Het demo-moment ken je misschien wel: iemand laat in een vergaderzaal een AI-prototype zien dat vlekkeloos vragen beantwoordt over klantdata. Applaus, budget, project gestart. Een half jaar later is er nog steeds geen productieversie. Softwarebedrijf SAS publiceerde deze week een gids over het bouwen van een “AI-ready datafundament”, en de openingszin daarvan vat het probleem samen: AI-initiatieven stranden zelden op de modellen, maar op de data eronder (Bron: SAS Blogs). De cijfers achter die observatie zijn opvallend consistent — en relevant nu AI-gebruik onder Nederlandse bedrijven in twee jaar verdubbelde.
Wat zeggen de faalcijfers over AI-projecten?
Het meest geciteerde cijfer komt van MIT. Het NANDA-initiatief publiceerde in augustus 2025 het rapport The GenAI Divide: State of AI in Business 2025, gebaseerd op 150 interviews met leidinggevenden, een enquête onder 350 medewerkers en een analyse van 300 publieke AI-implementaties. De conclusie: 95% van de organisaties zag geen meetbaar rendement op hun GenAI-investeringen, terwijl bedrijven gezamenlijk 30 tot 40 miljard dollar uitgaven (Bron: Fortune).
Gartner zag het aankomen. Al op 29 juli 2024 voorspelde het onderzoeksbureau dat minstens 30% van de generatieve AI-projecten na de proof-of-concept-fase zou worden opgegeven vóór eind 2025. De opgesomde oorzaken: slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten en onduidelijke businesswaarde (Bron: Gartner). Datakwaliteit staat in dat rijtje niet toevallig vooraan.
Beginner-tip:een “proof of concept” of “pilot” is een proefversie: een klein experiment om te testen of iets werkt, vóór een bedrijf er serieus geld in steekt. De cijfers hierboven gaan dus over projecten die de testfase nooit ontgroeiden.
Waarom strandt het op data en niet op het model?
De MIT-onderzoekers zijn er expliciet over: de kwaliteit van de AI-modellen is het probleem niet. Zij wijzen naar wat ze een “learning gap” noemen — organisaties sluiten de tools niet aan op hoe het werk echt loopt. Data speelt daarin een hoofdrol. Een taalmodel dat op het open internet indrukwekkend presteert, wordt onbruikbaar zodra het antwoorden moet geven op basis van verouderde klantgegevens, drie versies van dezelfde omzettabel of documenten waarvan niemand weet of ze nog kloppen.
Er komt een tweede laag bij nu bedrijven experimenteren met AI-agents: systemen die zelfstandig taken uitvoeren in plaats van alleen vragen beantwoorden. Een chatbot die een verkeerd antwoord geeft is vervelend; een agent die op basis van vervuilde data zelfstandig een bestelling plaatst of een klant mailt, is een incident. Hoe autonomer de AI, hoe zwaarder de eisen aan de data waar die op draait.
Gevorderden:dit verklaart waarom data-lineage (herkomst en bewerkingsgeschiedenis van data) opschuift van compliance-vinkje naar operationele eis. Een agent heeft machineleesbare context nodig over versheid, eigenaarschap en toegestaan gebruik — metadata die in de meeste datawarehouses vandaag simpelweg ontbreekt.
Wat betekent dit voor Nederlandse bedrijven?
De timing van deze discussie is voor Nederland niet abstract. Volgens het CBS gebruikte in 2025 ongeveer 1 op de 6 Nederlandse bedrijven AI-technologie, een verdubbeling ten opzichte van twee jaar eerder. Bij het midden- en kleinbedrijf (10-249 werkzame personen) was dat 29,8%, bij het grootbedrijf 66,2% (Bron: CBS). Een grote groep bedrijven zit dus precies in de fase waar de faalcijfers over gaan: voorbij het eerste experiment, vóór de volwassen inbedding.
De vendormarkt beweegt intussen mee. SAS vernieuwde in april 2026 zijn complete data-managementportfolio, expliciet gepositioneerd als fundament voor AI-agents en automatisering, met governance ingebouwd (Bron: SAS). Dat een leverancier van analysesoftware zijn marketing verlegt van modellen naar datafundament, zegt iets over waar klanten vastlopen. Dezelfde verschuiving zie je breder in de markt: de aandacht verschuift van “welk model kiezen we” naar “kan onze data dit aan”.
Hoe voorkom je dat jouw AI-project in de 95% belandt?
De les uit de onderzoeken is niet dat je moet wachten tot elke database brandschoon is. De succesvolle 5% uit het MIT-onderzoek deed iets anders: die kozen een scherp afgebakend probleem, kochten vaker gespecialiseerde oplossingen in plaats van alles zelf te bouwen, en richtten hun energie op de integratie met bestaande werkprocessen. Inkopen bij gespecialiseerde vendors slaagde volgens MIT ongeveer twee keer zo vaak als intern bouwen.
Voor de datakant betekent dat concreet: begin bij één use case en breng alléén de data op orde die daarvoor nodig is. Wie eerst een bedrijfsbreed dataprogramma wil afronden voordat er iets met AI gebeurt, vervangt het ene faalpatroon door het andere. De bedrijven die de komende jaren rendement uit AI halen, zijn waarschijnlijk degene die precies weten welke data ze kunnen vertrouwen — het model komt daarna wel.