AI in de praktijk: waar het misgaat (en waarom dat zelden aan AI ligt)

Waarom AI-projecten blijven hangen

AI belooft snellere inzichten, betere voorspellingen en slimmere besluitvorming.

In de vorige blogs lieten we zien hoe data agents helpen om sneller te handelen, hoe samenwerking tussen agents zorgt voor betere context, en hoe finance daarmee vooruit kan sturen.

Maar er zit ook een andere kant aan dit verhaal. Niet omdat AI niet werkt, maar omdat organisaties het verkeerd toepassen.

AI faalt zelden op technologie

De meeste AI-projecten mislukken niet door het model. Ze mislukken omdat de basis niet klopt.
Of omdat de organisatie er niet op ingericht is. Veel bedrijven starten vanuit druk of hype, zonder duidelijk doel of zonder te begrijpen wat er nodig is om AI echt te laten werken. Het resultaat: iets dat technisch werkt, maar niets oplevert.

Volgens McKinsey ontstaat waarde pas wanneer AI wordt geïntegreerd in processen en besluitvorming, niet wanneer het als losse tool wordt ingezet. Zonder die integratie blijft AI hangen in pilots of verdwijnt het na de eerste fase.

Risico 1: slechte data, snelle fouten

In eerdere blogs kwam het al terug: AI is zo goed als je data. Maar het risico wordt groter naarmate AI meer gaat doen. Waar een dashboard nog genegeerd kan worden, wordt een agent actief. Die signaleert, adviseert en soms automatisch handelt. Als de onderliggende data niet klopt worden fouten sneller zichtbaar, maar ook sneller doorgevoerd. Of simpeler: slechte input wordt nu niet alleen zichtbaar, maar ook operationeel.

Risico 2: schijnzekerheid

AI geeft antwoorden die overtuigend klinken. Dat is precies het probleem.

Modellen kunnen fouten maken of “hallucineren”: antwoorden genereren die logisch lijken, maar niet kloppen. In een dashboard twijfel je nog. Bij een AI-antwoord is die twijfel vaak weg. Dat leidt tot een nieuw risico: niet te weinig vertrouwen in data, maar te veel.

Zonder kritisch vermogen ontstaat schijnzekerheid. En dat is een van de meest onderschatte risico’s van AI.

Risico 3: lokale optimalisatie

Eén agent kan een proces optimaliseren. Maar zonder samenhang kan dat elders schade veroorzaken.
Bijvoorbeeld:

• sales optimaliseert omzet
• finance ziet margedruk
• operations loopt vast

AI versterkt dit probleem als agents niet samenwerken. Je krijgt dan snellere beslissingen, maar niet per se betere.

Risico 4: gebrek aan eigenaarschap

AI wordt vaak “erbij gedaan”. Een experiment hier, een use case daar. Maar niemand is echt verantwoordelijk. Dat is een probleem, want AI:

• beïnvloedt beslissingen
• gebruikt kritische data
• en raakt meerdere processen tegelijk

Zonder duidelijk eigenaarschap ontstaat versnippering. En daarmee risico.

Risico 5: shadow AI

Als je AI niet goed organiseert, gebeurt er iets anders. Mensen gaan zelf tools gebruiken. Buiten IT om. Dat gebeurt nu al op grote schaal.

Gevolg: geen controle over data, geen zicht op gebruik en risico op datalekken of fouten.
AI verbieden lost dit niet op. Het verplaatst het probleem.

Risico 6: vertrouwen verliezen

AI kan veel versnellen. Maar één fout kan veel kapotmaken. Denk aan verkeerde voorspellingen en onjuiste conclusies. Dat kan leiden tot reputatieschade, juridische risico’s en verlies van vertrouwen. En vertrouwen terugwinnen kost altijd meer tijd dan het verliezen.

Wat dit betekent voor organisaties

De grootste risico’s van AI zitten niet in de technologie, maar in hoe je het inzet, hoe je het integreert en hoe je het beheert. AI maakt processen sneller en slimmer. Maar vergroot ook bestaande zwaktes. Rommelige data wordt zichtbaarder. Slechte definities worden pijnlijker. En losse processen vallen sneller door de mand.

Praktisch: hoe voorkom je dit

Niet door AI te vermijden, maar door het goed te organiseren.

De grootste risico’s van AI ontstaan niet bij het bouwen, maar bij het gebruik.
Daarom begint het niet met technologie, maar met structuur.

Zorg dat je data klopt
AI versnelt alles wat er al is. Klopt je data niet, dan schaal je fouten op.
Investeer in kwaliteit, actualiteit en consistentie. Niet eenmalig, maar doorlopend.

Maak definities eenduidig
Wat is omzet? Wat is marge? Wanneer is iets een afwijking?
Als teams verschillende definities gebruiken, geeft AI wel antwoorden, maar niet dezelfde.
Dat leidt tot discussie in plaats van besluitvorming.

Wijs eigenaarschap toe
AI zonder eigenaar blijft hangen in experimenten.
Bepaal wie verantwoordelijk is voor data, modellen en uitkomsten.
Niet alleen technisch, maar ook inhoudelijk.

Start klein, maar schaal bewust
Begin met één duidelijke use case die waarde toevoegt.
Test, leer en verbeter. Schaal pas op als het werkt, en zorg dat nieuwe toepassingen aansluiten op wat er al staat.

Zorg voor samenhang tussen processen
AI werkt het best als processen verbonden zijn.
Een inzicht in sales heeft impact op voorraad, finance en operations.
Zonder die samenhang optimaliseer je lokaal, maar mis je het grotere geheel.