Waarom de meeste AI-agentpilots de productie nooit halen

De demo zag er indrukwekkend uit. De agent boekte vergaderingen, vatte gesprekken samen, stelde antwoorden op en signaleerde zelfs een prijsbezwaar voordat de accountmanager het doorhad. Iedereen in de zaal knikte instemmend. Zes maanden later staat diezelfde agent nog steeds in een stagingomgeving, geduldig wachtend tot iemand groen licht geeft voor productie.

Als dit tafereel je bekend voorkomt, ben je in goed gezelschap. In de hele sector is er enorme geestdrift voor AI-agents, maar het aantal dat daadwerkelijk in dagelijkse productie belandt, is klein. Begrijpen waarom is belangrijk, vooral voor mkb’ers en bureaus die zich geen kwartalen kunnen veroorloven aan projecten die stilvallen.

De kloof tussen pilot en productie is reëel

De cijfers uit grote onderzoeksbureaus vertellen een redelijk consistent verhaal, al zou ik elk afzonderlijk cijfer met een korrel zout nemen (methodologieën verschillen enorm, en “mislukking” wordt gedefinieerd zoals de onderzoeker het uitkomt). Onderzoek van IDC, uitgevoerd met Lenovo en behandeld door CIO Magazine in maart 2025, liet zien dat ruwweg 88% van de AI-pilots de productie niet haalt, met als oorzaken onduidelijke doelstellingen, gebrekkige datagereedheid en dunne interne expertise. Een breed besproken MIT-rapport, in augustus 2025 behandeld door Forbes en Fortune, schatte het faalpercentage van generatieve AI-pilots op zo’n 95%. De boodschap van het rapport was hard: het probleem zit niet in de kwaliteit van de modellen, maar in het feit dat bedrijven het menselijke en organisatorische werk ontwijken dat nodig is om deze tools echt te laten beklijven.

Uit McKinsey’s State of AI-onderzoek van eind 2025 bleek dat meer organisaties dan ooit AI gebruiken, maar dat de meeste het nog steeds niet hebben opgeschaald. BCG’s onderzoek uit 2024 kwam op vergelijkbare cijfers uit: ongeveer 74% van de bedrijven worstelt om echte waarde uit AI te halen en op te schalen.

Verschillende onderzoeken, dezelfde boodschap. De kloof tussen “indrukwekkend prototype” en “betrouwbaar productiesysteem” is waar de meeste projecten stilletjes sneuvelen.

Waarom die kloof bestaat

Een demo hoeft maar één keer te werken. Een productie-agent moet werken op een dinsdagmiddag wanneer de CRM-API vastloopt, de klant een emoji in zijn naam heeft gebruikt en het salesteam in het weekend de prijstiers heeft veranderd zonder iemand in te lichten. Daar zit de realiteit.

Enkele specifieke redenen komen steeds terug:

Integratieproblemen. Enterprisesystemen zijn niet ontworpen voor autonome agents die er zomaar in rondsnuffelen. Authenticatie, rechten, rate limits, audit trails, data residency, elk van deze zaken is een muur tussen een werkend prototype en een uitgerold product. De demo gebruikte een sandbox. Productie krijgt die niet.

Vage doelstellingen. “Laten we een AI-agent bouwen voor klantenservice” is een wens, geen doel. Zonder een specifieke, meetbare taak heeft de pilot geen eerlijke manier om te bewijzen dat hij werkte. Dus dwaalt hij af, en uiteindelijk stopt iemand ermee erover te vragen in de standup.

Datagereedheid. Agents zijn slechts zo goed als de context waartoe ze toegang hebben. Als je CRM een puinhoop is, als de helft van je interne documentatie in het hoofd van één persoon zit, als je productdata elkaar in drie tools tegenspreekt, dan brengt de agent al die onbetrouwbaarheid pijlsnel aan het licht.

De betrouwbaarheidsbelasting. Een prototype dat 80% van de tijd werkt is spannend. Een productie-agent die 80% van de tijd werkt is een risico, want de overige 20% raakt nu echte klanten. Dat laatste stukje betrouwbaarheid dichten is vaak waar budgetten stilletjes opdrogen. Ik heb teams meer zien uitgeven aan de laatste 10 procentpunten dan aan de eerste 80.

Peter Drucker verwoordde het al lang voor dit alles bestond: “Er is niets zo nutteloos als efficiënt doen wat helemaal niet gedaan zou moeten worden.” Veel vastgelopen agentprojecten zijn efficiënte oplossingen voor problemen die niemand zorgvuldig heeft gedefinieerd.

Het punt van MIT over wrijving

De bevinding van MIT verdient een nadere blik. Het argument, zoals samengevat in de Forbes-berichtgeving van augustus 2025, gaat ruwweg zo: pilots mislukken niet omdat de technologie zwak is, maar omdat organisaties proberen de ongemakkelijke delen over te slaan. Workflows veranderen. Personeel bijscholen. Processen herschrijven. Ongemakkelijke gesprekken voeren met de mensen wier baan gaat verschuiven. Bedrijven willen de voordelen van AI zonder de wrijving van transformatie, dus pilotten ze, ontwijken ze de moeilijke verandering en leggen het resultaat in de kast.

Voor een mkb’er of bureau is dit eigenlijk goed nieuws, hoe contra-intuïtief ook. Kleinere teams kunnen wrijving sneller opvangen dan grote ondernemingen. Je hebt geen twaalf stakeholders en een change management-commissie. Je hebt drie mensen en een gedeeld Slack-kanaal. Goed benut is dat een serieus voordeel.

Praktische richtlijnen voor mkb en bureaus

Dit is wat in de praktijk vaak werkt, gebaseerd op patronen die ik keer op keer zie in openbaar onderzoek en in projecten die ik van dichtbij heb gevolgd.

Houd agents binnen afgebakende workflows

Geef een agent geen open opdracht. Geef ’m een smal spoor. “Lees inkomende supportmails, categoriseer ze en stel een concept-antwoord op in het CRM” is een afgebakende workflow. “Handel klantenservice af” niet. Afgebakende workflows zijn testbaar, debugbaar en omkeerbaar als het misgaat.

Vereis een menselijk goedkeuringsmoment voordat iets naar een klant gaat

Dit is de belangrijkste regel voor kleinere teams, en op dit standpunt sta ik: volledig autonome, klantgerichte agents zijn een gok die de meeste mkb’ers op dit moment niet zouden moeten nemen. De opbrengst is bescheiden, het nadeel is een viraal screenshot. De agent stelt op; een mens verstuurt. De agent stelt een refund voor; een mens klikt op akkoord. De agent schrijft de social post; een mens drukt op publiceren. Ja, het vertraagt de zaak. Het voorkomt ook dat ene incident dat meer zou kosten dan een heel jaar aan productiviteitswinst.

Ik weet dat dit geen modieus advies is. Er is een hele industrie van consultants die op dit moment volledig autonome agents belooft. Misschien hebben zij gelijk en ik niet. Maar ik heb nog geen klein team spijt zien krijgen van een mens in de lus, en ik heb er meerdere gezien die er spijt van kregen dat ze dat niet deden.

Kies gespecialiseerde agents boven één alleskunner

De verleiding is om één krachtige assistent te bouwen die alles doet. In de praktijk presteren smalle agents bijna altijd beter dan generalisten. De ene agent schoont en verrijkt leaddata. Een andere schrijft opvolgmails. Een derde vat wekelijkse prestaties samen voor de maandagvergadering. Elk is klein, testbaar en vervangbaar. Als er iets stukgaat, weet je precies waar je moet kijken. Als er iets aangepast moet worden, hoef je niet het hele systeem opnieuw te bedraden.

De eerlijke conclusie

De meeste AI-agentpilots mislukken niet omdat de modellen slecht zijn. Ze mislukken omdat verwachtingen vaag waren, integraties lastiger bleken dan de demo suggereerde, en niemand het onaantrekkelijke werk wilde doen om het proces rond de tool opnieuw in te richten.

Dus als je dit kwartaal naar een agentproject kijkt, hier is de concrete volgende stap: kies één saaie, specifieke, meetbare taak. Niet de spannende. De saaie. Lever een agent op die die taak uitvoert met een menselijke goedkeuringsstap ervoor. Draai het een maand. Meet of het écht tijd bespaarde of alleen het werk verplaatste. En besluit dan, en pas dan, wat je vervolgens gaat bouwen.

De teams die op dit moment stilletjes waarde halen uit AI-agents, zijn degenen die vorig kwartaal iets kleins afmaakten en nu klaar zijn om iets net iets groters af te ronden.