In 2025 publiceerde MIT een onderzoek dat door de hele techsector ging. De titel: The GenAI Divide, State of AI in Business 2025. De bevinding die bleef hangen: van alle generatieve AI-pilots bij bedrijven leverde 95 procent geen enkel meetbaar financieel resultaat op.
Niet 30 procent. Niet de helft. Vijfennegentig procent.
De cijfers waren zo scherp dat techaandelen erop reageerden. Maar de meest interessante conclusie van het rapport is niet het faalpercentage. Het is de oorzaak. Want AI-projecten falen vrijwel nooit door de techniek. Ze falen door de organisatie eromheen. En dat verandert alles aan hoe je AI succesvol invoert.
Wat het onderzoek precies vond
Het MIT-onderzoek (uitgevoerd binnen Project NANDA) bekeek ruim 300 AI-implementaties via interviews en gestructureerde enquêtes. De kernbevinding: ondanks 30 tot 40 miljard dollar aan investeringen behaalde slechts 5 procent van de geïntegreerde AI-pilots meetbare winst. De rest bleef steken.
MIT definieerde een geslaagde implementatie streng: een systeem dat aantoonbare, blijvende productiviteitswinst en gedocumenteerde impact op de winst- en verliesrekening oplevert, bevestigd door zowel eindgebruikers als directie.
De onderzoekers noemen de oorzaak van het falen een "learning gap". Niet de modellen schieten tekort, maar de manier waarop organisaties ze inbedden in hun werk. Het rapport stelt het scherp: GenAI faalt niet in het lab, het faalt in de onderneming. Daar botst het op vage doelen, slechte data en organisatorische traagheid.
MIT staat niet alleen. Het patroon is bevestigd door meerdere onafhankelijke onderzoeken.
De RAND Corporation concludeerde in augustus 2024, op basis van interviews met 65 ervaren data scientists en engineers, dat meer dan 80 procent van de AI-projecten faalt. Dat is twee keer zo vaak als bij IT-projecten zonder AI. RAND wijst de hoofdoorzaken expliciet aan als organisatorisch en cultureel, niet technisch
BCG rapporteerde in september 2025 dat 60 procent van de bedrijven geen materiële waarde uit AI haalt, ondanks doorlopende investeringen
McKinsey vond in november 2025 dat 88 procent van de organisaties AI gebruikt in minstens één functie, maar dat slechts 39 procent enige impact op de bedrijfswinst ziet
S&P Global meldde dat 42 procent van de bedrijven in 2025 de meeste AI-initiatieven liet varen, fors meer dan de 17 procent een jaar eerder
Vijf gezaghebbende bronnen, één conclusie. Falen is niet de uitzondering bij AI-investeringen. Het is de statistisch meest waarschijnlijke uitkomst. En de reden is bijna nooit de technologie.
Waarom AI faalt in de organisatie, niet in het lab
Als de modellen werken, waarom mislukken de projecten dan? Het onderzoek wijst consistent naar vier organisatorische oorzaken.
1. De learning gap: tools die niet leren van het werk
Generieke tools zoals ChatGPT en Copilot worden breed gebruikt, maar volgens MIT vooral om de individuele productiviteit te verhogen, niet de organisatieprestatie. Het rapport wijst op een structureel probleem: deze tools onthouden geen context, leren niet van de specifieke workflow, en passen zich niet aan de organisatie aan.
Het gevolg is een kloof tussen wat AI in een demo lijkt te kunnen en wat het in de dagelijkse praktijk oplevert. De technologie schittert in de presentatie en blijft steken in de uitvoering.
2. Het ontbreken van menselijke afstemming
RAND identificeerde dat de zwaarste faaloorzaak niet technisch is. Verkeerd uitgelijnde prikkels en het ontbreken van betrokkenheid van eindgebruikers doden meer AI-projecten dan slechte modellen ooit zullen doen.
Het patroon is herkenbaar. Het technische team is enthousiast over een pilot. De eindgebruikers zien het systeem pas bij de uitrol, en wijzen het af omdat het niet aansluit op hoe ze werken. De pilot slaagde technisch en faalde menselijk.
3. Geen workflow-herontwerp
McKinsey vond een opvallend verband. Organisaties die significante financiële resultaten uit AI halen, hebben twee keer zo vaak hun werkprocessen end-to-end opnieuw ontworpen voordat ze een tool kozen. De volgorde is bepalend. Eerst het werk begrijpen, dan de techniek kiezen. Niet andersom.
Bedrijven die een AI-tool kopen en verwachten dat het bestaande proces zich vanzelf aanpast, behoren tot de 95 procent. Bedrijven die het proces aanpassen en daar de juiste AI bij zoeken, behoren vaker tot de 5 procent.
4. Gebrek aan leiderschap en governance
McKinsey vond dat directe betrokkenheid van de CEO bij AI-governance het sterkst correleert met financieel resultaat. Niet sponsoring, maar werkelijk eigenaarschap. AI-koplopers zijn drie keer zo vaak organisaties waar de top aantoonbaar betrokken is bij AI.
Dit is geen technische bevinding. Het is een leiderschapsbevinding. AI-succes begint niet bij de tool, maar bij de bestuurskamer.
De schaduw-AI paradox
Een van de meest onthullende cijfers uit het MIT-rapport gaat over wat medewerkers zelf doen. Meer dan 90 procent van de werknemers gebruikt persoonlijke AI-tools voor werk, ook in organisaties met lage officiële AI-adoptie.
Dit creëert een opvallende spanning. Medewerkers weten hoe goede AI voelt, omdat ze het privé gebruiken. Daardoor worden ze juist minder tolerant voor de stroeve, officiële bedrijfssystemen die niet leren en niet meebewegen.
De paradox: terwijl directies worstelen met haperende officiële AI-projecten, gebruikt het personeel al lang AI via de achterdeur. Niet onder toezicht, niet gedocumenteerd, niet in lijn met beleid. Dat is een risico onder de AVG en de EU AI Act, maar het is ook een signaal. De vraag naar AI is er. De juiste structuur eromheen niet.
Wat de 5 procent anders doet
Het interessantste deel van het onderzoek gaat niet over de mislukkingen, maar over de minderheid die wel slaagt. Wat doen die organisaties anders?
Ze kopen gerichter in
MIT vond dat het inkopen van AI bij gespecialiseerde leveranciers en het bouwen van een partnerschap ongeveer 67 procent van de tijd slaagt. Zelf bouwen slaagt slechts een derde zo vaak. De succesvolle inkopers eisen aanpassing aan hun eigen workflow, houden leveranciers verantwoordelijk voor bedrijfsresultaten, en begrijpen dat het om partnerschap gaat, niet om een aankoop.
Ze investeren in de juiste functies
Een verrassende bevinding: meer dan de helft van de AI-budgetten gaat naar sales en marketing, terwijl MIT daar juist de laagste opbrengst vond. De hoogste opbrengst zit in back-office automatisering, het stroomlijnen van processen en het terugdringen van uitbestedingskosten. De 5 procent investeert waar de waarde zit, niet waar het zichtbaar is.
Ze rekenen op een realistische tijdlijn
Onderzoek laat zien dat back-office automatisering pas na 6 tot 18 maanden rendeert, generatieve AI-toepassingen 1 tot 2 jaar nodig hebben, en fundamentele data- en governance-investeringen 2 jaar of meer. Bedrijven die een terugverdientijd van 6 tot 12 maanden verwachten, verklaren projecten te vroeg mislukt. De succesvolle organisaties hanteren een horizon van 2 tot 4 jaar.
Ze investeren in mensen, niet alleen in tools
De rode draad door alle succesvolle implementaties is hetzelfde. Het verschil zit niet in het model. Het zit in de mensen die ermee werken, het beleid dat hen stuurt, en de cultuur die adoptie mogelijk maakt.
Waarom beleid en training belangrijker zijn dan implementatie
Hier komt de kern van de zaak samen. Een AI-tool implementeren is technisch eenvoudig. Een licentie aanschaffen, een account inrichten, een paar instellingen, klaar. Dat is een middag werk.
Maar implementatie is niet hetzelfde als adoptie. En adoptie is niet hetzelfde als resultaat. Tussen de tool en het resultaat zit een laag die de meeste organisaties overslaan: het beleid dat bepaalt hoe AI gebruikt wordt, en de training die mensen in staat stelt het goed te doen.
Het onderzoek maakt dit hard. De 95 procent die faalt, faalt op precies deze laag. Vage doelen. Geen workflow-herontwerp. Geen betrokkenheid van eindgebruikers. Geen leiderschap. Geen governance. Stuk voor stuk geen technische problemen, maar problemen van beleid, mensen en organisatie.
Een AI-geletterd team is daarom geen luxe naast de tool. Het is de voorwaarde waaronder de tool überhaupt waarde oplevert. Een organisatie die AI-geletterdheid serieus neemt, doet vier dingen die het onderzoek aanwijst als succesfactoren:
De juiste mensen kunnen beoordelen welke AI past bij welk werk, en welke niet
Medewerkers worden betrokken voordat een tool wordt uitgerold, niet erna
Er is beleid dat schaduw-AI uit de achterdeur naar de voordeur brengt
De organisatie meet op gedrag en adoptie, niet alleen op gevolgde modules of aangeschafte licenties
Dit is precies de laag die de EU AI Act met Artikel 4 verplicht stelt. Wat als compliance-eis is geformuleerd, blijkt in de praktijk de scheidslijn tussen de 5 procent die slaagt en de 95 procent die faalt.
De vijf fouten bij het kiezen van een AI-tool
Het onderzoek wijst vijf terugkerende fouten aan die organisaties maken bij het selecteren van AI. Stuk voor stuk te voorkomen.
Fout 1: de tool kiezen voor het probleem helder is. Veel organisaties beginnen bij de technologie en zoeken er een toepassing bij. RAND noemt dit een technology-first mentaliteit, en wijst het aan als een van de vijf grondoorzaken van falen. Begin bij het werk, niet bij de tool.
Fout 2: het proces niet herontwerpen. Een tool kopen en hopen dat het bestaande proces zich aanpast, werkt niet. McKinsey laat zien dat workflow-herontwerp de grootste voorspeller is van financieel resultaat. De tool past zich niet aan jou aan. Jij past het werk aan en kiest de tool daarbij.
Fout 3: eindgebruikers pas bij de uitrol betrekken. Als het technische team de tool kiest en de gebruikers het systeem pas zien bij de lancering, volgt afwijzing. De succesvolle aanpak betrekt de mensen die ermee gaan werken vanaf het begin.
Fout 4: verwachten dat de tool zelf leert. Generieke AI onthoudt geen context en past zich niet aan de organisatie aan. Wie verwacht dat een tool vanzelf beter wordt in het specifieke werk, komt bedrogen uit. Dat vraagt om bewuste inrichting, niet om magie.
Fout 5: te vroeg op ROI afrekenen. Een terugverdientijd van een half jaar verwachten voor een investering die twee jaar nodig heeft, leidt tot voortijdig afblazen. De 5 procent rekent op een realistische horizon, en houdt vol waar anderen stoppen.
Wat een organisatie hieruit kan halen
De 95 procent statistiek klinkt als slecht nieuws. Maar er zit een hoopvolle kant aan. De oorzaken van falen zijn bekend, gedocumenteerd, en grotendeels te vermijden. Het zijn geen mysterieuze technische problemen, maar herkenbare keuzes die fout gaan.
Drie conclusies voor de directie.
AI-succes is een organisatievraagstuk, geen IT-vraagstuk. Wie AI-invoering bij de IT-afdeling parkeert en daar laat, kiest statistisch voor de verkeerde groep. De doorslaggevende factoren liggen bij leiderschap, beleid, training en cultuur.
Training is geen kostenpost maar een rendementsvermenigvuldiger. Dezelfde tool levert bij een AI-geletterd team fundamenteel meer op dan bij een team dat alleen toegang heeft. De training is wat de investering laat renderen.
Beleid komt voor de tool, niet erna. De volgorde die het onderzoek aanwijst is consistent. Eerst begrijpen wat je gebruikt en waarom, dan de mensen toerusten, dan pas de techniek schalen. Organisaties die deze volgorde omdraaien, vinden zichzelf terug in de 95 procent.
Tot slot
Het MIT-onderzoek is geen aanklacht tegen AI. Het is een aanklacht tegen de manier waarop de meeste organisaties AI invoeren. De technologie werkt. De pilots schitteren in de demo. En toch faalt 95 procent, omdat de laag tussen de tool en het resultaat ontbreekt.
Die laag heeft een naam. Het is de combinatie van beleid, training en AI-geletterdheid die ervoor zorgt dat mensen de technologie kunnen dragen. Organisaties die deze laag bouwen, behoren tot de 5 procent. Organisaties die hopen dat de tool het werk doet, tot de rest.
De keuze is aan de directie. En de cijfers laten weinig ruimte voor twijfel over welke kant het meeste oplevert.
Wil je weten hoe het staat met de AI-geletterdheid en het AI-beleid in jouw organisatie? Doe de gratis AI-Risicoscan en zie binnen vijf minuten waar de grootste winst zit, en waar de grootste risico's.
Ferry Hoes
Ferry Hoes is veelgevraagd spreker en trainer op het gebied van AI-geletterdheid. Hij staat meermaals per maand op het podium voor organisaties zoals a.s.r., VodafoneZiggo en verschillende ministeries. In 2020 won hij de Anti-Discriminatie AI-Hackathon van de Nederlandse overheid.