89% van AI-agentpilots faalt: zo doorbreek je de cyclus

Sophie Jansen · 2026-09-14

### Waarom de meeste AI-agentpilots nooit productie halen Stel je voor: je team lanceert een AI-agent die supporttickets triageert. Het werkt. Iedereen is enthousiast. Dan komt de vraag: kan hij ook tickets oplossen? En de CRM bijwerken? En terugbetalingen regelen? Plots zit je met een project dat uit zijn voegen barst. Herkenbaar? Je bent niet alleen. Uit onderzoek van Deloitte (2026) blijkt dat 89% van de AI-agentpilots nooit de productie haalt. Teradata voegt daaraan toe: 78% van de bedrijven heeft minstens één pilot lopen, maar slechts 14% schaalt door naar organisatiebrede inzet. De kloof zit niet in de modellen—die zijn vaak identiek. Het zit in alles eromheen: data-toegang, evaluatie, eigenaarschap en kostenbeheersing. ### De cijfers op een rij - Van elke 1.000 AI-projecten met budget halen er ongeveer 120 de productie. - Daarvan voldoen slechts 34 aan de ROI-doelen. - 41% van de deployments bereikt binnen 12 maanden positieve ROI; 19% verdient de investering nooit terug. - Slechts 11% van de organisaties draait agents op echte schaal. 31% heeft er minstens één in productie. Dat zijn totaal verschillende mijlpalen. ### Blocker 1: Scope creep Liefst 61% van de mislukkingen komt door een combinatie van scope creep en datakwaliteit. Pilots beginnen klein, slagen, en worden vervolgens overladen met aangrenzende workflows. Elke uitbreiding voegt integraties, rechten en faalpunten toe—zonder de operationele basis. ### Blocker 2: Data-toegang die alleen in de sandbox werkte Pilots draaien op zorgvuldig samengestelde data-exports. Productie draait op live-systemen met rommelige schema's, toegangscontroles en latency. 83% van de bedrijven heeft infrastructurele aanpassingen nodig voor agentic AI. De pilot raakte de legacy ERP nooit; productie kan er niet omheen. ### Blocker 3: Geen evaluatieraamwerk Slechts 38% van de productie-agents heeft geautomatiseerde evaluaties bij elke promptwijziging. In een pilot beoordeelt een mens elke output. In productie doet niemand dat. Zonder regressietests is elke aanpassing een gok. Forrester vond een terugrolpercentage van 47% zonder evaluaties, tegenover 9% met volledige dekking. Organisaties met systematische evaluatieframeworks halen bijna zes keer vaker productsucces. ### Blocker 4: Niemand is eigenaar Een pilot is van het innovatieteam. Productie vereist een operationele eigenaar: iemand die verantwoordelijk is als de agent om 2 uur 's nachts een verkeerde beslissing neemt. Governance-volwassenheid voor agentic AI ligt rond 21%. Zonder eigenaar, escalatiepad en budget voor doorlopend beheer is er geen landingsplek. ### Blocker 5: Kosten die pas bij schaal opduiken Geannuleerde projecten laten consistent kosten zien die twee tot drie keer hoger uitvallen dan begroot. Tokenverbruik, retry-loops en reasoning-diepte schalen mee met volume. Een pilot met 50 taken per dag is goedkoop. Dezelfde agent met 5.000 taken per dag, inclusief productie-grade retries en monitoring, kost vaak meer dan het proces dat hij verving. ### Blocker 6: Security clearance 54% van de organisaties had in het afgelopen jaar een agent-gerelateerd security- of privacy-incident. Slechts een fractie daarvan was goed voorbereid. Beveiliging is geen sluitpost—het is een randvoorwaarde. > "De kloof tussen pilot en productie is geen technisch probleem. Het is een operationeel probleem dat je moet oplossen voordat je opschaalt." ### Wat de 11-14% anders doen De organisaties die wél doorbreken, beginnen met een smalle scope en bouwen eerst de operationele laag: data-toegang, evaluatie, eigenaarschap en kostenbeheersing. Ze benoemen een eigenaar vóór de pilot begint. Ze automatiseren evaluaties vanaf dag één. En ze plannen de kosten voor opschaling voordat ze de eerste taak uitbreiden. Kortom: de modellen zijn niet het probleem. De manier waarop je ze inbedt in je organisatie bepaalt of je pilot ooit productie haalt.