Je board heeft dit jaar groen licht gegeven voor een AI-programma. Misschien was jij de sponsor.
Lees dan nu wat de analisten die je board écht vertrouwt publiceren over programma's als het jouwe.
Gartner verwacht dat meer dan 40% van de agentic projecten wordt geschrapt. MIT stelde vast dat bijna geen van de pilots de winst-en-verliesrekening raakte. S&P Global zag het aantal gestaakte initiatieven in één jaar meer dan verdubbelen. Dit zijn geen doemdenkers op LinkedIn. Het zijn dezelfde bureaus waarvan de slides in de stukken van jouw board liggen.
Hieronder staat elk echt cijfer, wat elk cijfer werkelijk mat, en de links om het zelf te controleren. En daarna het stuk dat bijna niemand citeert: de bevinding die bepaalt aan welke kant van de kloof je terechtkomt.
De cijfers, eerlijk
Wat er op LinkedIn rondgaat, is meestal een verminkte versie van de cijfers hieronder. "95% van AI mislukt" is niet wat MIT zei. "40% van AI is dood" is niet wat Gartner zei. De echte beweringen zijn nauwer afgebakend, beter onderbouwd en juist daardoor alarmerender.
| Bron (datum) | Wat er echt gemeten is | Het cijfer |
|---|---|---|
| Gartner, jun 2025 | Agentic-AI-projecten waarvan Gartner voorspelt dat ze eind 2027 zijn geschrapt | Meer dan 40% |
| Gartner, jul 2024, geactualiseerd apr 2026 | GenAI-projecten die na de proof of concept worden gestaakt | ≥30% voorspeld → ≥50% werkelijk |
| MIT NANDA, aug 2025 | Zakelijke GenAI-pilots zonder meetbaar effect op de winst-en-verliesrekening | ~95% |
| S&P Global, 2025 | Bedrijven die het merendeel van hun AI-initiatieven hebben gestaakt | 42% (was 17% in 2024) |
| RAND, 2024 | AI-projecten die mislukken, tegenover vergelijkbare niet-AI-IT | Meer dan 80% (ongeveer 2×) |
Twee van die cijfers zijn geen momentopname. Het zijn trendlijnen, en ze wijzen allebei dezelfde kant op. Lees deze als een grafiek:
| Wat jaar-op-jaar verslechterde | Toen | Nu | Trend |
|---|---|---|---|
| Bedrijven die het merendeel van hun AI-initiatieven staken (S&P Global) | 17% (2024) | 42% (2025) | ↑ |
| GenAI-projecten gestaakt na de proof of concept (Gartner: voorspelling → gemeten) | ≥30% (2024) | ≥50% (2025) | ↑ |
Gartner voorspelde in 2024 dat minstens 30% van de generatieve-AI-projecten na de proof of concept zou worden gestaakt. In april 2026 rapporteerde het bureau dat het echte cijfer op minstens 50% uitkwam. De voorspelling kwam niet alleen uit, hij kwam erger uit dan voorzien. In datzelfde tijdsbestek zag S&P Global het aandeel bedrijven dat het merendeel van zijn AI-initiatieven staakt oplopen van 17% naar 42%. De richting verbetert niet. Ze versnelt.
Is dat cijfer van 95% wel echt? De tegenspraak.
Het MIT-cijfer van "95%" is het meest geciteerde én meest misbruikte getal van allemaal, dus behandel het eerlijk. Het komt uit MIT's NANDA-initiatief, "The GenAI Divide", gebouwd op 150 interviews met leidinggevenden, een enquête onder 350 mensen en 300 publieke implementaties. Het meet pilots zonder meetbaar effect op de winst-en-verliesrekening, niet "95% van de AI-projecten mislukt".
En het is omstreden. Critici bij het Marketing AI Institute en VentureBeat wijzen erop dat de steekproef klein is en de definitie van "mislukking" rekbaar; hetzelfde onderzoek beschrijft, anders gelezen, een bloeiende schaduw-AI-economie in plaats van een kerkhof. We linken die tegenspraak bewust. Een cijfer dat je onder kritiek niet kunt verdedigen, is geen wapen maar een risico.
De eerlijke lezing: of het echte getal nu 95%, 80% of "slechts" de helft is: elke geloofwaardige bron is het erover eens dat het uitvalpercentage van zakelijke AI-programma's hoog is, stijgt en slechter uitpakt dan gewone IT.
Waarom ze mislukken
De bronnen zijn het eens over de redenen, en niet één daarvan is "de AI was niet goed genoeg".
Gartner wijt de gestaakte projecten aan oplopende kosten, onduidelijke bedrijfswaarde en gebrekkige risicobeheersing. RAND, waarvan het rapport het meest geciteerde antwoord is op de vraag "waarom mislukken AI-projecten", wijst op teams die het probleem verkeerd begrijpen, slechte datakwaliteit, techniek-eerst-denken en ontbrekende infrastructuur. Meer dan 80% van de AI-projecten mislukt, stelde RAND vast, ongeveer twee keer zo vaak als vergelijkbare niet-AI-IT-projecten.
MIT voegt daar een pijnlijke build-versus-buy-bevinding aan toe: kopen bij gespecialiseerde leveranciers slaagt in ongeveer 67% van de gevallen, terwijl zelf bouwen ongeveer een derde daarvan haalt. Het instinct om "het zelf te bouwen" is, statistisch gezien, het instinct om te verliezen.
En een deel van de markt bestond nooit echt. Van de duizenden leveranciers die "agentic AI" claimen, schat Gartner dat er maar ongeveer 130 het echte werk leveren. De rest is "agent washing". Sommige projecten mislukken omdat er een categorie is verkocht die niet bestond.
Let op het patroon. Kosten, data, governance, scope, leverancierstheater: stuk voor stuk organisatorische mislukkingen. Geen enkele reden op de lijst is "de technologie kan dit niet".
De bevinding die iedereen overslaat
Hier is de zin die uit elke samenvatting van het MIT-rapport wordt geknipt.
Hetzelfde onderzoek stelde ook vast dat bij ruim 90% van de bedrijven medewerkers al persoonlijke AI-tools voor het werk gebruiken, terwijl maar zo'n 40% van die bedrijven een officieel AI-abonnement heeft. De programma's mislukten. De mensen niet.
Laat dat even bezinken. Dezelfde organisaties die geen meetbaar effect op de winst-en-verliesrekening boeken, zitten vol individuen die op eigen houtje sneller, scherper en capabeler worden. De mislukking is institutioneel. De adoptie is persoonlijk.
Dat zet het hele gesprek op scherp. De kloof die zich opent, is niet bedrijf tegen bedrijf. Het is executive tegen executive: de leider die AI-native werkt tegenover degene die een programma sponsorde en op de uitrol wachtte.
Voelde je bij het lezen even een steek van "loop ik al achter"? Dan hoor je bij de meerderheid. Korn Ferry stelde vast dat 71% van de Amerikaanse CEO's last heeft van het imposter-syndroom. Het gevoel is op jouw niveau vrijwel universeel. De reactie hoeft dat niet te zijn.
Want de inzet is scheef verdeeld. Een mislukt AI-project overleef je; boards vergeven een geschrapte pilot; volgens S&P Global doen ze dat in 42% van de gevallen. De laatste niet-AI-native executive aan tafel zijn, overleef je niet. Dat is de angst die de moeite waard is, en het is de angst met een heldere, kleine uitweg.
Wat je moet doen in plaats van een programma
Als institutionele AI in het beste geval kop of munt is, begin dan niet bij de organisatie.
Begin aan de top, op de ene machine die je volledig beheert: je eigen laptop. Richt AI van executive-niveau op de data van je eigen bedrijf. Stel het de vragen waar je anders twee weken en drie vergaderingen op had gewacht. Dagen, geen IT-programma. Geen selectiecommissie, geen uitrol van zes maanden, geen begrotingspost die je board kan schrappen, en volgens Gartner is die kans groter dan 40%.
Je lanceert geen zoveelste institutioneel programma, het soort met de uitvalpercentages hierboven. Je doet persoonlijk wat de data individuen al ziet doen: AI-native worden op je eigen voorwaarden.
AI Board is jouw persoonlijke AI-assistent die je een AI-native executive maakt: een AI CEO, CFO en CTO op je eigen laptop, gevoed met de data van je bedrijf, en hij wordt scherper naarmate je data groeit. Privacy by design, snel, en vóór op de executives die wachten.
Wees wel eerlijk over de grens. Dit is geen transformatie van je hele organisatie, en doet ook niet alsof. Je hele bedrijf AI-native maken vraagt nog steeds het hele bedrijf: het verandermanagement, het dataleidingwerk, het trage institutionele werk dat de cijfers van RAND en MIT beschrijven. Wat op je laptop begint, is maar één ding: jij, de individuele executive, die weigert de bottleneck te zijn terwijl de organisatie de achterstand inloopt. Wil je het volledige plaatje van die rol, lees dan wat een AI-native executive is, en wat een AI-bedrijfsbrein doet zodra je data erachter zit.
Die persoonlijke adoptie is niet hypothetisch. Ze gebeurt al onder je. De schaduw-AI-economie van je team is precies dit, zonder toestemming. Ze gebeurt naast je, want dezelfde druk sluit zich rond managers. De enige open vraag is of ze ook aan het hoofd van de tafel gebeurt.
Veelgestelde vragen
Hoeveel procent van de AI-projecten mislukt?
Dat hangt af van wat je meet, en het eerlijke antwoord is een bandbreedte. RAND stelde vast dat meer dan 80% van de AI-projecten mislukt, ongeveer twee keer zo vaak als vergelijkbare niet-AI-IT. MIT's NANDA-onderzoek uit 2025 vond dat zo'n 95% van de zakelijke generatieve-AI-pilots geen meetbaar effect op de winst-en-verliesrekening opleverde. S&P Global vond dat 42% van de bedrijven in 2025 het merendeel van zijn AI-initiatieven staakte, tegen 17% een jaar eerder. Verschillende brillen, één richting: hoog en stijgend.
Waarom mislukken de meeste AI-projecten?
Niet omdat de technologie zwak is. Gartner noemt oplopende kosten, onduidelijke bedrijfswaarde en gebrekkige risicobeheersing. RAND wijst op een verkeerd begrepen probleem, slechte datakwaliteit, techniek-eerst-denken en gaten in de infrastructuur. MIT vond dat zelf bouwen ongeveer een derde zo vaak slaagt als kopen bij gespecialiseerde leveranciers. De mislukkingen zijn organisatorisch, niet technisch.
Klopt dat MIT-cijfer van 95%?
Ja, het cijfer is echt, uit MIT's NANDA-rapport "The GenAI Divide", maar het is nauwer afgebakend en omstredener dan de kop suggereert. Het mat generatieve-AI-pilots zonder meetbaar effect op de winst-en-verliesrekening, niet "95% van de AI-projecten". Critici wijzen op de kleine steekproef en een rekbare definitie van mislukking. Citeer het precies, of niet.
Moeten we dan maar geen AI-project starten?
Jawel, maar wees helder over welk soort. Grote institutionele programma's dragen de uitvalpercentages hierboven. Een individuele executive die AI-native met de eigen data werkt, is een andere, kleinere, snellere gok die niet afhangt van een geslaagde uitrol door de hele organisatie. Begin waar de kans in je voordeel is, op je eigen niveau, en laat de organisatie de achterstand inlopen.
Elk cijfer hierboven is openbaar, onderbouwd en controleerbaar, want de executives die op de echte cijfers handelen, lezen ze al lang voordat de wachtenden aan de post-mortem beginnen. Zie wat een AI-native executive met de eigen bedrijfsdata doet →, en maak kennis met je AI CEO.