna: niet waarom een eerste project vastloopt, maar wat een tweede AI-project u vertelt wat een eerste structureel niet kan vertellen. Het tweede project is uw eerste eerlijke meting, want dan is alle tijdelijke hulp weer naar huis.
Wat verandert er echt tussen project één en project twee?
Vijf dingen, in mijn ervaring — en geen daarvan is technisch.
De vrijwilliger is niet meer vrij. Wie project één droeg, beheert nu project één. Elke vraag erover komt op zijn bureau terecht. De ruimte die hij had voor iets nieuws is op, en niemand heeft die vervangen, want op papier is het eerste project "af".
Het budget aan nieuwigheid is leeg. Een directie maakt haar agenda leeg voor één experiment. Voor een tweede keer in dezelfde categorie doet ze dat niet. Project twee moet het doen met gewone aandacht, en dat is een veel strengere — en veel realistischere — test.
Project één kost nu elke maand iets. Prompts gaan schuiven, een formulier eerder in de keten verandert, een leverancier hernoemt een veld, iemand vraagt om nog één uitzondering. Niets daarvan is dramatisch, en alles bij elkaar kost het uren die nooit begroot zijn. Als beheer niet benoemd en belegd is, concurreert project twee met een last die niemand heeft opgeschreven.
Het makkelijke proces is op. Per definitie hebt u het proces met schone data en weinig uitzonderingen al gedaan. De volgende kandidaat heeft meer randgevallen, meer mensen met een mening, en meestal minstens één iemand van wie de functie stilletjes verandert als het werkt.
De vergelijking draait om. Project één mocht rommelig zijn, want het was nieuw. Project twee wordt vergeleken met de gepolijste versie van project één die in ieders herinnering bestaat — niet met de rommelige die er destijds echt stond. Dat is een oneerlijke maatstaf, en het is de maatstaf waarop u wordt afgerekend.
Waarom mislukken AI-projecten na de pilot? De zorg had er eerder een woord voor dan AI
Er bestaat een woord voor organisaties die veelbelovende pilots blijven draaien die nooit gewoon werk worden: pilotitis. Het komt niet uit de AI-hoek. Het komt uit de digitale zorg, en Nederlandse onderzoekers gebruiken het gewoon in vakbladen. Een studie uit 2025 in het tijdschrift DIGITAL HEALTH — Addressing pilotitis: A qualitative study on the implementation of eCoaches in hospital-based chronic care — opent precies met de observatie die ik hier maak: ondanks veelbelovende resultaten uit pilotinitiatieven blijft de stap naar bredere invoering en opschaling moeizaam.
Dat vind ik om twee redenen bruikbaar. Ten eerste is het het bewijs dat dit geen AI-probleem is. Nederlandse ziekenhuizen kregen goede digitale pilots al niet opgeschaald jaren voordat iemand in een bestuurskamer "taalmodel" zei. De oorzaak zit dus in hoe organisaties nieuw werk financieren, bemensen en overdragen — niet in de techniek van het moment.
Ten tweede is het een waarschuwing over hoe u pilots inricht. Een pilot die is gebouwd om geëvalueerd te worden is iets anders dan een pilot die is gebouwd om door te gaan. De eerste heeft een rapport nodig. De tweede heeft een eigenaar nodig, een begrotingsregel, en een plan voor de dinsdag nadat het enthousiasme op is. In het Nederlandse mkb zijn de meeste eerste AI-projecten in feite evaluatiepilots in de kleren van een productiesysteem.
Wat zeggen de cijfers, en wat laten ze weg?
De prognose van Gartner uit juni 2025 krijg ik het vaakst voorgehouden: meer dan 40% van de agentic-AI-projecten wordt vóór eind 2027 stopgezet, door oplopende kosten, onduidelijke businesswaarde en onvoldoende risicobeheersing. Daarnaast circuleert overal een MIT-cijfer: dat ongeveer 95% van de pilots bij grote bedrijven geen meetbaar effect op de winst-en-verliesrekening heeft. Ik noem het omdat u het tegenkomt, en ik zou er geen argument op bouwen: de methode is publiekelijk bestreden, en zo'n omstreden getal hoort in een voetnoot, niet in een businesscase.
Het Nederlandse beeld is rustiger en voor een kleiner bedrijf bruikbaarder. In de AI-monitor van het CBS over 2024 gebruikte 22,7% van de bedrijven met tien of meer werkzame personen minstens één AI-technologie — bijna negen procentpunt meer dan een jaar eerder, met de kleinste categorie (10 tot 20 werkzame personen) op 17,8% en bedrijven met 500-plus op 59,2%.
Let nu op wat al die cijfers gemeen hebben. Ze tellen of een bedrijf is begónnen. Adoptiecijfers, stopzettingsprognoses, aantallen pilots — het zijn allemaal metingen van eerste contact. Niemand publiceert het getal dat ik eigenlijk wil hebben: hoeveel bedrijven die één AI-project afmaakten er zelfstandig een tweede afmaakten. Dat getal zou pas laten zien of AI wortel heeft geschoten in de Nederlandse economie of er alleen op bezoek is geweest.
Er ontbreekt nog iets in die statistieken: ze maken geen onderscheid tussen een bedrijf dat een AI-functie aanzette in software die het toch al had, en een bedrijf dat een proces anders is gaan draaien. De assistent inschakelen in uw boekhoudpakket telt in een enquête als adoptie. Het leert uw organisatie vrijwel niets over het draaien van een systeem waar zij zelf verantwoordelijk voor is — en dat is precies de vaardigheid waar project twee uit put.
Hoe kiest u het volgende AI-project? De vier vragen die ik stel
Ze zijn niet slim bedacht. Het zijn de vragen die de uitkomst voorspellen, en ik stel ze in een eerste gesprek, ruim voordat het over scope of prijs gaat.
Wie houdt project één nog overeind?
Als het antwoord een naam is, en diezelfde naam is ook de beoogde eigenaar van project twee, dan is mijn eerlijke advies: wacht nog even. Eén persoon kan niet tegelijk de beheerafdeling zijn van een groeiende verzameling automatiseringen én de kartrekker van de volgende. Is het antwoord "niemand, het draait gewoon" — mooi, maar dan wil ik zien wat er gebeurt in de eerste week dat het níét draait.
Wat is er in project één stukgegaan dat we nooit hebben gerepareerd?
Elk project heeft er één. Een handmatige stap die tijdelijk zou zijn. Een export die iemand nog steeds op vrijdag draait. Kan niemand er een noemen, dan is het project óf echt schoon óf niemand zit er dicht genoeg op om het te weten — en ik zie het tweede aanzienlijk vaker dan het eerste.
Ik stel de vraag bewust in die vorm. "Werkt alles naar behoren?" levert een ja op uit een kamer die de vergadering wil beëindigen. "Wat ging er stuk dat we nooit hebben gerepareerd?" gaat ervan uit dat er iets stukging — wat in elk project klopt dat ik ooit van dichtbij zag — en geeft mensen toestemming om concreet te zijn waar hun leidinggevende bij zit.
Is dit proces gekozen om de pijn, of om het gemak?
Project één mag gekozen worden om het gemak; u koopt bewijs. Project twee gekozen om het gemak is een waarschuwingssignaal, want meestal betekent het dat de organisatie het comfortabele deel van de oefening herhaalt in plaats van het te richten op iets dat echt geld kost. Ik schreef apart over welk proces u als eerste automatiseert; voor het tweede zijn de eisen strenger, niet losser.
Wie beslist als het om elf uur 's avonds misgaat?
Niet "wie krijgt de melding", maar: wie mag het uitzetten, overrulen, of een klant vertellen dat het fout zat. Als die persoon niet hardop is benoemd, hebt u geen productiesysteem — dan hebt u een pilot met betere uptime.
Hoe ziet een goed tweede AI-project eruit?
Saai. Bewust en structureel saai.
De beste tweede projecten die ik zie hergebruiken vrijwel alles behalve het proces zelf: dezelfde authenticatie, dezelfde logging, dezelfde controlestap, hetzelfde patroon waarin een mens meekijkt, dezelfde regels over wat het model nooit alleen mag beslissen. Het budget aan nieuwigheid gaat naar het bedrijfsprobleem, niet naar de architectuur. Heeft uw tweede project een nieuwe stack, een nieuwe leverancier en een nieuw koppelpatroon nodig, dan heeft het eerste u een demo opgeleverd in plaats van een fundament — een conclusie die het waard is om vroeg te trekken, en die bij project twee goedkoper te repareren is dan bij project vijf.
De inspanning per eenheid waarde hoort te dalen. Gebeurt dat niet, dan is dát het echte signaal, en het is bruikbaarder dan welke ROI-slide ook. Meestal betekent het dat de herbruikbare onderdelen nooit zijn gescheiden van de projectspecifieke — te repareren, maar als expliciet stuk werk, niet als hoop.
Voor bedrijven onder de vijftig medewerkers pleit ik bovendien voor volgordelijk werken in plaats van parallel, en die discussie verlies ik met enige regelmaat. Twee automatiseringen die in hetzelfde kwartaal bij hetzelfde team landen kosten niet twee keer zo veel aandacht; ze kosten veel meer, want dat team debugt nu twee onbekende gedragingen naast het eigen werk. Eén tegelijk, tot de eerste zijn eigen beheer terugverdient, is trager op de roadmap en sneller in de werkelijkheid.
Wanneer het eerlijke antwoord "nog niet" is
Soms is de juiste aanbeveling na een geslaagd eerste project: doe twee kwartalen niets nieuws, en gebruik die tijd om het eerste netjes belegd, gedocumenteerd en saai te maken. Daar wint u geen opdracht mee. Het is ook, vaker dan mensen verwachten, precies het advies dat een tweede project überhaupt mogelijk maakt.
Zit u nu tussen project één en project twee in, dan zijn twee dingen het lezen waard: wat u meet zodra iets live staat — dat zette ik uiteen in wat u meet in een AI-pilot — en het verschil tussen een pilot, een proof of concept en een MVP, want het ding juist benoemen is het halve werk om te voorkomen dat project twee langs de verkeerde meetlat wordt gelegd. Wilt u het liever tegen uw eigen situatie aan houden, dan is daar onze AI-consultancy voor het mkb voor. En gaat uw vraag onderhuids toch over geld, dan staan de eerlijke bedragen op wat een AI-project kost.
Geschreven in augustus 2026, vanuit het patroon dat ik in eerste gesprekken blijf zien. De techniek in dit stuk veroudert snel. Het stuk over wie project één nog overeind houdt niet.
