AI biedt bedrijven ongekende mogelijkheden om processen te optimaliseren, innovatie te stimuleren en waardevolle inzichten te genereren. Toch kent de weg naar succesvolle AI-implementatie aanzienlijke uitdagingen: maar liefst 80% van de AI-projecten faalt.
Deze mislukking komt vaak door technische beperkingen, een gebrek aan begrip van gebruikersbehoeften en onrealistische verwachtingen over wat AI kan leveren. Ondanks deze risico’s blijft de potentie van AI onmiskenbaar. Bij Makerlab geloven we sterk in de kracht van experimenteren, maar dit moet wel op een doordachte en strategische manier gebeuren. Met behulp van bewezen methodieken zoals het build‑measure‑learn principe en een focus op de drie pijlers van succes — feasibility, desirability en viability — helpen we organisaties om de complexiteit van AI te beheersen.
Door middel van iteraties blijven we voortdurend in verbinding met wat bedrijven écht nodig hebben, wat technisch haalbaar is en wat op lange termijn waarde toevoegt. Deze aanpak minimaliseert strategische en economische risico's, terwijl we de flexibiliteit behouden om snel in te spelen op nieuwe inzichten.
Het Probleem van AI‑falen
Hoewel AI grote beloftes doet, is de realiteit dat veel AI‑projecten hun doelstellingen niet waarmaken. Volgens recente studies mislukt tot wel 80% van de AI‑projecten,1 een percentage dat aanzienlijk hoger ligt dan dat van traditionele IT‑ en nieuwe productontwikkelingsprojecten.2 Dit heeft vaak te maken met een combinatie van slecht gedefinieerde doelen, gebrekkige data en onvoldoende betrokkenheid van gebruikers.
Valkuil 1: Pilot Paralysis en Mismanagement van Verwachtingen
Een van de grootste obstakels bij AI‑projecten is het fenomeen van "pilot paralysis", waarbij bedrijven wel een AI‑project opstarten, maar niet verder komen dan de pilotfase. Bedrijven worstelen vaak om hun AI‑projecten op te schalen na de initiële testfase.3
Dit wordt vaak veroorzaakt door onrealistische verwachtingen; bedrijven overschatten wat AI kan bereiken of beloven te snel grote resultaten zonder de benodigde tijd, middelen of technische diepgang te hebben.4 Deze teleurstellingen leiden tot een gebrek aan vertrouwen bij stakeholders en het voortijdig afbreken van het project.
Valkuil 2: Gebrek aan Begrip van Gebruikersbehoeften
Veel AI‑projecten beginnen vanuit een technologiegerichte benadering, waarbij de focus ligt op wat AI zou kunnen doen, in plaats van wat de gebruiker daadwerkelijk nodig heeft. Dit wordt soms "shiny things disease" genoemd, waarbij bedrijven verleid worden door de nieuwste technologie zonder een helder probleem te definiëren.5
Zonder een diepgaand begrip van de gebruikersbehoeften ontstaat het risico dat AI‑oplossingen onvoldoende waarde toevoegen of niet goed worden geïntegreerd in bestaande processen.6 Dit leidt vaak tot oplossingen die de bedrijfsdoelen niet ondersteunen en niet aan de verwachtingen van gebruikers voldoen.
Valkuil 3: Slechte Datakwaliteit en Gebrek aan Data
Een ander fundamenteel probleem is de datakwaliteit. AI‑systemen zijn afhankelijk van hoogwaardige en voldoende data om te kunnen leren en accurate voorspellingen te doen. Toch worstelen veel bedrijven met verouderde, incomplete of slecht gestructureerde datasets, wat leidt tot onnauwkeurige modellen.7 Uit onderzoek blijkt dat maar liefst 80% van de tijd in AI‑projecten wordt besteed aan het verzamelen en schoonmaken van data,8 wat aantoont hoe groot deze uitdaging is.
Valkuil 4: Gebrek aan Cross‑functionele Samenwerking
AI‑projecten vereisen samenwerking tussen verschillende afdelingen, zoals IT, datawetenschap en operationele teams. Veel bedrijven falen echter omdat ze AI‑projecten isoleren binnen technologische silo’s, zonder betrokkenheid van eindgebruikers en andere bedrijfsfuncties. Dit gebrek aan cross‑functionele samenwerking leidt vaak tot AI‑oplossingen die niet aansluiten bij de bredere bedrijfsbehoeften en daardoor onvolledig of inefficiënt zijn.9
Valkuil 5: Talenttekort en Veranderingsmanagement
Tot slot kampen veel organisaties met een tekort aan ervaren AI‑specialisten en ontbreekt het aan effectief verandermanagement. AI‑implementaties vereisen niet alleen technische kennis, maar ook een culturele verschuiving binnen de organisatie, waarbij medewerkers getraind worden in het gebruik van AI en er een omgeving ontstaat waarin datagestuurdebesluitvorming de norm is.10 Zonder deze fundamentele verandering blijft de implementatie steken en wordt AI niet breed gedragen.
Lessen uit Nieuwe Productontwikkeling (NPD)
Net als in nieuwe productontwikkeling (NPD) draait een succesvol AI‑project om een duidelijk begrip van de gebruikersbehoeften en een gestructureerde aanpak van risico's. Bij Makerlab passen we methodieken zoals Stage‑Gate en Lean Startup toe, waarmee we elke stap zorgvuldig plannen en valideren. Dit gestructureerde proces zorgt ervoor dat elk project vanaf het begin wordt beoordeeld op technische haalbaarheid, gebruikersbehoeften en economische levensvatbaarheid.
Parallellen tussen NPD en AI‑projecten
In zowel NPD als AI‑projecten is het van cruciaal belang om de behoeften van de gebruiker centraal te stellen. Veel AI‑projecten mislukken omdat ze beginnen met technologie, zonder een duidelijk probleem te adresseren. Bij Makerlab gebruiken we frameworks zoals Stage‑Gate om elk project te structureren en om te waarborgen dat alle fasen van idee tot implementatie zorgvuldig worden doorlopen.
Hoe Makerlab NPD‑strategieën toepast in AI‑projecten
Onze experiment designers betrekken stakeholders vanaf de start van het project, wat ons in staat stelt om waardevolle inzichten te verzamelen. Een goed voorbeeld is de ontwikkeling van een voicebot op de fabrieksvloer. Deze handsfree oplossing stelt medewerkers in staat om zonder afleiding informatie op te vragen en hun werkzaamheden veilig en efficiënt over te dragen. Een dergelijk project valt of staat bij inzichten in de gebruiker.
Bekijk ook de 9 andere prototypen die we inzetten van fabrieksvloer tot kantoor in het whitepaper
Makerlab's Aanpak: Van Idee tot Succesvolle Implementatie
Onze end‑to‑end aanpak richt zich op het realiseren van bedrijfsdoelen en het oplossen van specifieke gebruikersbehoeften. Met behulp van snelle iteraties, continue feedback en AI‑gedreven tooling voor compliance waarborgen we dat elk project voldoet aan de regelgeving en snel naar de implementatiefase kan bewegen.
Het Belang van Bedrijfsdoelen en Gebruikersbehoeften
We beginnen elk AI‑project met een grondige analyse van de bedrijfsdoelen en gebruikersbehoeften. Dit zorgt ervoor dat de oplossing vanaf het begin relevant en waardevol is voor de organisatie. Zo hebben we bijvoorbeeld een voicebot ontwikkeld voor parkeerbeheer, waarmee klanten 24/7 geholpen kunnen worden in hun eigen taal. De bot kan problemen achterhalen en oplossingen bieden door te communiceren met de backend‑systemen, wat resulteert in veel lagere kosten en hogere klanttevredenheid.
De Voordelen van Samenwerken met Makerlab
Lage faalkans: Door gebruik te maken van gestructureerde methodieken zoals Stage‑Gate en Lean Startup, beperken we risico’s en verhogen we de kans op succes.
Snelle levering van resultaten: Door het inzetten van onze eigen prototyping platformenen onze eigen AI support agents (bijvoorbeeld de legal tooling), kunnen we snel prototypes en concrete resultaten leveren zonder vertraging.
Naadloze integratie: Onze oplossingen worden zorgvuldig geïntegreerd in de bestaande bedrijfsprocessen, wat zorgt voor een soepele implementatie en optimale resultaten.
Samenwerken met Makerlab betekent kiezen voor een partner die de complexiteit en risico’s van AI‑projecten begrijpt en beheerst. Dankzij onze gestructureerde methodieken, diepgaande ervaring in zowel AI als nieuwe productontwikkeling, en ons vermogen om snel te itereren en te testen, verhogen we de kans op succes. Onze oplossingen integreren naadloos in bestaande processen en leveren direct meetbare resultaten, terwijl we tegelijkertijd zorgen voor compliance en de mensen mee krijgen. Dit maakt Makerlab bij uitstek geschikt om bedrijven te helpen bij het realiseren van waardevolle en duurzame AI‑oplossingen.
Referentielijst
1. Bojinov, R. (2022). “AI project failures: Understanding the key issues.” Harvard Business Review, June 2022.
2. Knudson, M.P., von Zedtwitz, M., Griffin, A., and Barczak, G. (2023). Best practices in new product development and innovation: Results from PDMA’s 2021 global survey. Journal of Product Innovation Management 40(3), 257–275.
3. Gregory, A. (2021). “Pilot Paralysis in AI Projects: Overcoming the Roadblocks.” CIO Insights, May 2021.
4. Schlegel, D., Schuler, K., and Westenberger, J. (2023). “Failure factors of AI projects: Results from expert interviews.” International Journal of Information Systems and Project Management (11)3: 25–40.
5. Overby, S. (2020). 8 reasons AI projects fail. The Enterprisers Project, March 4. [Online]. Available: https://enterprisersproject.com/article/2020/3/why‑ai‑projects‑fail‑8‑reasons.
6. McKinsey. (2023). “The state of AI in 2023: Generative AI’s breakout year.” Quantum Black, August 1.
7. Jyoti, R., and Kuppuswamy, R. (2023). “Create more business value from your organizational data.” IDC Research InfoBrief, Feb.
8. Nieto‑Rodriguez, A., and Vargas, R. V. (2023). “How AI will transform project management.” Harvard Business Review, Feb. 2.
9. Haugen, K.S. (2021). “Failure in AI projects: What organizational conditions and how will managements’ knowledge, organization and involvement contribute to AI project failure.” Master’s thesis, University of South‑Eastern Norway, Faculty of School of Business.
10. Creasey, T. (2023). “A point of view on AI, change, and change management.” Change Success Insights, June 23.