de 95-procent-mythe

Ik bouw en beheer AI-automatisering voor kleinere bedrijven. Een monday-CRM-landschap voor een installatiebedrijf, en fikst, mijn eigen agent-native CRM waarin echte agents via MCP op live bedrijfssoftware werken. Die oversteek, van een demo die het goed doet naar iets dat elke dag in productie draait met alle beheer eromheen, heb ik zelf gemaakt. Dus telkens als er weer een slide voorbijkomt met de kop dat 95 procent van de AI-projecten mislukt, wil ik weten waar dat getal gemeten is. Het komt uit een MIT-rapport, en de methodologie wordt zelfs in de eigen berichtgeving inconsistent beschreven. De andere faalcijfers die rondzingen? Net zulke gebreken. Een kleine steekproef, data die niemand mag inzien, of een leverancier die de rekening betaalt. En tóch wijzen ook de degelijke bronnen dezelfde kant op. Een kleine minderheid van de bedrijven verdient aantoonbaar geld met AI. Het patroon klopt. De percentages wankelen.

In de productiekloof staat de these die ik hier met cijfers natrek: de demo is 20 procent van het werk, en tussen pilot en productie sneuvelen de meeste projecten alsnog. De vraag hier is simpel. Waar komen die faalcijfers vandaan, en hoeveel houden ze over als je ze naast hun eigen methode legt?

klopt het dat 95 procent van de ai-projecten mislukt?

Dat weet niemand. En het rapport waar het cijfer vandaan komt, bewijst het in elk geval niet. Augustus 2025, één kop ging de wereld over: 95 procent van de generatieve-AI-pilots levert geen meetbaar effect op de winst-en-verliesrekening, en dat ondanks 30 tot 40 miljard dollar aan investeringen (Fortune, 2025). Die kop kwam uit “The GenAI Divide: State of AI in Business 2025” van MIT Project NANDA. Bijna een jaar verder staat-ie nog in zowat elke strategiepresentatie die ik voorbij zie komen.

Wil je het rapport zelf lezen? Eerst even een aanvraagformulier invullen. De ruwe data zijn nooit vrijgegeven. En de methodologie wordt wisselend beschreven. Het rapport zelf spreekt van 52 gestructureerde interviews, 153 enquêtes verzameld op vier conferenties en een review van ruim 300 publieke AI-initiatieven. Fortune noemt in de eigen berichtgeving 150 interviews en 350 enquêtes (Futuriom, 2025). Zelfde dekking, hetzelfde rapport, en de aantallen kloppen onderling gewoon niet. Analistensite Futuriom legde er ook nog de grafiek naast waar het cijfer op leunt, en betwist of die 95 procent er überhaupt uit valt af te leiden. Wharton-hoogleraar Kevin Werbach zette er, voorzichtig, publiekelijk vraagtekens bij. En de hardere eis, dat MIT de volledige data vrijgeeft of het rapport intrekt? Die komt van Futuriom zelf. Twee heel verschillende dingen, hoor. In de doorvertellingen worden ze bijna altijd tot één geknepen.

Misschien ligt het echte percentage lager. Misschien hoger. Het meest geciteerde AI-cijfer van dit moment is meteen ook het minst controleerbare, en dat is het eerlijke antwoord. Een rapport over slordige AI-implementatie dat zelf methodologisch slordig oogt: die ironie mag je best even hardop benoemen.

waar komen die andere faalcijfers vandaan?

Uit onderzoek dat vrijwel altijd kleiner, zachter of belanghebbender is dan de koppen doen vermoeden. Loop de bekendste even langs, en je ziet steeds hetzelfde gat. Het percentage in de kop, en de meting eronder.

Neem het op één na populairste cijfer, van RAND Corporation. Ruim 80 procent van de AI-projecten zou falen, twee keer zo vaak als IT-projecten zonder AI (RAND, 2025). Lees de publicatie zelf, en er staat letterlijk “by some estimates”. Kijk, RAND leunt daar dus op een schatting van anderen. Hun eigen onderzoek was iets heel anders: interviews met 65 ervaren data scientists en ML-engineers, en daaruit een kwalitatieve analyse van vijf grondoorzaken. Waardevol werk. Alleen onderbouwt het dat percentage niet. En in vrijwel elke doorvertelling worden die twee aan elkaar geplakt alsof het één meting was.

In 2025 ging er ook een verdubbeling rond. 42 procent van de bedrijven staakte dat jaar het merendeel van de AI-initiatieven, tegen 17 procent in 2024, en gemiddeld sneuvelde 46 procent van de proof-of-concepts vóór productie. Die getallen komen uit de “Voice of the Enterprise”-reeks van S&P Global Market Intelligence, een enquête onder ruim duizend IT- en businessbeslissers in Noord-Amerika en Europa. De reeks bestaat echt, en meerdere onafhankelijke bronnen citeren exact dezelfde cijfers. Alleen de primaire publicatie zelf inzien, dat is ook mij niet gelukt. Dus ik geef ze door zoals ik ze aantrof, secundair bevestigd (WorkOS, 2025).

Gartner deed in juni 2025 een voorspelling. Ruim 40 procent van de agentic-AI-projecten wordt voor eind 2027 geannuleerd: oplopende kosten, onduidelijke bedrijfswaarde, gebrekkige risicobeheersing (Gartner, 2025). Een voorspelling kun je per definitie nog niet op de uitkomst toetsen. Maar in datzelfde persbericht zit een bijvangst die ik eerlijk gezegd interessanter vind. Van de duizenden leveranciers die zichzelf agentic AI noemen, leveren er volgens Gartner maar zo’n 130 echt agentic-capaciteiten. De rest verkoopt opgepoetste chatbots en RPA. Gartner doopte dat “agent washing”. En dat woord alleen is het onthouden waard bij je volgende leveranciersdemo.

En het Nederlandse cijfer: 21 procent AI-projectsucces, het laagste van zes onderzochte Europese landen, en meteen ook de hoogste interne weerstand (38 procent). Dat staat in “State of Integration & AI 2026”, onderzoek in opdracht van integratieplatform Frends, uitgevoerd door Sapio Research (Frends, 2026). Twee dingen om even bij stil te staan. Een integratieplatform heeft er nogal belang bij dat een integratie-eerst-aanpak als winnaar uit de bus komt. En de steekproef begint pas bij organisaties van 201 medewerkers. Grootbedrijf dus, en de bovenkant van de middenmarkt. Voor de installateur met vijftien man op de loonlijst? Die zegt dit getal bijna niks.

wat blijft er overeind als je de wankele cijfers wegstreept?

Eén patroon. En methodologisch onafhankelijke bronnen bevestigen het keer op keer: vrijwel iedereen heeft AI in gebruik, en de meetbare winst blijft bij een minderheid hangen. Dat rust op steviger materiaal dan de kop-percentages hierboven.

Morgan Stanley houdt per kwartaal bij hoeveel S&P 500-bedrijven een meetbaar AI-voordeel kunnen benoemen. 10 procent eind 2024, 15 procent in het derde kwartaal van 2025, 21 procent eind 2025 (Morgan Stanley, 2026). De lijn stijgt. En tóch is het nog steeds een minderheid, nota bene bij de grootste en best gefinancierde bedrijven ter wereld. IBM legde begin 2025 tweeduizend CEO’s de vraag voor: een kwart van de initiatieven leverde de verwachte ROI, en 16 procent is bedrijfsbreed opgeschaald (IBM via Fortune, 2025). Bij McKinsey, consultancy dus, met een eigen belang, komt hetzelfde beeld terug: 88 procent van de organisaties gebruikt AI in minstens één bedrijfsfunctie, 39 procent ziet meetbare impact op het resultaat en zo’n 38 procent is voorbij de pilotfase (McKinsey via CX Today, 2026). En BCG telde onder 1.800 executives een kwart dat significante waarde rapporteert (BCG, 2025). Ook al advieswerk, ja.

Voor het MKB is de OECD-enquête het relevantst, onder ruim tweeduizend mkb-bedrijven in twaalf landen. De AI-adoptie in het mkb groeide van 7,1 procent in 2023 naar 17,4 procent in 2025. En tegelijk werd het gat met de grote bedrijven juist breder, van 23,4 naar 34,6 procentpunt (OECD, 2026). Eurostat komt in de EU op 55 procent AI-gebruik bij grote bedrijven, tegen 17 procent bij de kleine (Eurostat via Ipsos, 2026). Die cijfers houd ik bewust EU-breed, hoor. Een betrouwbaar Nederlands mkb-cijfer heb ik niet gevonden, en wat er op Nederlandse marketingblogs rondgaat spreekt elkaar zó hard tegen dat ik er geen één van gebruik.

Tel het bij elkaar op. Aandelenanalisten, een CEO-enquête, twee consultancies, officiële statistiek. Allemaal andere methoden, en ze landen op hetzelfde beeld. Je hoeft die 95 procent van MIT dus helemaal niet te geloven om de productiekloof serieus te nemen. Sterker nog. Wie zijn hele verhaal op dat ene omstreden percentage bouwt, doet precies waar dat rapport bedrijven van beticht. Indrukwekkende demo, dunne onderbouwing.

wat doen de bedrijven die wél waarde halen anders?

In het onderzoek keren dezelfde manieren van slagen steeds terug. Elk met een eigen bron, en een eigen slag om de arm.

Het eerste is kopen boven bouwen. Datzelfde omstreden MIT-rapport heeft een bevinding die veel minder aandacht kreeg dan de kop: ingekochte AI-oplossingen en partnerships slaagden in zo’n 67 procent van de gevallen, eigen interne bouw in zo’n 33 procent (Fortune, 2025). Zelfde rapport, dus ook dezelfde slag om de arm. Maar ik herken het meteen. Ik bouw fikst zelf én beheer daarnaast een ingekocht platform, en het is juist die zelfbouwkant waar beheer, onderhoud en de gang naar productie stelselmatig onderschat worden.

Het tweede is klein beginnen en focussen. Dat kwart dat bij BCG significante waarde haalt, zet in op een handvol initiatieven, schaalt die snel op en verbouwt de onderliggende kernprocessen meteen mee (BCG, 2025). Weer advieswerk, met een adviesbelang. En het rijmt op het IBM-beeld: juist het opschalen is de bottleneck.

Het derde gaat over data en integratie, en die vóór de pilot op orde hebben. Netwerkleverancier Cisco noemt in zijn AI Readiness Index 13 procent van de bedrijven “Pacesetters”, en die groep zette vier keer zoveel pilots om naar productie (Cisco, 2025). Vendor-onderzoek, net als dat Frends-rapport dat in Europa hetzelfde patroon ziet. Onafhankelijker is de studie naar agentic AI bij industriële bedrijven die Forbes deze maand aanhaalde. Met een term die precies raakt aan wat ik zelf tegenkom zodra agents op echte bedrijfssystemen moeten draaien: de “capability-deployment verification gap”. Zo’n pilot doet het keurig in de testomgeving. En het moment dat-ie tegen live bedrijfsdata aan draait? Weg is het vertrouwen, in één klap (Forbes, 2026).

zo ga je zelf om met faalcijfers en pilots

Krijg je morgen als MKB’er een AI-voorstel op je bureau? Dit is de volgorde die ik zelf aanhoud.

Eerst wantrouw ik elk rond percentage. Ik vraag naar de steekproef, naar de opdrachtgever, en of de ruwe data openbaar zijn. Een cijfer uit leveranciersonderzoek? Dat behandel ik als marketing tot het tegendeel blijkt. Daarna kies ik één proces waar de euro’s of uren nu al meetbaar zijn: offertes, klantvragen, planning, facturatie. En vóórdat die pilot begint leg ik vast wat succes is, in geld of uren per week, en wie dat gaat meten. Pas dán komt de bouwvraag. Mijn voorkeur is een bewezen oplossing kopen of huren voordat je iets laat bouwen, want de best onderbouwde succespatronen wijzen die kant op. Maar de stap die ik zelf het zwaarst weeg staat verderop in de rij, en wordt juist het vaakst overgeslagen: controleer of de data die het systeem nodig heeft bestaat, klopt en toegankelijk is. Zo klein als een nette FAQ, zo groot als je ERP-koppeling. En plan de productiegang vóór de pilotstart. Dus: wie beheert het straks, wat kost het per maand, en wat gebeurt er als het misgaat? Loopt het alsnog vast, stop dan op tijd. Een gestaakte pilot van drie weken kost een fractie van een zombieproject van een jaar.

Wat je gerust kunt overslaan? Een eigen model trainen. Een bedrijfsbreed AI-transformatieprogramma optuigen. Of instappen bij elke partij die het woord agent op de homepage heeft gezet. Geen enkel cijfer in dit essay geeft daar aanleiding toe. De agent-washing-schatting van Gartner wijst eerder de andere kant op.

waar ik sta

Ik geloof de 95 procent niet. En de omgekeerde hype? Die geloof ik net zomin. Het rondpompen van faalcijfers is zelf een vorm van demo-cultuur: een indrukwekkende kop op een dunne meting, terwijl het echte patroon eronder helemaal geen kop nodig heeft. Onafhankelijke bronnen laten steeds hetzelfde zien. Meetbare AI-waarde blijft bij een minderheid, en die minderheid koopt in, begint klein, en heeft haar data op orde voordat de pilot start. Saaier dan een cijfer van 95, dat wel. Maar het is het enige van de twee waar je een bedrijf op kunt bouwen.