Mislukt echt 95% van de AI-projecten in bedrijven? Het MIT-rapport nauwkeurig gelezen

"95% van de AI-projecten in bedrijven mislukt."

Deze zin heeft u dit jaar waarschijnlijk vijftig keer gezien. Wij ook. Daarna hebben we het rapport zelf gedownload en alle 26 pagina's gelezen. Het is het lezen waard, maar niet om de reden waarom het viraal ging.

Wat meet die 95% eigenlijk?

De statistiek komt uit "The GenAI Divide: State of AI in Business 2025", een rapport van MIT's Project NANDA uit juli 2025 (Challapally, Pease, Raskar en Chari). Het onderzoek is gebaseerd op interviews met 52 organisaties, een enquête onder 153 leidinggevenden en een analyse van meer dan 300 publiek bekende AI-initiatieven.

Kijk naar de definitie van het rapport zelf. Om als "succesvol" te tellen moet een tool iets opleveren dat gebruikers of leidinggevenden omschrijven als een "duidelijke en blijvende impact op productiviteit of resultaat", beoordeeld zes maanden na de pilot. Gemeten wordt dus niet de balans, maar wat geïnterviewden zeggen. De onderzoeksnotitie van het rapport zegt het zelf: de cijfers zijn gebaseerd op individuele interviews en niet op officiële bedrijfsrapportage, en moeten als richtinggevend worden gelezen.

Bovendien geven de auteurs in de sectie over beperkingen toe dat een observatievenster van zes maanden te kort kan zijn voor complexe implementaties, wat de succespercentages te laag zou weergeven.

De bevinding is dus niet "AI werkt niet". De bevinding is: de meeste pilots hadden zich na zes maanden, in de ogen van de geïnterviewden, nog niet terugbetaald. Dat is niet dezelfde zin.

Drie bevindingen die niemand citeert

1. De schaduw-AI-economie. Slechts 40% van de ondervraagde bedrijven kocht een officieel AI-abonnement. Maar in meer dan 90% van diezelfde bedrijven gebruiken medewerkers al persoonlijke AI-tools voor hun werk. Het rapport noemt dit de "shadow AI economy".

2. Het budgetcijfer is geen meting. Het aandeel van AI-budgetten dat naar sales en marketing gaat, staat in het ene deel van het rapport op 50% en in een ander deel op 70%. De bron van het cijfer is een vraag waarbij leidinggevenden een hypothetische 100 dollar over functies moesten verdelen. Lees het als een stemmingsbeeld, niet als een meting.

3. Externe partnerschappen tegenover interne bouw. Projecten met externe partners bereikten in ongeveer 67% van de gevallen productie, intern gebouwde in ongeveer 33%. Wij verkopen diensten; het is logisch om dat cijfer uit onze mond met argwaan te lezen. Het rapport deelt die argwaan zelf: het schrijft expliciet dat het verschil eerder organisatorische capaciteiten kan weerspiegelen dan de koopbeslissing, en dat correlatie geen causaliteit bewijst.

In hetzelfde bedrijf "mislukt" AI en wordt het elke dag gebruikt

Leg de puzzel. Het bedrijf zegt dat het officiële project "geen resultaten opleverde". Binnen datzelfde bedrijf gebruiken mensen elke dag AI, vaak via persoonlijke accounts die ze zelf betalen, en zijn ze sneller klaar met hun werk.

Niemand meet het. Niemand verbindt die winst met de bedrijfsresultaten.

De diagnose van het rapport wijst dezelfde kant op: de kernbarrière voor opschaling is niet infrastructuur, regelgeving of talent, maar leren. De tools onthouden geen feedback, passen zich niet aan de context aan en verbeteren niet in de tijd. In dezelfde dataset bereikte ongeveer 83% van de pilots met generieke tools het gebruik, verkiest 70% van de gebruikers AI voor snelle taken, terwijl voor complex werk op de lange termijn negen van de tien mensen de mens verkiezen.

Wat mislukte is dus niet AI. Wat mislukte is de infrastructuur die individuele productiviteit omzet in organisatieresultaten: de laag van meten, integreren en leren. In de meeste bedrijven is die laag nooit gebouwd.

Het rapport beschrijft precies wat wij hebben gebouwd

Het rapport bevat een bevinding die onze sector direct raakt: de echte besparingen verschijnen vooral in de backoffice, en één post daarvan is een daling van ongeveer 30% in externe uitgaven aan bureaus en content.

Die bevinding verontrust ons niet; wij hebben PumpGrowthOS precies daarom gebouwd. Dat het klassieke bureaumodel, herhaalbaar werk met de hand doen en factureren, van AI zou verliezen, was al zichtbaar. Kijk waar het rapport opsomt wat de "succesvolle 5%" onderscheidt: systemen ingebed in processen, meetbare bedrijfsresultaten, implementaties die leren in de tijd. Dat is ook ons model: in plaats van bureaudiensten te verkopen, bouwen we de meetinfrastructuur, de datagedreven beslislus en de in processen ingebedde automatisering, en draaien we de groei bovenop dat systeem.

Anders gezegd: als het rapport zegt "snijd in je bureau-uitgaven", beschrijft het ook waar je naartoe moet, en wat het beschrijft is geen bureau maar een groeisysteem. Hoe die aanpak er in de praktijk uitziet, hebben we stap voor stap uitgelegd in onze gids over datagedreven marketing.

Een noot over transparantie

Het rapport komt van MIT's Project NANDA. NANDA is een initiatief dat protocollen bouwt waarmee AI-agenten kunnen samenwerken, en de conclusie van het rapport luidt, toevallig, dat "het antwoord in agentgebaseerde systemen" ligt. Dat maakt het rapport niet fout. Het betekent wel dat de data en de conclusie apart gelezen verdienen te worden. Dat hebben wij in dit artikel gedaan.

Als AI in uw bedrijf "niet werkt"

Loop eerst deze vier vragen na:

1. Wat lossen uw medewerkers al op met persoonlijke accounts? Schaduwgebruik is de eerlijkste indicator van wat echt werkt.
2. Met welke metriek meet u de impact van AI? Zonder meting berust het oordeel "mislukt" op indrukken, niet op data.
3. Bent u de pilot gestart met een grote visie of met één smal proces? De werkende voorbeelden in het rapport delen twee kenmerken: smalle scope en snelle, zichtbare waarde.
4. Leert de tool die u kocht van uw proces, of begint hij elke keer bij nul?

De vraag is niet "werkt AI?". De vraag is: werkt het echt niet, of werkt het op een plek waar u niet kijkt?

Bron: Challapally, Pease, Raskar, Chari. "The GenAI Divide: State of AI in Business 2025", MIT Project NANDA, juli 2025. Rapport-PDF