De vier cijfers die door elkaar worden gehaald
| Cijfer | Wat er écht gemeten is | Bron & jaar |
|---|---|---|
| 95% faalt | Geen meetbaar effect op de winst-en-verliesrekening bij generatieve AI-pilots. Niet "gestopt", niet "technisch mislukt". | MIT NANDA, 2025 |
| 30% gestaakt | Een voorspelling voor eind 2025, geen meting. Later bijgesteld naar minstens 50%. | Gartner, 2024/2025 |
| 26% haalt waarde | Zelfbeoordeling van duizend leidinggevenden op dertig AI-vaardigheden; 49% blijft hangen in proefprojecten. | BCG, 2024 |
| 74% haalt de ROI | Alleen het meest gevorderde, al opgeschaalde initiatief per organisatie. | Deloitte, 2025 |
Over die 95 procent. Het cijfer is stevig bekritiseerd: de onderbouwing is niet gepubliceerd, en de uitgevende partij verkoopt zelf agent-infrastructuur die profiteert van de conclusie dat huidige tools tekortschieten. Gebruik het nooit als los bewijs. Wat overeind blijft, is de richting waar alle bronnen op wijzen: brede adoptie, zeldzame transformatie.
De 10-20-70-regel
BCG vroeg duizend leidinggevenden in 59 landen waar hun problemen vandaan komen. De verdeling: ongeveer 10 procent zit in de algoritmes, 20 procent in techniek en data, en 70 procent in mensen en processen. Bedrijven die wél waarde halen, verdelen hun middelen precies zo.
Het CBS vroeg het van de andere kant. Bij bedrijven die AI overwogen maar niet begonnen, was de hoofdreden bij ruim zeven op de tien gebrek aan ervaring. Twee verschillende onderzoeken, twee verschillende populaties, hetzelfde antwoord.
De praktische vertaling. Als 70 procent van je risico in mensen en processen zit, dan is de belangrijkste vraag niet "welke tool" maar "welke handeling, wie doet hem nu, en waar wordt vastgelegd hoe het werkt". Dat is precies de volgorde die wij aanhouden.
Wat de winnaars anders doen
- Ze bouwen niet zelf. In het MIT-onderzoek slaagden projecten met een externe partner ruim drie keer zo vaak als zelfbouw.
- Ze beginnen achterin. Ruim de helft van de budgetten gaat naar sales en marketing, terwijl de aantoonbare winst in de administratie en de backoffice zit.
- Ze herontwerpen het werk. McKinsey vond dat de kleine groep die echte winstimpact haalt, de werkstroom aanpast in plaats van AI ergens op te plakken.
- Ze leggen vast hoe het werkt. Het kernprobleem dat MIT aanwijst is de "learning gap": tools die geen context vasthouden en niet beter worden.
Dit is eerder gebeurd
In 1987 merkte econoom Robert Solow op dat je het computertijdperk overal kon zien behalve in de productiviteitscijfers. Paul David legde in 1990 uit waarom: rond 1900 dreef de elektromotor nog geen 5 procent van de fabrieksmachines aan, en pas in de jaren twintig — toen fabrieken hun hele indeling omgooiden — kwam de productiviteitswinst.
De techniek was er dus decennia eerder dan het rendement. Niet omdat de techniek niet deugde, maar omdat het werk zelf nog niet was heringericht. Dat is exact wat die 70 procent van BCG zegt, honderd jaar later.
Weet eerst wat het bij jou kost
Voordat je iets automatiseert, is het handig te weten waar het weglekt. Acht vragen, tien minuten, en je krijgt je eigen getal terug.
Alle cijfers op deze pagina zijn nagetrokken bij de oorspronkelijke publicatie. Waar een cijfer een voorspelling is in plaats van een meting, of waar de methode is bekritiseerd, staat dat erbij.
Verder lezen: AI-gebruik in het mkb in cijfers en kennis borgen bij pensionering.