Waarom 77% van de AI-projecten in het mkb mislukt

91% van de middelgrote bedrijven zegt dat AI belangrijk is. 94% heeft nog geen enkel AI-project afgerond. Van de 6% die het geprobeerd heeft? 77% is mislukt.

Deze cijfers komen uit recente onderzoeken van het Duitse Mittelstand-Digital Zentrum, de IHK en Bitkom. Ze vertellen een verhaal dat ik uit eerste hand ken.

Bij Instacart zag ik hoe AI goed wordt ingezet: klein beginnen, snel leren, dan opschalen. Bij DHL, Delivery Hero en New Relic keek ik hoe bedrijven met enorme hoeveelheden data en forse budgetten AI-projecten opzetten. Sommige succesvol, veel niet. Op de Duitse mkb-markt zie ik nu het tegenovergestelde: groot project, lang traject, geen meetbaar resultaat.

Het goede nieuws: mislukking heeft patronen. Als u de patronen kent, kunt u ze vermijden.

Vijf redenen waarom AI-projecten in het mkb mislukken

De afgelopen twee jaar heb ik met tientallen middelgrote bedrijven gesproken over hun AI-plannen. Productiebedrijven in de Eifel, dienstverleners in het Rijnland, ambachtsbedrijven in de regio Euskirchen. De problemen herhalen zich.

1. Slechte datakwaliteit

"Rommel erin, rommel eruit" is geen slogan uit een leerboek. Het is dagelijkse realiteit.

Een AI-model is slechts zo goed als de data waarop het traint. En de werkelijkheid in veel mkb-bedrijven ziet er zo uit: klantgegevens in drie afzonderlijke spreadsheets, productiedata in een systeem uit 2014, orderhistorie half digitaal, half in papieren mappen.

Als u met die data een AI-project start, krijgt u resultaten die in het beste geval nutteloos zijn. In het slechtste geval zien de resultaten er aannemelijk uit maar kloppen ze niet. Dan neemt u beslissingen op basis van foutieve voorspellingen. Dat is gevaarlijker dan helemaal geen AI.

Bij Instacart hadden we een team dat zich uitsluitend bezighield met datakwaliteit. Niet met modellen, niet met algoritmen. Alleen met schone, consistente, actuele data. Zonder die basis levert het beste model ter wereld niets op.

De meeste mkb-bedrijven hebben zo'n team niet. En dat is prima. Maar dan moet u beginnen met de data die u al heeft en eerlijk beoordelen of die voldoende zijn.

2. Geen concreet probleem om op te lossen

"We hebben AI nodig." Ik hoor dit voortdurend. Als ik vraag "Waarvoor precies?", valt het stil.

De meeste mislukte AI-projecten beginnen bij de technologie in plaats van bij het probleem. Iemand was op een beurs, hoorde een lezing over ChatGPT, en nu moet het bedrijf "iets met AI doen." Dat is alsof u een hamer koopt en dan een huis zoekt waar u spijkers kunt inslaan.

De juiste aanpak is omgekeerd: u heeft een concreet probleem. U verliest klanten omdat offertes te traag de deur uit gaan. Uw team besteedt 10 uur per week aan handmatige gegevensinvoer. De kwaliteitscontrole mist stelselmatig hetzelfde fouttype. Dan controleert u of AI dat probleem kan oplossen.

3. Te brede scope vanaf het begin

"Wij doen een complete AI-transformatie." Die zin is het begin van het einde.

Bedrijven die met een megaproject starten mislukken bijna altijd. Waarom? Omdat een integraal project te complex, te duur en te langdurig is. Na zes maanden is veel geld uitgegeven maar is er niets dat iemand dagelijks gebruikt. De motivatie daalt, het budget wordt ter discussie gesteld, en uiteindelijk sterft het project stilletjes in een Teams-kanaal dat niemand meer opent.

Bij New Relic zag ik hoe zelfs een miljardenbedrijf AI stap voor stap uitrolde. Niet als "transformatie" maar als een reeks kleine experimenten. Elk experiment had een duidelijk tijdskader en een meetbaar doel. Werkte het: opschalen. Zo niet: stoppen en leren van de fouten.

Die discipline ontbreekt bijna altijd in het mkb.

4. Geen interne kampioen

AI-projecten hebben iemand nodig binnen het bedrijf die erop blijft zitten. Niet de directeur die het project aankondigde tijdens de strategiedag. Iemand die de dagelijkse praktijk kent, met het team praat, weerstand herkent en wegneemt.

Zonder interne kampioen gebeurt het volgende: de externe leverancier levert een oplossing op. Het team begrijpt niet waarom het anders moet gaan werken. De tool wordt twee weken gebruikt en daarna genegeerd. Het project telt als "ingevoerd" maar creeert geen enkele waarde.

Verandermanagement klinkt als bedrijfsjargon. Dat is het ook. Maar het achterliggende probleem is echt, zelfs in een bedrijf van 15 personen. Mensen veranderen hun gedrag niet alleen maar omdat iemand een nieuwe tool heeft geinstalleerd. Ze veranderen als ze het voordeel zelf ervaren.

5. Verkeerde leverancier

Dit laatste punt is gevoelig omdat ik zelf leverancier ben. Maar het moet gezegd worden.

Veel AI-projecten mislukken omdat de leverancier de verkeerde oplossing heeft verkocht. Een adviesbureau dat maandenlang assessment doet voordat er iets gebeurt. Een startup die een platform verkoopt dat veel te complex is voor het mkb. Een bureau dat "AI" op de website zet maar eigenlijk slechts een paar API-aanroepen aan elkaar plakt.

Waar u op moet letten: heeft de leverancier ervaring met bedrijven van uw omvang? Kan hij referenties tonen waar meetbare ROI is gerealiseerd? Praat hij in maanden of in weken? Wil hij eerst uw hele bedrijf analyseren of begint hij met een concreet proces?

Het patroon dat werkt: klein, snel, meetbaar

Nu het goede nieuws. De AI-projecten die slagen volgen een duidelijk patroon. Ik zag het bij Instacart, bij Delivery Hero en bij de mkb-bedrijven die het goed aanpakten.

Het patroon in drie stappen:

Stap 1: Kies een enkel proces. Niet twee, niet drie. Een. Het proces dat het meest irriteert, het meeste tijd kost of de meeste fouten veroorzaakt. Dat is uw pilot.

Stap 2: Lever een meetbaar resultaat in 30 dagen. Niet in zes maanden. In 30 dagen. Dat dwingt u om de scope klein te houden. "Kunnen we binnen 30 dagen laten zien dat dit proces sneller, beter of goedkoper loopt?" Als het antwoord nee is, is de scope te groot.

Stap 3: Meet, leer, schaal dan pas op. Heeft de pilot gewerkt? Wat heeft het precies opgeleverd? Hoeveel uren bespaard, hoeveel fouten verminderd, hoeveel extra omzet? Pas als u die cijfers heeft beslist u over de volgende stap.

Waarom werkt dit? Omdat kleine projecten snel feedback geven. U ziet binnen weken of iets werkt. U kunt bijsturen voordat het duur wordt. En u bouwt intern vertrouwen op, wat misschien het belangrijkste punt is. Als uw team ziet dat een klein AI-project daadwerkelijk uren bespaart, is de bereidheid voor de volgende stap er.

AI-gereedheid: 5 vragen voor uw bedrijf

Voordat u een AI-project start, beantwoord vijf vragen eerlijk. Geen ervan vereist technische kennis. Allemaal vereisen ze eerlijkheid.

1. Heeft u een concreet, meetbaar probleem? Niet "we willen efficienter worden" maar "proces X kost 8 uur per week en zou 2 moeten kosten." Als u het probleem niet in een zin kunt beschrijven, is het nog niet klaar voor AI.

2. Heeft u data over dit probleem? AI heeft data nodig om te leren. Als uw orders in drie spreadsheets, twee mailboxen en een notitieblok staan, moet u eerst consolideren. Dat klinkt saai. Dat is het ook. Maar zonder deze stap levert AI niets op.

3. Is het proces herhaalbaar? AI blinkt uit bij taken die zich herhalen. Offertes schrijven, facturen controleren, klantgegevens vastleggen, kwaliteitscontrole uitvoeren. Eenmalige taken of taken die elke keer compleet anders verlopen zijn lastiger voor AI.

4. Kunt u het succes binnen 30 dagen meten? Als uw pilot 6 maanden nodig heeft om te weten of het werkt, is de scope te groot. Verklein tot het antwoord ja is.

5. Is er iemand in het team die het project trekt? Niet de directeur (die heeft andere dingen te doen), maar iemand die het proces kent en gemotiveerd is. Een teamleider, een werkplaatschef, een kantoormanager. Iemand dicht bij het probleem.

Als u drie of meer vragen met ja kunt beantwoorden, bent u klaar voor een pilot. Zo niet, werk dan eerst aan de hiaten. Dat is geen falen, dat is voorbereiding.

Succes versus mislukking: wat het verschil maakt

Ik wil u twee verhalen vertellen. Beide uit de regio, geanonimiseerd.

Bedrijf A: 80.000 EUR verbrand

Een machinebouwer met 45 medewerkers. De directie besluit: "Wij gaan aan de slag met AI." Een adviesbureau wordt ingehuurd. Drie maanden assessment, interviews, workshops. Resultaat: een routekaart van 120 pagina's. Kosten tot hier: 35.000 EUR.

Vervolgens wordt een softwarebedrijf ingehuurd om "AI-gedreven productieoptimalisatie" te bouwen. Na vier maanden is er een prototype. Het werkt in het lab maar niet met de echte machinedata, omdat het dataformaat nooit was gecontroleerd. Nog eens 45.000 EUR.

Totale kosten: 80.000 EUR. Resultaat: een prototype die niemand gebruikt. Het productieteam heeft het project nooit begrepen en nooit geaccepteerd. Vandaag staat het woord AI op de interne zwarte lijst van dat bedrijf.

Bedrijf B: 3.800 EUR, ROI in drie weken

Een ambachtsbedrijf met 12 medewerkers. Het probleem: de kantoormanager besteedt elke vrijdag 4 uur aan het samenstellen van offertes uit aantekeningen, foto's en voiceberichten.

De oplossing: een eenvoudige workflow met een spraakherkenningstool en een sjabloon. De monteur spreekt notities in op de telefoon, de tool transcribeert ze, en de kantoormanager ontvangt een vooringevuld offerteontwerp. Ze hoeft alleen nog te controleren en te verzenden.

Kosten: 3.800 EUR voor de inrichting, 60 EUR per maand voor licenties. Bespaarde tijd: 3,5 uur per week. ROI: na drie weken. En het mooiste: de kantoormanager dreef het project zelf aan omdat ze genoeg had van de vrijdagse klus.

Het verschil tussen deze twee gevallen? Het is niet de technologie. Het is de aanpak. Bedrijf A begon met de oplossing. Bedrijf B begon met het probleem.

Welke processen goede startpunten zijn

Niet elk proces is even geschikt als AI-pilot. Hier zijn categorieen die ik steeds opnieuw als sterke instappunten zie in het mkb.

Het maken van documenten omvat offertes, rapporten, notulen en samenvattingen. Overal waar iemand ruwe gegevens omzet in een document. Dit is een van de meest voorkomende instappunten omdat de inspanning vooraf duidelijk meetbaar is.

Klantcommunicatie verbeteren omvat het opstellen van e-mailreacties, het automatisch beantwoorden van FAQ-vragen en het voorstellen van terugbeltijden. Hier bespaart AI niet alleen tijd maar verbetert het ook de reactiesnelheid, en dat merken klanten.

Dan is er de klassieke gegevensinvoer. Facturen scannen en inlezen, pakbonnen digitaliseren, visitekaartjes overzetten naar het CRM. Alles herhalend, alles goed automatiseerbaar.

Kwaliteitscontrole is nog een sterke kandidaat. Productfoto's automatisch inspecteren, afwijkingen in meetdata detecteren. Vooral in de productie is het potentieel hier enorm.

En ten slotte: kennismanagement. Interne kennisbanken doorzoekbaar maken, handleidingen samenvatten, inwerkmateriaal voorbereiden.

Wat niet geschikt is: processen waarbij de beslissing complex, zeldzaam en zeer individueel is. Werving, strategische partnerschappen, crisismanagement. Daar is AI een hulpmiddel, maar geen automatische piloot.

Mijn persoonlijke kijk op AI in het mkb

Ik ben geen AI-evangelist. Ik verkoop geen AI-platforms. Ik ben softwareontwikkelaar en oprichter, en ik zie elke dag wat wel en niet werkt voor mijn klanten.

Mijn eerlijke inschatting: de meeste mkb-bedrijven hebben geen AI nodig. Ze hebben eerst schone data nodig, heldere processen en software die met elkaar communiceert. Wie dat heeft, voor die wordt AI een hefboom. Wie dat niet heeft, voor die wordt AI de volgende dure teleurstelling.

Dat klinkt misschien tegenstrijdig van iemand die software bouwt voor het mkb. Maar juist daarom zeg ik het: ik wil dat mijn klanten succesvol zijn met AI. En de weg loopt via fundamenteel werk, niet via hype.

Bij Instacart loste de eerste AI-toepassing die echt geld opleverde een klein probleempje op. Het ging om het voorspellen van de optimale volgorde van artikelen op de boodschappenlijst zodat de bezorger minder meters loopt in de supermarkt. Geen glamoureus project. Geen koppen in de krant. Maar miljoenen bespaarde arbeidsuren per jaar. Klein beginnen, meten, opschalen.

Dat werkt ook voor een bedrijf van 15 personen in de Eifel.

Uw eerste AI-stap

Als u tot hier gelezen heeft, neemt u het onderwerp serieus. Goed. Dit kunt u deze week doen:

1. Identificeer uw meest irritante proces. Vraag uw team: "Welke taak ergert jullie het meest?" Niet de strategisch belangrijkste. De meest irritante. Want motivatie is het halve werk.

2. Meet de inspanning. Hoeveel uur per week? Hoeveel fouten per maand? Wat kost het in euro's? Als u dat niet kunt beantwoorden, is dit uw eerste stap: een week lang meten.

3. Controleer de datasituatie. Heeft u de data die een AI-systeem nodig zou hebben? Is die digitaal? Is die consistent? Zo ja, dan heeft u een kandidaat voor een pilot. Zo niet, dan weet u waaraan u eerst moet werken.

4. Begin klein. Budget onder de 5.000 EUR. Tijdskader 30 dagen. Een proces, een team. Als er na 30 dagen geen meetbaar resultaat is, stop dan en analyseer waarom.

5. Schakel hulp in als dat nodig is. Maar het juiste soort hulp. Geen consultant die maandenlange assessments verkoopt. Iemand die in de eerste week al met u aan het proces werkt.

Als u vragen heeft of wilt inschatten of AI zinvol is voor een specifiek proces in uw bedrijf: neem contact op. Wij doen dit elke dag, voor bedrijven in de Eifel en het Rijnland.

En als u zich afvraagt of uw medewerkers AI-training nodig hebben: ja, dat is zo. Sinds februari 2025. Meer daarover in ons artikel over de EU AI Act en de opleidingsplicht.