Waarom AI-implementatie mislukt in het mkb

Je kent het scenario waarschijnlijk wel. Een ondernemer ziet een demo, is onder de indruk en boekt een leverancier in. Drie maanden later ligt het project stil. Niemand heeft het project officieel gestopt. Het is gewoon opgehouden ergens tussen de laatste factuur en het eerstvolgende drukke kwartaal. Waarom AI-implementatie mislukt in het mkb is zelden een vraag over techniek. Het is een vraag over wat er gebeurt nadat de demo is afgelopen.

MIT deed hier vorig jaar onderzoek naar, onder de naam "The GenAI Divide". Het cijfer dat eruit kwam wordt sindsdien door bijna elke AI-consultant aangehaald: 95 procent van de generatieve AI-pilots levert geen meetbaar rendement op (Frankwatching). Dat getal zegt niets over de kwaliteit van de modellen. Het zegt iets over hoe pilots worden opgezet. Los van het werkproces. Zonder eigenaar die er 's ochtends mee moet werken. Zonder antwoord op de vraag welk probleem dit oplost.

Het probleem zit zelden in het model

Hetzelfde MIT-onderzoek laat een verschil zien dat ik in de praktijk bij Rotterdamse mkb'ers steeds terugzie. Bedrijven die AI inkopen bij een partij die meedenkt over de toepassing, halen een slaagkans van 67 procent. Ze bouwen samen met een leverancier aan iets dat op hun eigen processen aansluit. Bedrijven die zelf iets in elkaar zetten zonder die aansluiting, komen op 33 procent. Het verschil zit niet in wie het beste model gebruikt. Het zit in of het ding dat gebouwd wordt past op wat er al gebeurt: in de administratie, de offertes, de planning.

Dat is precies waarom ik bij een klant nooit begin met de vraag welke tool het beste is. Ik begin met de vraag wat er nu, vandaag, met de hand wordt gedaan dat niet met de hand hoeft. Een AI-oplossing die naast het bestaande proces wordt gezet in plaats van erin, wordt na twee weken genegeerd. Niet omdat de techniek faalt, maar omdat niemand tijd heeft om twee systemen naast elkaar bij te houden.

Wie het moet gebruiken, moet het ook willen

De tweede reden die keer op keer terugkomt is eigenaarschap. Beslissingen over AI worden vaak op directieniveau genomen, naar aanleiding van een aantrekkelijke demo. De mensen die het dagelijks moeten gebruiken horen pas achteraf dat het er is. Een systeem dat door niemand op de vloer is gevraagd, wordt door niemand op de vloer omarmd, hoe knap het ook werkt.

Bij een offerteproces dat ik vorige maand beschreef gold hetzelfde patroon. De tijdwinst zit niet in de tool. Die zit in de persoon die de offertes maakt, en of hij het proces ook echt anders gaat doen. Zie mijn eerdere post over offerteproces tijdverlies voor hoe dat er in de praktijk uitziet.

Wat dit voor de praktijk betekent is niet ingewikkeld, al voelt het dat soms wel zo. Voordat er iets gebouwd wordt, moet er een eigenaar zijn die het gaat gebruiken. Iemand die kan uitleggen waarom het huidige proces hem tijd kost. Dat is de kortste route om te snappen waarom AI-implementatie mislukt in het mkb. Zonder die persoon blijft het een demo die nooit een gewoonte wordt.

Ik ben benieuwd hoe dat bij jouw bedrijf zit. Is er een proces waarvan iedereen weet dat het tijd kost? Waar nog nooit iemand serieus naar heeft gekeken, omdat er geen duidelijke eigenaar voor is?