Wat is een AI-pilot?

Een AI-pilot is een kleine, in tijd begrensde bouw die draait op uw echte data, met uw echte gebruikers, om een vraag te beantwoorden die op papier niet te beantwoorden is: werkt dit hier, en is het de moeite waard om op te schalen?

Pilots bestaan door een economische verschuiving, niet door mode. Software bouwen is drastisch goedkoper en sneller geworden. Dat verlaagde niet alleen de projectkosten, het veranderde welke strategie verstandig is. Toen een bouw €250.000 kostte en een jaar duurde, moest u zeker zijn vóór de start, en zekerheid was duur. Nu dezelfde functionaliteit een fractie kost, is de goedkopere zet: stop met zeker willen zijn en ga het uitzoeken.

Waarom de pilot de juiste werkeenheid werd

Dertig jaar lang was zwaar vooraf specificeren verstandig, omdat halverwege van gedachten veranderen rampzalig was. Die logica gold zolang bouwen het dure deel was. Dat is het niet meer. Moderne tooling, foundation models en beheerde infrastructuur hebben de kosten van een eerste werkende versie ineen doen storten, en het dure deel is nu weten wát te bouwen. Als het antwoord duurder is dan het experiment, doe dan het experiment. Dat is het hele argument voor piloten, en het verklaart waarom de praktijk met AI kwam en niet eerder.

Wat een pilot eigenlijk koopt

Informatie, geen software. Een pilot die eindigt met een werkend hulpmiddel maar zonder helderder besluit is mislukt; een pilot die eindigt zonder hulpmiddel maar met een stevig onderbouwd "nee" is geslaagd en heeft het productiebudget bespaard. Drie dingen zijn meestal meer waard dan het prototype: of uw data de use case draagt (vaak niet, en dit is de meest voorkomende doodsoorzaak), of de mensen wier werk verandert het ook echt gebruiken, en wat de werkelijke foutmarge is op uw invoer in plaats van op een benchmark.

Zo voert u er een uit: vijf besluiten vóór de eerste regel code

1. Eén proces, met naam. Niet "AI voor klantenservice" maar "het conceptantwoord op garantie-e-mails". 2. Een getal dat iemand al bezit. Rapporteert niemand die maat vandaag, dan merkt niemand de verbetering. 3. Een vooraf opgeschreven slaagnorm. Bepaal welk resultaat productie zou rechtvaardigen, vóórdat u resultaten ziet. 4. Een echte gebruiker, geen stakeholder. Degene die het werk dagelijks doet, niet degene die het budget tekende. 5. Een stopdatum. Een pilot zonder einddatum wordt een permanent zijsysteem dat niemand onderhoudt.

De nieuwe faalmodus heet pilotpurgatorium

Goedkope experimenten brengen een risico dat het dure tijdperk niet kende. Het oude risico was €250.000 inzetten op het verkeerde. Het nieuwe risico is acht pilots draaien en er geen enkele uitrollen. Elke pilot oogde veelbelovend, geen had een opgeschreven slaagnorm, dus geen kon dood of klaar verklaard worden. De discipline die nu telt is niet het toelatingscriterium, het is het afsluitcriterium. Een pilot heeft evenzeer een manier nodig om te falen als om te slagen, plus iemand met de bevoegdheid om op de stopdatum te beslissen.

Wat de faalcijfers werkelijk zeggen

U kent het getal inmiddels: 95% van de GenAI-pilots in het bedrijfsleven levert geen meetbaar effect op de winst-en-verliesrekening. Het komt uit The GenAI Divide: State of AI in Business 2025 van het NANDA-initiatief van MIT, gebaseerd op 52 directie-interviews, een enquete onder 153 leidinggevenden en een analyse van ongeveer 300 publieke implementaties. Gartner publiceerde hetzelfde jaar een tweede cijfer: meer dan 40% van de agentic AI-projecten wordt voor eind 2027 gestopt, wegens oplopende kosten, onduidelijke businesswaarde en gebrekkige risicobeheersing.

Beide cijfers verdienen het om goed gelezen te worden in plaats van doorverteld. Het MIT-rapport definieerde succes smal en bewust: uitrol voorbij de pilotfase, met meetbare KPI's, en ROI gemeten zes maanden na afloop van de pilot. Op die definitie tellen efficientiewinst, minder verloop en een snellere pijplijn als nul. Het rapport noemt de eigen interviewbevindingen bovendien richtinggevend in plaats van door bedrijven gerapporteerd. 95% betekent dus niet dat 95% van de pilots instort; het betekent dat 95% zakt voor een strenge toets waar de meeste pilots nooit voor waren opgezet.

En dat is juist het bruikbare deel. Die strenge toets is precies de lat om voor te ontwerpen. Kan een pilot niet benoemen welke KPI beweegt, wie die KPI bezit, en op welke datum zes maanden later iemand het nakijkt, dan belandt hij per constructie in die 95%, wat het model ook doet. Beide bevindingen wijzen op dezelfde oorzaak, en dat is niet de kwaliteit van het model: het is de inpassing in een echt werkproces, en vooraf bepalen wat als bewijs geldt.

Wat kost een AI-pilot en hoelang duurt hij?

Bij Crux Digits: eerst een audit van €2.500 om vast te stellen of het proces überhaupt een pilot waard is: ongeveer een tot twee weken, en met enige regelmaat eindigt die met "een script van €4.000 doet dit, bouw hier geen AI". Daarna een Productieklare MVP van €20.000 die 4–6 weken op uw data draait, en productie vanaf €50.000 als de slaagnorm gehaald wordt. Vaste prijzen, omdat een pilot met open einde aan kosten in geen enkel zinvol opzicht in tijd begrensd is.