Het getal dat verklaart waarom je AI-investering niet werkt

Hier is het getal dat verklaart waarom je AI-investering niet de rendementen oplevert waar je board naar blijft vragen: 23%.

Dat is het percentage AI/ML-projecten dat het afgelopen jaar succesvol in productie is gegaan en zijn ROI-doelstellingen heeft gehaald. HyperFRAME Research ondervroeg 544 enterprise-beslissers om dit te achterhalen. Het getal dat je vannacht wakker zou moeten houden is niet alleen dat 77% het niet haalde. Het is dat het percentage slechter wordt.

Harvard Business Review-data, geciteerd via AI Magicx in maart 2026, zet een scherpe punt op de trend: het pilot-naar-productie-percentage daalt elk jaar. Tweeëndertig procent in 2024. Zevenentwintig procent in 2025. Een geschatte vijfentwintig procent in 2026. Meer AI-investering. Slechtere resultaten. Dat is de AI-project execution gap.

Je organisatie besteedt vrijwel zeker meer aan AI dit jaar dan vorig jaar. Je kans om wat je koopt daadwerkelijk te deployen is lager dan twee jaar geleden. Dit artikel legt uit waarom die gap bestaat, benoemt de zeven specifieke failure modes die je AI-projecten doden, en geeft je het acht-vragen readiness check voordat je de volgende start.

De Cijfers Achter de Execution Gap

De HyperFRAME Research Lens 1H 2026-data, gepubliceerd op 24–25 maart 2026, is het anker voor alles wat volgt. Maar het staat niet alleen.

Cisco AI Readiness Index, via CIO.com: Slechts 32% van de enterprises beoordeelt hun IT-infrastructuur als AI-ready. Slechts 34% beoordeelt hun datavoorbereidheid als AI-ready. Slechts 23% beoordeelt hun governance-processen als klaar voor AI-deployment. Drie onafhankelijke datapunten. Eén conclusie: de meeste organisaties proberen enterprise AI te draaien op infrastructuur die er nooit voor ontworpen is.

The CTO Advisor, 4 maart 2026: Van 544 ondervraagde enterprises erkent 64,7% een significante AI skills gap. Minder dan 7% beoordeelt hun MLOps-volwassenheid als 10 op 10. Veertig procent heeft helemaal geen governance-structuur. De mensen die verantwoordelijk zijn voor het laten werken van AI hebben niet de tools, de training, of de frameworks om het te doen.

IBM CEO Study, via Software Seni: Vierentachtig procent van de AI-initiatieven bereikt geen schaal buiten de pilot. Het gaat niet om 84% die volledig floppen — 84% haalt het niet voorbij een scope die al was goedgekeurd als opstapje.

S&P Global, via InformationWeek, 17 maart 2026: Tweeënveertig procent van de AI-projecten wordt helemaal stopgezet. Zesenveertig procent van de proofs of concept sterft voordat ze ooit productie bereiken. Het grafveld is reëel.

Gartner, via meerdere bronnen: Zestig procent van de AI-projecten zal tegen 2026 worden stopgezet vanwege onvoldoende AI-ready data-infrastructuur.

McKinsey State of AI 2025, via AI Magicx: Tweeënzeventig procent van de organisaties heeft AI geadopteerd in minimaal één functie. Elf procent rapporteert significante financiële impact. De gap tussen adoptie en financieel rendement is geen afrondingsfout. Het is een structureel execution failure.

De paradox is deze: AI-investeringen stijgen. AI-succespercentages dalen. Organisaties worden slechter in het deployen van AI terwijl de technologie beter wordt.

Waarom AI-projecten Daadwerkelijk Mislukken — De 7 Failure Modes

InformationWeek's Chander Damodaran gaf de diagnose simpel in maart 2026: "AI-initiatieven mislukken niet omdat de modellen slecht zijn. Ze mislukken omdat alles eronder kapot is, en leadership de projecten heeft goedgekeurd zonder eerst moeilijke vragen te stellen." Alles wat volgt is een uitwerking van die zin.

Failure Mode 1: Infrastructuur Die Niet Klaar Was

Het model is het laatste dat gebouwd wordt. De data-architectuur is de fundering waar alles anders op gebouwd wordt. En die fundering is, in de meeste enterprises, niet klaar voor AI.

Slechts 14% van de enterprises heeft hun core data-architectuur volledig gemoderniseerd voor AI-workloads, volgens HyperFRAME. Drieentwintig procent blijft gekoppeld aan legacy on-premises systemen. Wat dat in de praktijk betekent: het AI-project wordt gebouwd boven op data pipelines die niet ontworpen zijn voor real-time inference, storage systemen die het volume dat AI vereist niet aankunnen, en integration layers die breken onder productielast.

Damodaran's punt staat. Het model faalt omdat de infrastructuur eronder faalt.

Failure Mode 2: Governance Te Laat Ontdekt

De pilot draait zonder governance review omdat governance dingen vertraagt. De pilot slaagt technisch. Het project wordt goedgekeurd voor productie. Productiedeployment stuit op de governance muur — data privacyvereisten, access control vereisten, audit trail vereisten — die nooit zijn aangepakt tijdens de ontwikkeling.

Nu is de keuze tussen een governance remediation van zes maanden of lanceren zonder. De meeste organisaties komen een compromis uit over governance, en dat is hoe je de 88% van de organisaties krijgt die AI agent security incidents rapporteren, die we behandeld hebben in AC-013.

De organisaties die slagen bouwen governance parallel aan de ontwikkeling, niet erna.

Failure Mode 3: De Pilot Trap

Pilots draaien in gecontroleerde omgevingen op gecureerde data. Productie draait op enterprise data op schaal, met echte gebruikers, onder echte latencyvereisten, met de rommelige edge cases die niet verschijnen in een gecontroleerde testomgeving.

Dit is de pilot trap: een succesvolle pilot die productsucces niet voorspelt omdat de condities fundamenteel anders zijn. De model accuracy zag er geweldig uit op de opgeschoonde testdataset. Het degradeert wanneer het de distributie van echte enterprise data raakt — die noiser, incomplete en meer adversarial is dan wat dan ook in een sandbox.

Presta's data is relevant hier: tot 87% van de AI-projecten mislukt door data quality issues. En Meduzzen vond dat data preparation 60–80% van de AI-ontwikkelresources verbruikt — wat betekent dat het merendeel van de tijd van het team naar data wrangling gaat voordat het model ooit gebouwd is.

Failure Mode 4: De Skills Gap Die Training Niet Oplost

De HyperFRAME-data is cru: 64,7% van de enterprises erkent een significante AI skills gap. Minder dan 7% beoordeelt hun MLOps-volwassenheid als 10 op 10.

De skills gap is niet "we moeten leren hoe we modellen bouwen." Het is "we weten hoe we modellen bouwen in een lab, maar we weten niet hoe we modellen in productie onderhouden." Model maintenance — monitoring voor drift, retraining wanneer accuracy degradeert, debugging wanneer outputs verkeerd lijken — is een operationele discipline die de meeste AI-teams nooit voor getraind zijn en de meeste organisaties niet hebben ingevuld.

De TCS insight, via CIO.com en Jennifer Fernandes, snijdt naar de kern: de skills gap gaat niet alleen over AI-kennis. Het gaat over de opgehoopte technology debt, process debt en data debt die AI moeilijker maakt te deployen dan het zou moeten zijn. Je kunt je niet uit die schuld trainen. Je moet het afbetalen.

Failure Mode 5: Model Drift Waar Niemand Naar Kijkt

Presta's data: 91% van de ML-modellen degradeert over tijd zonder systematische monitoring en retraining. Niet omdat het model slecht gebouwd was. Omdat de statistische eigenschappen van real-world data over tijd veranderen, en een model getraind op vorig jaar data slechtere voorspellingen maakt op dit jaar data.

In de meeste enterprises is er geen monitoring voor model drift. Er zijn geen alerts wanneer accuracy onder de drempel zakt. Er is geen retraining schedule. Het model blijft draaien, blijft slechtere voorspellingen maken, totdat iemand merkt dat de business outcomes die het produceert stilletjes zijn verslechterd.

Tegen de tijd dat je het merkt, heeft het model al weken of maanden lang slechte beslissingen gemaakt.

Failure Mode 6: Geen Budget Voor Productie

De meest voorkomende budget failure: AI-projecten worden goedgekeurd voor ontwikkeling, succesvol gepiloteerd, en ontdekken dan dat er geen budget is vrijgemaakt voor productiedeployment. Het ontwikkelingsteam verwachtte dat iemand anders het zou afhandelen. Het infrastructuurteam werd niet geraadpleegd. De security review werd niet begroot.

Het resultaat: projecten die werken in een pilot-omgeving en in limbo blijven hangen voor zes tot twaalf maanden terwijl de organisatie uitzoekt hoe ze de productiedeployment te betalen die ze nooit heeft gepland.

De organisaties die slagen behandelen productiedeployment als een apart project met eigen budget, eigen timeline en eigen owner — niet als een bijgedachte aan het ontwikkelingsproject.

Failure Mode 7: ROI Die Nooit Werd Gedefinieerd

Dit is de failure mode die alle andere onzichtbaar maakt tot het te laat is. Het AI-project werd goedgekeurd omdat de technologie opwindend was, de board AI-adoptie wilde demonstreren, of de concurrent iets vergelijkbaars deed. De success criteria waren "bouw iets dat werkt."

Wanneer het project productie bereikt en niemand kan aangeven of het werkt, is het antwoord meestal dat niemand heeft gedefinieerd wat "werken" zou betekenen in bedrijfsmatige termen voordat het project begon.

De organisaties die slagen definiëren ROI voordat de pilot lanceert — in specifieke, meetbare, financiële termen — en volgen het rigoureus door de deployment.

De 23% Die Slagen — Wat Ze Anders Doen

De failure modes zijn goed gedocumenteerd. De vraag is wat de 23% die productie bereiken en ROI-doelstellingen halen anders doen.

Ze moderniseren data-architectuur voordat ze AI schalen. Slechts 14% van de enterprises heeft core data-architectuur volledig gemoderniseerd. De 23% die slagen zijn disproportioneel in die 14%. Ze hebben eerst de technology debt afbetaald. Ze hebben de data-infrastructuur gebouwd die AI daadwerkelijk vereist — niet als bijgedachte, maar als prerequisite.

Ze gebruiken een gestructureerd deployment proces. HyperFRAME: slechts 37% van de enterprises gebruikt een gestructureerd proces voor AI deployment. De 23% die slagen zitten in die 37%. Ze hebben gedefinieerde deployment stages, gedefinieerde gate criteria, gedefinieerde sign-offs. Ze improviseren hun weg niet van pilot naar productie.

Ze bouwen governance voor productie. De organisaties die slagen ontdekken governance-vereisten niet na de pilot. Ze definiëren de governance framework op hetzelfde moment dat ze de project scope definiëren. Tegen de tijd dat het model klaar is voor productie, is de governance review al gedaan.

Ze investeren in MLOps-volwassenheid. De CTO Advisor-data toont aan dat de organisaties die productie bereiken MLOps-volwassenheidsratings hebben die significant boven het gemiddelde liggen. Ze behandelen model maintenance als een operationele discipline — met dedicated resources, gedefinieerde processen en monitoring-infrastructuur — niet als een bijbaantje voor het team dat het model heeft gebouwd.

Ze definiëren ROI voordat ze lanceren. De 23% die slagen wachten niet tot productie om erachter te komen of het project waarde heeft opgeleverd. Ze hebben de success metrics gedefinieerd voordat de pilot begon. Ze volgen die metrics rigoureus door de ontwikkeling, door de deployment, en naar steady-state operatie.

Het TCS framework, via CIO.com en Jennifer Fernandes: Gebruik AI om technology debt, process debt en data debt af te betalen. De verhoogde efficiëntie van het afbetalen van die schuld produceert rendementen die geherinvesteerd kunnen worden in het volgende AI-project. De organisaties die AI behandelen als een schuld-afbetaalmechanisme, niet alleen als een capability builder, zijn degenen die een samengesteld voordeel opbouwen.

Waarom de Gap Groeit

Hier is het deel dat elke executive die een AI-budget dit jaar heeft goedgekeurd zorgen zou moeten baren: het pilot-naar-productie-percentage daalt. Tweeëndertig procent in 2024. Zevenentwintig procent in 2025. Vijfentwintig procent geschat voor 2026.

Waarom wordt het slechter terwijl AI beter wordt?

Omdat de makkelijke AI-wins al gedaan zijn. De organisaties die basale chatbots, eenvoudige classificatiemodellen en straightforward automation hebben gedeployed, hebben die dingen gedaan. Wat overblijft — de workflows die ertoe doen, de beslissingen die reële business value drijven — vereist de infrastructuur die de meeste organisaties niet hebben.

De complexiteit van AI-projecten neemt sneller toe dan de organisatorische capability om ze uit te voeren. De organisaties die ambitieuze AI-projecten proberen zonder te investeren in de onderliggende infrastructuur, processen en talent falen met hogere percentages dan twee jaar geleden, toen ze simpelere projecten probeerden.

Damodaran's diagnose blijft de duidelijkste uitleg: "AI-initiatieven mislukken niet omdat de modellen slecht zijn. Ze mislukken omdat alles eronder kapot is." De organisaties die slagen in 2026 zijn degenen die hebben besloten om eerst te fixen wat eronder zat.

Het AI Execution Readiness Framework — 8 Vragen Voordat Je Je Volgende AI-Project Start

Gebruik deze acht vragen om te beoordelen of je volgende AI-project is ingesteld om te slagen — voordat je nog een dollar aan het uitgeeft.

Vraag 1: Is onze core data-architectuur daadwerkelijk AI-ready?

Niet "plannen we rond de beperkingen te werken?" maar "is onze data-infrastructuur daadwerkelijk ontworpen voor AI-workloads?" Als je bouwt op legacy systemen die niet ontworpen zijn voor real-time inference of grootschalige dataverwerking, gaat het model in productie falen om infrastructuurredenen die niets met modelkwaliteit te maken hebben.

Vraag 2: Hebben we een gestructureerd AI-evaluatie en deploymentproces?

Slechts 37% van de enterprises gebruikt een gestructureerd deploymentproces. Als je organisatie geen gedefinieerde stages, gate criteria en sign-off-vereisten heeft voor de overgang van pilot naar productie, improviseert je pilot-naar-productie-overgang — en improvisatie is waarom projecten in de laatste mijl sterven.

Vraag 3: Hebben we gedefinieerd wat "productiesucces" betekent — in bedrijfsmatige termen?

Niet "model accuracy boven X%" maar "omzet is toegenomen met Y, of kosten zijn gedaald met Z, of cyclustijd is gedaald met W uren." Als je de success metric niet in een zin kunt schrijven die een CFO zou herkennen als een bedrijfsuitkomst, heb je succes niet gedefinieerd.

Vraag 4: Wordt governance parallel aan het model gebouwd?

Als governance op de planning staat voor "later," is het al laat. De organisaties die governance-vereisten ontdekken nadat het model is gebouwd, zijn degenen die ofwel productie met zes maanden vertragen ofwel lanceren zonder controls die ze hadden moeten hebben.

Vraag 5: Wie is owner van het model in productie, en hebben ze budget en tijd om het te onderhouden?

Model maintenance is een baan. Als niemand specifiek verantwoordelijk is voor het monitoren van accuracy, detecteren van drift en triggeren van retraining, zal het model stilzwijgend degraderen totdat de business outcomes voldoende verslechteren dat iemand het merkt.

Vraag 6: Hebben we MLOps-volwassenheid die toereikend is om modelperformance in productie te monitoren?

Dit is niet hetzelfde als "kunnen we een model bouwen?" Het betekent: hebben we geautomatiseerde monitoring voor accuracy drift, data drift en outlier predictions? Hebben we alerts wanneer drempels worden overschreden? Hebben we een gedefinieerd retrainingproces dat automatisch triggert?

Vraag 7: Hebben we de skills gap meegenomen in onze timeline en budget?

De skills gap wordt niet opgelost door één data scientist aan te nemen. Het wordt opgelost door MLOps-praktijken op te bouwen, documentatie te creëren die institutionele kennis overdraagt, en te investeren in de operationele training die de meeste organisaties overslaan omdat het niet voelt als bouwen.

Vraag 8: Starten we dit project omdat we een reële use case hebben, of omdat onze concurrent het doet?

De organisaties die winnen op AI lossen reële operationele problemen op met meetbaar ROI. De organisaties die failures accumuleren jagen de technologie na omdat het lijkt alsof iedereen het doet.

Conclusie

De AI project execution gap is geen technologieprobleem. Het is een infrastructuurprobleem, een procesprobleem en een organisatieprobleem dat technologie alleen niet kan oplossen.

De data is consistent over elk groot onderzoeksbureau: minder dan één op de vier AI-projecten haalt productie en levert meetbaar ROI op. De paradox is dat terwijl AI-investeringen stijgen, de succespercentages dalen — omdat de makkelijke projecten gedaan zijn, en de moeilijke vereisen infrastructuur die de meeste organisaties niet hebben gebouwd.

De organisaties die de gap gaan dichten zijn niet degenen die betere AI-tools vinden. Het zijn degenen die besluiten te fixen wat Damodaran "alles eronder" noemde — de data-architectuur, de deploymentprocessen, de governance frameworks, de MLOps-praktijken en de organisatorische capabilities die daadwerkelijk bepalen of AI-projecten slagen of falen.

De acht vragen hierboven zijn een startpunt. Als je alle acht met vertrouwen kunt beantwoorden, heeft je volgende AI-project een betere dan gemiddelde kans om productie te bereiken. Als verschillende ervan oncomfortabele antwoorden opleveren, is de hoogste-RG-investering die je dit jaar kunt doen niet nog een AI-pilot.

Het is de fundering fixen.

Problemen met het overbruggen van de laatste mijl van AI-pilot naar productie? Praat met Agencie voor een AI execution readiness assessment — inclusief infrastructuur audit, deploymentproces-evaluatie en een geprioriteerde roadmap voor het dichten van je execution gap →