Steeds meer AI-projecten slagen!

De afgelopen jaren is het succespercentage van AI-projecten indrukwekkend gestegen. In 2019 was slechts 9% van deze projecten succesvol, maar in 2022 was dat percentage al gegroeid naar 54%. Deze trend toont aan dat de aanpak en inzichten rondom AI-projecten verbeteren. Gartner voorspelt zelfs dat tegen einde 2025 70% van de PoC’s zullen leiden tot een industrialisatie. Deze opmerkelijke stijging is geen toeval. Het is het resultaat van voortschrijdend inzicht en een steeds beter begrip van wat AI-projecten werkelijk nodig hebben om te slagen. De doemberichten mogen dus verdwijnen naar de prullenmand. Het draait om een succesvolle aanpak van AI-projecten!

De stijgende succespercentages van AI-projecten bewijzen dat we stappen maken in het begrijpen en toepassen van deze technologie. Maar succes is meer dan efficiëntie of winstgevendheid. Het echte potentieel van AI ligt in hoe het ons helpt om betere beslissingen te nemen, meer verbonden te zijn met onze klanten en medewerkers, en een positieve impact te maken op de wereld.

Door mensgericht te denken, ethiek centraal te stellen en bewust te investeren in zowel data als visie, kunnen we AI transformeren tot een kracht die niet alleen de organisatie, maar ook de samenleving verrijkt. Dit vraagt om een mindful aanpak: technologie als verlengstuk van menselijke waarden en als drijvende kracht achter innovatie die ons dichter brengt bij een duurzame en inclusieve toekomst.

Als ik een organisatie binnenstap en AI-advies geef dan zijn er voor mij enkele factoren die het verschil maken tussen succes en falen.

1. Fundament voor succesvolle aanpak AI projecten: het is een dataspel

Het succes van AI begint niet bij complexe algoritmen of indrukwekkende modellen, maar bij een stevig fundament: data. Begrijpen dat “data is het nieuwe goud” meer moet zijn dan een slogan, is essentieel. Het betekent dat een organisatie data moet verzamelen, organiseren, opschonen en analyseren met precisie en toewijding. Data moet het kloppende hart zijn van je strategie, want het vormt de bron waaruit waardevolle inzichten en oplossingen voortkomen.

Het opzetten van een robuuste data-infrastructuur is een eerste vereiste, maar dit hoeft geen kostbare investering vooraf te zijn. Een succesvolle aanpak groeit organisch, hand in hand met de Return on Investment (ROI) die je nastreeft. Maak een bewuste keuze om van data een strategisch punt te maken, volledig afgestemd op de doelen van je organisatie. Alleen zo kan AI een kracht worden voor duurzame groei en innovatie.

Acties

• Start klein en schaal op: Begin met een kleine, goed gedefinieerde dataset die direct waarde kan opleveren. Gebruik deze als proefproject om je data-infrastructuur en processen te testen en iteratief te verbeteren.
• Kies tools die je direct kunt gebruiken: Werk met toegankelijke data-tools zoals Excel, Google Sheets of eenvoudige BI-oplossingen om data te organiseren voordat je investeert in een complexe infrastructuur.
• Bepaal een focusgebied: Kies één bedrijfsdoel (bijvoorbeeld meer inzicht in klantgedrag) en concentreer je data-inspanningen daarop. Zo voorkom je versnippering en houd je focus.
• Ontwikkel in parallel een datastrategie die volledig aansluit bij de doelen van je organisatie. Zet data in als kracht achter AI-innovaties en creëer een cultuur waarin data geen bijzaak is, maar de kern van je organisatie.

2. Een heldere visie als kompas

AI-projecten zonder een duidelijke visie zijn als schepen die zonder koers over de oceaan drijven: ze missen richting en focus, waardoor vooruitgang moeilijk te realiseren is. Een heldere visie fungeert als een kompas voor je organisatie en biedt de structuur die nodig is om doelgericht te werk te gaan. Het zorgt ervoor dat je team zich kan concentreren op wat echt belangrijk is, prioriteiten kan stellen en gezamenlijke inspanningen richt op tastbare en waardevolle doelstellingen. Daarom kies ik zelf vaak voor de “strategic spider” aanpak om niet alleen periferieprojecten te starten, maar de essentie van de AI-kansen volledig vast te grijpen.

Begin met het formuleren van specifieke, meetbare doelen die direct inspelen op concrete problemen binnen je organisatie. Of het nu gaat om het verbeteren van de klantenservice, het automatiseren van repetitieve taken, of het optimaliseren van je voorraadbeheer, zorg ervoor dat je visie altijd gekoppeld is aan meetbare resultaten. Dit zorgt niet alleen voor helderheid voor alle betrokkenen, maar creëert ook een stevig draagvlak voor het project. Bovendien maakt een duidelijke visie het makkelijker om voortgang te monitoren, successen te communiceren en tijdig bij te sturen als er veranderingen optreden.

Acties

• Visualiseer je doelen: Gebruik een eenvoudige mindmap of de “strategic spider” om je strategische doelen en AI-kansen in kaart te brengen. Betrek hierbij belangrijke stakeholders.
• Start met één meetbaar doel: Kies een concreet probleem zoals “het verbeteren van de klanttevredenheidsscore met 10% binnen de komende zes maanden door het inzetten van AI-gestuurde chatbots” en koppel daar direct acties aan. Dit is veel effectiever dan vage, algemene ambities zoals “betere klantenservice”, omdat het duidelijk maakt wat het doel is, hoe succes wordt gemeten, en wanneer je weet dat je doel behaald is.
• Check regelmatig je voortgang: Stel elke maand een korte update op om te zien of je op schema ligt en pas aan waar nodig. Dit houdt iedereen betrokken en gefocust.

3. Verzamel voldoende én relevante data

Kwaliteit en diversiteit van data zijn cruciale factoren in elk AI-project. Net zoals hoogwaardige brandstof essentieel is voor een soepel draaiende motor, is kwalitatieve data de onmisbare energiebron voor AI. Maar in tegenstelling tot wat vaak wordt gedacht, is het niet alleen de kwantiteit van data die telt; het draait vooral om de relevantie en betrouwbaarheid van de gegevens. Data moet representatief zijn voor de dynamiek van je bedrijfsomgeving en de complexiteit van je uitdagingen weerspiegelen. Alleen dan kunnen je AI-modellen effectief en robuust presteren.

Om dit te bereiken, is een gestructureerde aanpak voor dataverzameling en -voorbereiding cruciaal. Start met het opstellen van duidelijke criteria voor datakwaliteit en stel een strategie op voor het verzamelen, beoordelen en opschonen van gegevens. Maak een onderscheid tussen interne en externe databronnen en onderzoek hoe je deze kunt combineren om een completer beeld te creëren van je processen, klanten en markt. Denk hierbij aan gegevens zoals klantgedrag, operationele statistieken of zelfs publieke bronnen die aanvullende inzichten kunnen bieden. Een goed data quality-project zorgt ervoor dat je modellen niet alleen relevant zijn voor vandaag, maar ook schaalbaar en toekomstbestendig blijven.

Acties

• Inventariseer beschikbare data: Breng in kaart welke data je al hebt, bijvoorbeeld verkoopgegevens, klantenservice-logs of voorraadgegevens. Dit helpt je om direct van start te gaan.
• Voeg stapsgewijs nieuwe bronnen toe: Begin met interne data en voeg later externe bronnen toe zoals markttrends of klantbeoordelingen om meer context te krijgen.
• Test je dataset op een kleine schaal: Gebruik een eenvoudige analyse (zoals een grafiek of tabel) om te zien of de data bruikbaar is voordat je ze gebruikt voor AI-modellen.
• In parallel maak je een uitvoerbaar plan voor dataverzameling en -voorbereiding. Stel richtlijnen op voor datakwaliteit, definieer protocollen voor data-integratie en selecteer tools. Zo leg je een stevig fundament voor AI-oplossingen die niet alleen accuraat zijn, maar ook flexibel inspelen op veranderende omstandigheden.

4. Zorg voor datakwaliteit

De kracht van een AI-model staat of valt met de kwaliteit van de data waarop het is gebouwd. De oude IT-wijsheid “Garbage in, garbage out” geldt hier sterker dan ooit: zelfs de meest geavanceerde algoritmes zijn niet opgewassen tegen inconsistente, onvolledige of onjuiste data. Datakwaliteit is niet alleen essentieel voor het behalen van nauwkeurige resultaten, maar ook voor het creëren van een stabiel fundament waarop je AI-oplossingen kunnen groeien en zich aanpassen aan nieuwe uitdagingen.

Hoogwaardige data zorgt niet alleen voor betere prestaties van je AI, maar draagt ook bij aan vertrouwen, transparantie en ethische toepassingen. Een dataset met fouten of vooroordelen kan immers leiden tot resultaten die niet alleen incorrect, maar ook discriminerend zijn. Door te investeren in datakwaliteit zorg je ervoor dat je modellen niet alleen accuraat, maar ook rechtvaardig en verantwoord presteren.

Waar eerdere fundamenten benadrukken hoe belangrijk data is en hoe je voldoende en relevante gegevens verzamelt, richt dit aspect zich op de verfijning en bewaking van datakwaliteit. Dit voorkomt dat fouten zich opstapelen en zorgt ervoor dat je AI een solide en betrouwbaar fundament heeft.

Acties

• Begin met simpele schoonmaakacties: Gebruik gratis of ingebouwde tools (zoals data-validatie in Excel) om dubbele of onvolledige gegevens te identificeren en te corrigeren.
• Introduceer een “data-checklist”: Zorg ervoor dat elk AI-project begint met een controle op datakwaliteit, zoals het opsporen van missende velden of foutieve formaten.
• Automatiseer stap voor stap: Start met het instellen van automatische notificaties voor fouten in kritieke gegevensvelden, en bouw dit later uit naar complexere processen.

5. Van training naar praktijk: Test en leer in de echte wereld

Een AI-model dat perfect presteert op trainingsdata of in een gecontroleerde testomgeving, kan alsnog struikelen in de dynamiek van de echte wereld. Trainingsdata is vaak statisch en gestructureerd, terwijl live data onvoorspelbaar, complex en chaotisch kan zijn. Dit verschil maakt het essentieel om modellen niet alleen theoretisch, maar ook praktisch te testen. Een representatieve pilot met echte gebruikers, workflows en live data brengt aan het licht waar je model tekortschiet, hoe het reageert op variaties, en hoe gebruikers de oplossing ervaren.

Het testen in een realistische setting is een kans om de kloof tussen theorie en praktijk te overbruggen. Je ontdekt welke onderdelen verfijning nodig hebben, verzamelt aanvullende data en optimaliseert processen en modellen voordat de oplossing operationeel wordt ingezet. Zo minimaliseer je risico’s en verhoog je de kans dat je AI-project echte waarde toevoegt.

Acties

1. Plan een representatieve pilot met live data: Selecteer een specifieke omgeving of proces waarin je model met actuele en dynamische gegevens getest kan worden.
2. Betrek echte gebruikers vanaf het begin: Verzamel direct feedback over hoe de oplossing presteert en wordt ervaren. Dit helpt om gebruikersacceptatie te verhogen en praktische verbeterpunten te identificeren.
3. Analyseer en leer: Breng systematisch fouten en onverwachte resultaten in kaart en gebruik deze inzichten om je model, data of workflows te verbeteren.
4. Itereer op basis van praktijkervaring: Pas je model en processen iteratief aan op basis van feedback en monitoring, en herhaal indien nodig om een robuuste oplossing te ontwikkelen.

6. Voorzie voldoende middelen

AI-projecten hoeven geen onoverkomelijke kostenpost te zijn, maar het is wel essentieel om vooraf realistisch na te denken over de benodigde middelen. Dit gaat niet alleen over geld, maar ook over tijd, inzet van medewerkers en het slim gebruik van beschikbare technologieën. Door klein te beginnen en iteratief te werken, kun je de benodigde investeringen stapsgewijs spreiden en tegelijkertijd je aanpak blijven optimaliseren. Met een strategische planning maak je AI ook toegankelijk voor de gemiddelde ondernemer.

Een slimme verdeling van middelen kan zorgen voor een succesvolle start zonder dat je meteen een fortuin uitgeeft. Denk aan gebruikmaken van bestaande systemen, cloudoplossingen in plaats van dure infrastructuur, en het betrekken van je huidige team door gerichte training in plaats van direct extern talent aan te trekken.

Acties

1. Start met een klein, haalbaar project: Kies een eenvoudige AI-toepassing die snel meetbare resultaten oplevert, zoals een chatbot of voorspellende analyse voor een afgebakend proces.
2. Gebruik bestaande tools en infrastructuur: Maak gebruik van cloudoplossingen of software-as-a-service (SaaS)-platformen om te voorkomen dat je grote investeringen in hardware of software moet doen.
3. Werk met je huidige team: Train medewerkers om de AI-oplossing te beheren en verbeteren, in plaats van meteen extern talent in te huren. Zo benut je de expertise die al aanwezig is.
4. Plan kosten voor onderhoud slim in: Reserveer een klein deel van je budget voor updates en onderhoud. AI hoeft geen continu geldverslindend proces te zijn als je hier in het begin al rekening mee houdt.

Met deze pragmatische aanpak zorg je ervoor dat AI binnen bereik blijft, zelfs voor kleinere organisaties. Start klein, wees slim met middelen en groei mee met de resultaten.

7. Wees kritisch naar leveranciers

De markt voor AI-oplossingen groeit razendsnel, en met zoveel aanbieders is het verleidelijk om voor de meest indrukwekkende pitch te vallen. Toch is het kiezen van een leverancier een strategische beslissing die verder gaat dan mooie woorden of een gelikte demo. De juiste leverancier begrijpt jouw uitdagingen, denkt mee over praktische toepassingen en heeft bewezen ervaring met het leveren van werkende oplossingen.

Een partner kiezen betekent ook kijken naar lange termijnwaarde. Kies leveranciers die niet alleen beloven, maar ook bewijzen dat ze resultaten kunnen leveren en je kunnen ondersteunen bij het onderhouden en verbeteren van je AI-oplossingen. Zo voorkom je dat je vastloopt met een oplossing die niet aansluit bij je behoeften.

Acties

• Vraag om referenties en case studies: Controleer of de leverancier eerder succes heeft geboekt in vergelijkbare situaties en of hun oplossingen daadwerkelijk impact hebben gehad.
• Plan een pilot of proof of concept: Test de oplossing op een kleine schaal voordat je een grote investering doet. Dit helpt om te verifiëren of het echt werkt in jouw context.
• Check de ondersteuning na implementatie: Bespreek wat de leverancier biedt op het gebied van onderhoud, updates en training, zodat je oplossing toekomstbestendig blijft.
• Wees duidelijk over meetbare doelen: Stel vanaf het begin KPI’s op en maak afspraken over hoe het succes van de samenwerking gemeten wordt.

Met een kritische houding voorkom je kostbare vergissingen en leg je een stevige basis voor een samenwerking die bijdraagt aan blijvend succes.

Succesvolle aanpak AI-projecten

De opmerkelijke stijging in succespercentages van AI-projecten laat één ding zien: we leren steeds beter hoe we AI effectief kunnen inzetten. Door de hierboven beschreven principes te omarmen en ze stapsgewijs in de praktijk te brengen, creëer je niet alleen de voorwaarden voor succes in 2025, maar ook de stevige basis voor blijvende en duurzame innovatie in de jaren daarna.

Het echte succes van AI ligt in hoe het de menselijke ervaring verdiept en ons helpt om complexere uitdagingen aan te gaan – niet als vervanging van de mens, maar als uitbreiding van ons potentieel.