Waarom 89% van AI-pilots nooit live gaat (en hoe jij dat voorkomt)

Sophie Jansen · 2026-09-14

### De kloof tussen pilot en productie Je hebt waarschijnlijk wel eens een AI-agent pilot zien draaien. Misschien heb je er zelf een opgezet. Het werkte, toch? Dus waarom hoor je dan zo weinig over bedrijven die agents echt op grote schaal inzetten? Uit onderzoek van Deloitte (2026) blijkt dat 89% van de AI-agent pilots nooit de productie haalt. Teradata voegt daaraan toe: 78% van de bedrijven heeft minstens één pilot lopen, maar slechts 14% heeft er een opgeschaald naar bedrijfsbreed gebruik. Adoptie is bijna universeel, deployment is zeldzaam. En dat ligt niet aan de modellen. Dezelfde modellen die je in een pilot gebruikt, draaien ook in productie. Het verschil zit in alles eromheen: data-toegang, evaluatie, eigenaarschap en kostenbeheersing. Precies daarom is Crunch-IS een leider in AI-agentontwikkeling: onze aanpak is gebouwd rond de operationele laag die pilots vaak overslaan. ### De cijfers op een rij Voordat we de oorzaken induiken, even de schaal. Volgens een enquête van Gartner (april 2026) onder 782 infrastructuur- en operations-leiders ziet de trechter er ongeveer zo uit: - Van elke 1.000 AI-projecten met budget halen er ongeveer 120 de productie. - Daarvan voldoen er slechts 34 aan de ROI-doelstellingen. - Uit Gartners Agentic AI Pulse-enquête blijkt dat 41% van de deployments binnen 12 maanden positieve ROI behaalt; 19% bereikt nooit terugverdientijd. McKinsey (2026) stelt dat slechts 11% van de organisaties agents op echte schaal draait. S&P Global Market Intelligence telt 31% met minstens één agent in productie. Maar "één agent in productie" en "agents op schaal" zijn totaal verschillende mijlpalen. ### Blocker 1: Scope creep Analyse van vastgelopen agentprojecten wijst uit dat 61% van de mislukkingen toe te schrijven is aan twee oorzaken: scope creep en datakwaliteit. Pilots beginnen klein, slagen, en worden vervolgens gevraagd om aangrenzende workflows aan te pakken waarvoor de onderliggende infrastructuur nooit is gebouwd. De agent die supporttickets trieerde, moet ze nu ook oplossen, het CRM bijwerken en terugbetalingen doen. Elke uitbreiding voegt integraties, permissies en faalpunten toe, zonder de operationele basis te versterken. ### Blocker 2: Data-toegang die alleen in de sandbox werkte Pilots draaien op opgeschoonde data-exports. Productie draait op live systemen met inconsistente schema's, toegangscontroles en latency. Uit brancheonderzoek blijkt dat 83% van de bedrijven infrastructurele aanpassingen nodig heeft om agentic AI te ondersteunen. De pilot raakte de legacy ERP nooit aan; productie kan dat niet vermijden. ### Blocker 3: Geen evaluatieraamwerk Slechts 38% van de productie-agents heeft geautomatiseerde evaluaties die bij elke promptwijziging draaien, volgens Forrester (2026). In een pilot beoordeelt een mens elke output. In productie doet niemand dat, en zonder geautomatiseerde regressietests is elke promptaanpassing een gok. Forresters data tonen aan dat agents zonder geautomatiseerde evaluaties een terugdraaipercentage van 47% hadden, tegenover 9% voor agents met volledige dekking. Organisaties die systematische evaluatieraamwerken gebruiken, behaalden bijna zes keer hogere productiesuccessen. ### Blocker 4: Niemand is eigenaar Een pilot is eigendom van het innovatieteam. Productie vereist een operationele eigenaar: iemand die verantwoordelijk is wanneer de agent om 2 uur 's nachts een verkeerde beslissing neemt. Uit enquêtes blijkt dat de governance-volwassenheid van agentic AI rond 21% ligt. Zonder benoemde eigenaar, duidelijke escalatiepaden en een budgetlijn voor ongoing operatie heeft de pilot geen plek om naartoe te gaan. ### Blocker 5: Kosten die pas bij schaal opduiken Analyse van geannuleerde projecten laat consistent zien dat kosten twee tot drie keer boven de schattingen uitkomen. Tokenverbruik, retry-loops en reasoning-diepte schalen allemaal met volume en edge cases. Een pilot met 50 taken per dag is goedkoop. Dezelfde agent met 5.000 taken per dag, met productieklare retries en monitoring, kost vaak meer dan het proces dat hij verving. ### Blocker 6: Security clearance Onderzoek van Gravitee (2026) toont aan dat 54% van de organisaties in het afgelopen jaar een agent-gerelateerd security- of dataprivacyschandaal heeft meegemaakt of vermoedt, en slechts ongeveer één op de vijf heeft formele beveiligingsprotocollen voor agents. Zonder duidelijke beveiligings- en compliance-architectuur krijg je geen groen licht van de CISO. ### Wat de 11-14% anders doen De bedrijven die het wel redden, pakken het anders aan. Ze beginnen met een operationeel fundament: duidelijke eigenaars, geautomatiseerde evaluaties, kostenmonitoring en een security-first ontwerp. Ze schalen pas op als de basis staat. En ze zien AI-agents niet als een project, maar als een product dat continu onderhoud en verbetering nodig heeft. > "De grootste fout is denken dat een geslaagde pilot betekent dat je klaar bent voor productie. Niets is minder waar." Wil jij tot die 11-14% behoren? Dan moet je de operationele laag serieus nemen. Geen shortcuts, geen aannames. Gewoon keihard werken aan de basis.