Een consultant die achttien maanden lang van dichtbij meekeek bij AI-projecten in grote bedrijven trok deze week een pijnlijke conclusie: niet één van die projecten leverde wat het beloofde. Zijn essay ging binnen uren viraal. De reden dat het raakt, is niet het cijfer — dat is zijn eigen ervaring — maar de scherpe beschrijving van hoe AI-hype de besluitvorming zelf aantast.
Wat is er precies gebeurd?
Op 18 juli 2026 publiceerde Nik Suresh, die onder het pseudoniem Ludicity schrijft, het essay “AI Mania Is Eviscerating Global Decision-Making”. Suresh werkt bij het consultancybedrijf Hermit Tech, dat data-infrastructuur bouwt en mislukte projecten probeert te redden. Binnen enkele uren stond het stuk op de voorpagina van Hacker News, het forum waar veel software-ontwikkelaars samenkomen (Bron: Hacker News).
De kern van zijn betoog: bedrijven belonen steeds vaker zichtbare AI-adoptie boven nuttige resultaten. Wie met AI schermt, scoort punten. Wie zich afvraagt of het eigenlijk werkt, ligt eruit.
Beginner-tip:“AI-mania” is geen technische term maar een stemming — het idee dat je overal en meteen iets met AI moet, ongeacht of het je probleem oplost. Herken je die druk op je werk? Dan is dit stuk voor jou.
De anekdotes die het essay viraal maakten
Suresh bouwt zijn betoog op anonieme voorbeelden uit bestuurskamers. Techschrijver Simon Willison, die het stuk hielp verspreiden, lichtte er een paar uit (Bron: Simon Willison).
In één geval bekent een topbestuurder dat hij nog nooit ChatGPT of enige andere AI-tool had gebruikt — vlak nadat hij een technische strategie had gepresenteerd voor een organisatie met meer dan twee miljard dollar omzet, een strategie die volledig om AI draaide.
Een ingenieur bij een bedrijf met een intern “token-scorebord” beschreef zijn dagtaak zo: een parallelle kopie van de codebase laten herschrijven door AI, in een andere programmeertaal, terwijl hij aan iets anders werkt — puur om zijn baan te behouden. Het scorebord telt tokens, dus je verbruikt tokens.
Deze voorbeelden zijn niet los te verifiëren; het zijn verhalen uit de eerste hand van een enkele auteur. Maar ze klinken velen herkenbaar, en daar zit de kracht: het essay geeft woorden aan een gevoel dat op veel werkvloeren al leefde.
Waarom durft niemand de hype tegen te spreken?
Het interessantste deel van het essay gaat niet over de hype zelf, maar over waarom ze zo hardnekkig is. Suresh vroeg een sceptische bestuurder waarom onzin over “100x productiviteitswinst” zonder tegenspraak bleef rondzingen.
Het antwoord was subtieler dan “verkooppraat”. Bestuurders bij de klanten riepen die absurde cijfers zelf. Zou een leverancier tegenspreken dat zulke winsten realistisch zijn, dan ondermijnt hij de geloofwaardigheid van de bestuurder die het rondbazuint. Dat voelt als een aanval — en kan een enterprise-contract kosten. Eerlijk zijn wordt zo zakelijk gevaarlijk.
Gevorderden:dit is een klassiek voorbeeld van een informatiecascade: als afwijken van de consensus sociaal of financieel wordt afgestraft, blijven mensen zwijgen ook als ze het niet geloven. De hype houdt zichzelf in stand, niet omdat iedereen erin gelooft, maar omdat niemand het risico neemt om nee te zeggen.
Hoe hard is de “0% succes”-claim?
Suresh baseert zijn stelligste cijfer op ongeveer 300 professionele gesprekken en zijn eigen waarneming dat elk project in die periode mislukte. Dat is een steekproef van één waarnemer en dus geen hard onderzoekscijfer — die nuance hoort erbij.
Toch staat hij niet alleen. Bredere schattingen wijzen dezelfde kant op: onderzoeksinstituut RAND concludeerde eerder dat meer dan 80% van de AI-projecten hun doel niet haalt. De precieze percentages hangen af van hoe je “mislukken” definieert, maar het onderliggende patroon — veel AI-projecten leveren niet de beloofde waarde — wordt in de sector breed herkend.
Wat jij ervan merkt
Dit lijkt een verhaal over bestuurskamers, maar het raakt de gewone werknemer direct. Als hype de besluitvorming stuurt, gaan keuzes over reorganisaties, aannames en beoordelingen sneller op basis van imago dan van bewijs. Word je afgerekend op een maatstaf die je kunt oppoetsen — “geld uitgegeven aan AI”, tokens verbruikt — dan word je geduwd richting werk dat goed oogt in plaats van werk dat goed is.
Het tegengif is nuchter en bruikbaar: vraag bij elk AI-plan naar het concrete probleem dat het oplost en naar hoe succes wordt afgemeten. Is dat een echte uitkomst — minder fouten, snellere doorlooptijd, tevreden klanten — of een oppoetsbare activiteit? Wie op uitkomsten stuurt, ontsnapt aan de val die Suresh beschrijft. Dat het essay zo hard aankwam, zegt genoeg over hoe veel mensen die val herkennen.