Generatieve AI staat bovenaan de agenda, maar volgens MIT haalt 95% van de bedrijven er nauwelijks waarde uit. Niet omdat de technologie tekortschiet, maar omdat de manier waarop organisaties ermee werken botst met hun eigen processen, data‑aanpak en behoefte aan stabiliteit. In deze blog lees je wat MIT ziet bij de kleine groep bedrijven die wél vooruitgang boekt en welke praktische keuzes het verschil maken tussen eindeloze pilots en echte impact.

Volgens MIT levert 95% van de generatieve AI‑pilots geen aantoonbare ROI op. Bedrijven investeren miljarden, maar de meeste initiatieven blijven hangen in beperkte experimenten die niet doorstromen naar productie of bedrijfsprocessen. Slechts 5% slaagt erin om AI op schaal te implementeren en echte omzetgroei of kostenbesparing te realiseren.

De oorzaken liggen volgens MIT niet bij de technologie zelf. De modellen werken. De tools bestaan. De interesse is er. Maar de stap van pilot naar productie blijft uit.

Volgens MIT struikelen veel bedrijven vooral over de praktische realiteit van AI‑implementatie. Niet omdat de technologie tekortschiet, maar omdat ze proberen nieuwe modellen in te passen in systemen die gebouwd zijn op stabiliteit. Wanneer modellen plots verdwijnen, veranderen of incompatibel worden, iets wat de afgelopen jaren vaak gebeurde, durven organisaties de stap naar productie niet te zetten. Daardoor blijven projecten hangen in pilots die nooit robuust genoeg worden om een plek te krijgen in de dagelijkse werking.

Daarnaast blijkt dat veel bedrijven hun AI‑initiatieven onnodig duur of complex maken. Ze investeren in technologie die indrukwekkend oogt, maar niet aansluit bij wat hun organisatie daadwerkelijk kan dragen. MIT benadrukt dat dit leidt tot workflows die meer kosten dan ze opleveren, of die zoveel onderhoud vragen dat opschalen onmogelijk wordt.

MIT merkt op dat de kleine groep organisaties die vandaag al wél waarde uit generatieve AI haalt, zich vooral onderscheiden door hun aanpak. Ze behandelen AI niet als een reeks losse experimenten, maar als iets dat alleen werkt wanneer het stabiel en voorspelbaar in hun bestaande processen past. De bedrijven die vooruitgang boeken, kiezen toepassingen die repetitief zijn, waar automatisering echt tijdwinst oplevert zonder dat de hele workflow telkens moet worden aangepast.

Daarnaast gaan deze organisaties strategisch om met hun data. Ze zien hun bedrijfsdata als een troef en maken bewuste keuzes over hoe ze die inzetten, beschermen en delen. In plaats van te investeren in technologie die sneller verandert dan hun organisatie kan volgen, bouwen ze systemen die robuust blijven terwijl modellen evolueren.

MIT benadrukt dat data de echte motor is achter AI‑waarde. Bedrijven gebruiken hun eigen informatie om modellen beter te laten presteren, maar diezelfde data is ook precies waar modelleveranciers naar op zoek zijn. Omdat er te weinig waardevolle publieke data beschikbaar is, sluiten leveranciers steeds vaker deals om toegang te krijgen tot bedrijfsdata, en dat geeft organisaties onverwacht veel invloed.

Volgens MIT vraagt dat om een zorgvuldige balans. Bedrijven moeten hun vertrouwelijkheid strak bewaken, omdat ze gevoelige informatie rechtstreeks in modellen stoppen. Tegelijk is het slim om strategisch te onderhandelen wanneer leveranciers toegang vragen tot die data. Wat krijg je ervoor terug? Een betere prijs? Extra ondersteuning? Snellere innovatie? In die zin wordt data niet alleen iets wat AI voedt, maar ook een troefkaart in gesprekken met technologiepartners.

MIT maakt duidelijk dat AI-adoptie pas werkt wanneer workflows niet afhankelijk zijn van één specifiek model. Door afhankelijkheden te beperken en een laag toe te voegen die modelwissels opvangt, blijven processen stabiel, ook als de technologie onder de motorkap verandert. Dat verkleint niet alleen risico’s, maar vergroot ook de flexibiliteit: je kunt sneller overstappen naar betere modellen zonder je hele workflow opnieuw te moeten bouwen.

Stabiliteit wordt zo geen rem op innovatie, maar juist de voorwaarde om AI‑projecten volwassen te maken.