De demo werkte. De zaal knikte. En maanden later ging er niets live.
Dit is op dit moment het meest voorkomende AI-verhaal in het bedrijfsleven, en het gaat niet over een zwak model. De pilot deed precies wat ervan gevraagd werd. Wat hem de das omdeed, was de overgang: de sprong van een gecontroleerde demo naar iets waar het bedrijf elke dag op draait. Die sprong heeft een naam in het vak: de kloof tussen pilot en productie. De meeste projecten vallen erin en klimmen er nooit meer uit.
Hieronder lees je wat die kloof precies is, waarom jouw pilot de demo wél haalde maar de productie niet, en de andere blik die de kloof laat verdwijnen in plaats van je te vragen hem te overleven.
De kloof tussen pilot en productie, in één cijfer
Bijna iedereen gebruikt AI. Bijna niemand schaalt het op. Dat is het hele probleem in één zin.
McKinsey's State of AI 2025, onder bijna 2.000 respondenten in 105 landen, vond dat zo'n 88% van de organisaties inmiddels regelmatig AI gebruikt, maar dat de meeste nog aan het experimenteren of piloten zijn; slechts ongeveer een derde is begonnen met opschalen. Bij agentic systemen duikt het cijfer nog dieper: maar 23% zegt er ergens in de organisatie één te hebben opgeschaald, terwijl 39% nog uitsluitend met agents experimenteert.
De cijfers van de adviesbureaus wijzen dezelfde kant op. Boston Consulting Group vond dat maar zo'n 26% van de bedrijven de vaardigheden heeft opgebouwd om voorbij de proof of concept te komen en echte waarde te leveren, wat betekent dat 74% worstelt met opschalen. En Gartner rapporteerde dat minstens 50% van de generatieve-AI-projecten na de proof of concept wordt gestaakt, een cijfer dat het bureau een jaar eerder op 30% had voorspeld, en dat dus hoger uitviel dan voorzien.
De stelling achter elk van die cijfers is dezelfde. Niet de pilot faalt. De overgang faalt.
Waarom de pilot werkte en de productie niet
De demo draaide op data die in productie niet bestaat. Dat is de val.
Een pilot is gebouwd om indruk te maken. Dus draait hij op een schone, uitgekozen selectie: de goede klanten, het nette kwartaal, de velden die iemand de avond ervoor met de hand heeft rechtgetrokken. Productie draait op álles: de dubbelingen, de lege velden, de legacy-exports waar niemand sinds 2019 nog naar heeft omgekeken. Het model dat schitterde op de zorgvuldig samengestelde set moet nu redeneren over de echte rommel, en de antwoorden worden slechter op manieren die de demo nooit liet zien.
Het datafundament is waar dit als eerste zichtbaar wordt. Gartner voorspelt dat organisaties tot en met 2026 zo'n 60% van de AI-projecten zonder AI-klare data zullen staken. En de organisaties die de kloof wél oversteken, zijn niet slimmer; ze geven meer uit aan het fundament: tot vier keer zoveel aan data en analytics als de organisaties waar de initiatieven stranden. De pilot hoefde die rekening nooit te betalen. De productie wel.
De vijf dingen die een pilot nooit hoeft op te lossen
Een pilot slaagt juist omdat hij het moeilijke deel mag overslaan. De productie ís het moeilijke deel. Dit is wat er aan de andere kant van de demo op je wacht:
- Koppeling met legacy-systemen. De pilot trok data uit een export. De productie moet live aansluiten op de systemen waar het bedrijf echt op draait.
- Kwaliteit op volume. Goede antwoorden op tien gevallen zijn geen goede antwoorden op tienduizend. Uitzonderingen die in de demo nooit langskwamen, worden dagelijkse kost.
- Bewaking. Een demo wordt bekeken door een trots team. De productie moet zijn eigen afwijkingen en fouten opvangen terwijl niemand kijkt.
- Benoemd eigenaarschap. Iemand moet er maandagochtend eigenaar van zijn. Een pilot draait op het enthousiasme van een lancering; productie draait op wie aan de bak moet als het misgaat.
- Governance. Auditspoor, faalprotocol, escalatiepad. De pilot had dit niet nodig. De productie kan niet zonder.
Geen van die vijf is een beperking van het model. Ze zijn organisatorisch. Het is precies het patroon dat RAND vaststelde toen het vond dat meer dan 80% van de AI-projecten mislukt, ongeveer twee keer zo vaak als vergelijkbare niet-AI-IT, om redenen als een verkeerd begrepen probleem, slechte datakwaliteit en ontbrekende infrastructuur. De technologie staat zelden tussen jouw pilot en de productie in.
Pilot-vagevuur is een organisatieprobleem
De reden dat de pilot niets heeft om over te dragen, is dat de organisatie nooit voor productie was gebouwd.
McKinsey's helderste bevinding is dat de grootste hefboom voor EBIT-impact uit generatieve AI het herontwerp van de werkstroom is, dus het werk anders inrichten, niet een tool bovenop de oude manier van werken schroeven. Een pilot verandert niets aan de werkstroom; daarom gaat hij snel. Productie vraagt het herontwerp, en dat herontwerp is traag, politiek en zelden begroot.
Intussen groeit de afstand tussen de koplopers en de rest. BCG's onderzoek uit 2025 vond dat de waardekloof breder wordt, met maar zo'n 5% van de bedrijven dat als "future-built" telt en substantiële waarde creëert. Pilot-vagevuur is geen plek waar je project tijdelijk vastzit. Het is waar projecten belanden wanneer het operationele model eromheen nooit is verbouwd om ze te ontvangen.
De opschaal-belasting: wat de oversteek kost
De oversteek kost meer dan iemand begrootte, en de manier waaróp je hem probeert te maken verandert je kansen.
MIT's NANDA-onderzoek vond dat kopen bij gespecialiseerde leveranciers zo'n 67% van de tijd slaagt, terwijl zelf bouwen ongeveer een derde daarvan haalt. Het instinct om een productiesysteem zelf te bouwen is, statistisch gezien, het instinct om in de kloof te blijven hangen. Tel daar de 4x hogere uitgave aan het datafundament bij op die de geslaagde organisaties betalen, en de echte prijs van productie wordt scherp zichtbaar: het is een veelvoud van de pilot, geen opslag erbovenop.
Die kosten zijn waaraan projecten laat sneuvelen. Gartner verwacht dat eind 2027 meer dan 40% van de agentic-AI-projecten is geschrapt, en wijst op oplopende kosten, onduidelijke bedrijfswaarde en gebrekkige risicobeheersing. De pilot was goedkoop. De kloof is duur. De meeste budgetten ontdekken dat halverwege de oversteek.
De andere blik: je hoeft de overgang niet te overleven
Elk raamwerk dat je over deze kloof leest, gaat van hetzelfde uit: dat jíj de brug moet bouwen, bemensen, financieren en de oversteek moet overleven. Er is een 4-fasen-operationeelmodel, een checklist met 7 grondoorzaken, een MLOps-volwassenheidsladder. Ze nemen allemaal aan dat de instelling moet opschalen.
Maar kijk naar wáárom de kloof überhaupt bestaat. Hij bestaat omdat er een overdracht is. Het pilotteam draagt over aan het platformteam, het platformteam draagt over aan de business, en bij elke naad lekt waarde weg. De kloof is geen eigenschap van AI. Hij is een eigenschap van de overdracht.
Haal de overdracht weg en de kloof verdwijnt.
Een individuele executive die op de eigen laptop werkt, heeft geen overdracht die kan falen. Er is geen pilotteam dat wordt opgeheven, geen platformteam dat moet inwerken, geen business-eigenaar die gevonden moet worden. Wie de demo draait, is wie hem in productie draait, want het is dezelfde persoon op dezelfde machine. Er is niets om over te dragen, dus er valt niets te laten vallen.
Wil je het volledige plaatje van waarom de institutionele route faalt, met elk faalcijfer met bronnen plus de bevinding over wat medewerkers al zonder toestemming doen, lees dan waarom de meeste AI-projecten mislukken. Dat stuk gaat over het hele kerkhof; dit stuk gaat specifiek over de overgang.
Wat er in plaats van de pilot komt
Begin aan de top, op de ene machine die jij volledig beheert.
In plaats van een pilot te sponsoren en af te wachten of hij de productie overleeft, richt je AI van executive-niveau op de data van je eigen bedrijf, op je eigen laptop. Geen pilotcommissie. Geen overdracht naar een platformteam. Geen uitrol van zes maanden die je board kan schrappen. Dagen, geen programma. Je stelt de vragen waar je anders twee weken en drie vergaderingen op had gewacht, gevoed met je echte cijfers: een AI CEO met zicht op het hele bedrijf, een AI CFO op de cijfers, een AI CTO op het technische landschap. Dezelfde motor, andere stoel, en het leeft achter je eigen data, private by design.
Dit is wat er al onder je gebeurt. Je team werd AI-native zonder het te vragen, één privélogin tegelijk, de pilot volledig overslaand. De andere blik is om precies dat bewust te doen, aan het hoofd van de tafel. Het is dezelfde verschuiving die we beschrijven bij de AI-native executive, met een AI-bedrijfsbrein op je data eronder.
Wees eerlijk over de grens. Dit is geen transformatie van je hele organisatie, en doet ook niet alsof. Je hele bedrijf over de kloof van pilot naar productie krijgen vraagt nog steeds het hele bedrijf: het herontwerp van de werkstroom, het dataleidingwerk, de governance die de cijfers van McKinsey en Gartner beschrijven. Wat op je laptop begint, is maar één ding: jij, de individuele executive, die dit kwartaal AI-native hefboom pakt zonder te wachten op een institutionele oversteek die de meeste instellingen nooit voltooien.
Veelgestelde vragen
Wat is de kloof tussen pilot en productie?
Het is het faalpunt tussen een werkende AI-demo en een systeem waar het bedrijf elke dag op draait. De pilot slaagt omdat hij op uitgekozen data draait en integratie, bewaking, eigenaarschap en governance overslaat. Productie vraagt dat allemaal, plus een overdracht van het pilotteam naar een platformteam naar de business. De meeste projecten vallen in die kloof. McKinsey vond dat maar zo'n een derde van de organisaties is begonnen met opschalen, ondanks bijna universeel gebruik.
Waarom halen AI-pilots de productie niet?
Omdat productie dingen vraagt die een pilot nooit hoeft op te lossen: koppeling met legacy-systemen, kwaliteit op volume, bewaking, benoemd eigenaarschap en governance. Dat zijn organisatorische problemen, geen modelproblemen. Gartner voorspelt dat 60% van de AI-projecten zonder AI-klare data tot en met 2026 wordt gestaakt, en RAND vond dat meer dan 80% van de AI-projecten mislukt, ongeveer twee keer zo vaak als vergelijkbare IT.
Welk percentage van de AI-pilots haalt de productie?
De schattingen liggen laag. Gartner rapporteerde dat minstens 50% van de generatieve-AI-projecten na de proof of concept wordt gestaakt. BCG vond dat maar zo'n 26% van de bedrijven de vaardigheden heeft om voorbij de proof of concept te komen. McKinsey vond dat maar ongeveer een derde überhaupt is begonnen met opschalen, en slechts 23% een agentic systeem heeft opgeschaald.
Hoe krijg je een AI-pilot naar productie?
De institutionele route betekent bouwen voor integratie, bewaking, eigenaarschap en governance, en de rekening voor het datafundament betalen. Gartner vond dat geslaagde organisaties tot vier keer meer investeren in datafundamenten. MIT vond dat kopen bij leveranciers zo'n 67% van de tijd slaagt, tegenover ongeveer een derde daarvan voor zelfbouw. Het alternatief is de overdracht volledig weghalen en AI-native werken als individu, waar geen overgang te overleven valt.
Moet je dan nog wel een AI-pilot draaien?
Voor institutionele AI: houd je ogen open: de pilot is het makkelijke deel, en de overgang is waar de meeste projecten sneuvelen. Voor een individuele executive: sla het pilot-denken helemaal over. Werken met je eigen data op je eigen laptop kent geen overdracht, dus er is niets om te productionaliseren en niets om te laten vallen.
Je hoeft geen overgang te overleven waar de helft van de AI-projecten op strandt. Begin waar er geen overdracht is die kan falen: aan de top, op je eigen data. Zie wat een AI-native executive met de eigen bedrijfsdata doet →