Vijfennegentig procent van de proeven levert niets meetbaars op. Dat ligt zelden aan het model.

Hoe groot is het precies?

Van de onderzochte invoeringen leverde 95 procent geen meetbaar effect op de winst- en verliesrekening. Veertig procent van de organisaties had wel gereedschap uitgerold, maar slechts 5 procent had het echt in de werkwijze ingebouwd. Dat gat tussen uitrollen en inbouwen is waar het geld blijft.

Zit je hier zelf mee? Leg het me in twee zinnen voor. Ik lees het zelf.

Het onderzoek is gedaan met tweeenvijftig gesprekken met bestuurders, honderddrieenvijftig enquêtes en driehonderd openbare invoeringen. Het gaat dus over grote organisaties met budget en mensen, niet over bedrijven die het er even bij deden.

Wat deden die vijf procent anders?

Ze bouwden het in de werkwijze in plaats van ernaast. En ze deden het niet alleen: proeven waarin eigen mensen samenwerkten met iemand van buiten haalden 67 procent succes, tegen 22 procent als de eigen IT-afdeling het alleen bouwde.

Dat tweede cijfer verdient een kanttekening die het onderzoek zelf ook maakt: het gaat niet om inhuren op zich, maar om de combinatie. Wie het uitbesteedt zonder eigen mensen erbij, mist de kennis van het werk. Wie het alleen intern doet, mist de kennis van wat er elders al werkt.

Waarom een goed model een slecht proces niet redt

Omdat een model niets bepaalt. Het voert uit wat er in de werkwijze zit, en als die werkwijze rommelig is, doet het dat sneller en op meer plekken tegelijk. Er komt geen orde uit een systeem dat je bovenop wanorde zet. Er komt snellere wanorde uit.

Dat is ook waarom de meeste mislukte proeven er tijdens de proef goed uitzagen. In een afgebakende test werkt het; zodra het de echte werkweek in moet, blijkt dat niemand had bedacht wie het antwoord controleert, waar het terechtkomt en wat er gebeurt als het fout is.

Wat je hieruit kunt halen voor je eigen bedrijf

Vier dingen, en geen ervan gaat over AI: weten waar je gegevens staan, tellen welke handeling hoe vaak voorkomt, de regels van het werk op één A4 krijgen, en één persoon aanwijzen die er tijd voor krijgt. Wie dat heeft, kan binnen weken beginnen. Wie dat niet heeft, koopt de 95 procent.

Dat is geen bescheidenheid. Het is wat er in dat onderzoek staat: de winnaars onderscheidden zich niet door het model maar door de inbouw.

Waar deze cijfers vandaan komen

Eén onderzoek, en dat is meteen de beperking ervan. Het is breed opgezet en het wordt veel geciteerd, maar het is geen herhaald experiment. Het is een momentopname van 2025 bij grote organisaties. Ik gebruik het als richting, niet als bewijs.

• MIT NANDA · The GenAI Divide: State of AI in Business 2025, juli 2025. Tweeenvijftig gesprekken met bestuurders, honderddrieenvijftig enquêtes en driehonderd openbare invoeringen.

Wil je de kant die wél met een controlegroep is gemeten, kijk dan bij wat AI echt oplevert. Die cijfers zijn steviger en een stuk vrolijker.