Een AI-demo heeft inmiddels bijna elk bedrijf. Een AI-systeem dat al zes maanden op volle kracht draait, hebben er veel minder. Volgens MIT NANDA had ongeveer 95 procent van de pilots met generatieve AI geen meetbaar effect op de winst-en-verliesrekening (Fortune). Gartner verwacht dat meer dan 40 procent van de projecten met agentic AI eind 2027 is stopgezet (Gartner). En terwijl 88 procent van de bedrijven AI in minstens één functie gebruikt, ziet volgens McKinsey slechts 39 procent een effect op de EBIT (McKinsey).
Het goede nieuws: productie is goed haalbaar. AI-projecten komen in 47 procent van de gevallen in productie, traditionele SaaS-projecten in 25 procent (Menlo Ventures). En 70 procent van de serviceteams met AI-agents zag binnen 60 dagen een meetbaar effect (Salesforce). Wat pilots de das omdoet, is zelden de techniek, maar de opzet. Dit artikel laat de typische patronen zien en een route in vijf fasen waarmee een pilot wél in productie komt.
Waarom AI-pilots vastlopen: acht patronen
| Patroon | Hoe je het herkent | Wat helpt |
|---|---|---|
| Geen meetwaarde, geen eigenaar | “Laten we eens kijken wat AI voor ons kan doen” | Eén bedrijfsmeetwaarde, één verantwoordelijke, succescriteria getekend vóór dag één |
| Oud proces, nieuwe tool | AI vastgeplakt aan een ongewijzigd proces | Overdrachten en rollen herontwerpen; koplopers doen dat ongeveer drie keer zo vaak (Silicon Canals over McKinsey) |
| Kwaliteit die niemand kan meten | Uitgezochte demovoorbeelden, anekdotes | Testset met echte gevallen en geautomatiseerde evals; kwaliteit is voor 32 procent van de teams de grootste drempel, latency volgt met circa 20 procent (LangChain-rapport) |
| Ontbrekende integraties | Medewerkers kopiëren AI-antwoorden naar het CRM | Lees- en schrijftoegang via API’s; integraties zijn 40–60 procent van een RAG-budget (ment.tech) |
| Onduidelijke kosten | Een tokenrekening die niemand had voorzien | Kosten per resultaat, budgetten en harde plafonds |
| Privacy- en juridische twijfels | Juridische zaken houdt de uitrol in week zes tegen | Verwerkersovereenkomst, hostingkeuze, DPIA en AI-melding vooraf geregeld |
| Mensen | Het team negeert het systeem of werkt eromheen | Vroeg betrekken, trainen en mensen een duidelijke nieuwe rol geven |
| Geen einddatum | De pilot loopt “tot we meer weten” | Vaste tijdsduur en een go/no-go-moment in de agenda |
De Europese cijfers laten zien waarom juridische en kostenvragen aan het begin horen. Van de Duitse bedrijven die al AI gebruiken, noemt 66 procent privacy-eisen als drempel, 56 procent juridische onzekerheid, 54 procent onvoorspelbare kosten, 45 procent het risico op datalekken en 42 procent weerstand bij medewerkers (Bitkom). Elk van deze punten kan een technisch geslaagde pilot stilleggen.
Wat “productie” echt betekent
De meeste misverstanden tussen business en IT ontstaan doordat men iets anders verstaat onder “klaar”. Deze vergelijking maakt het gat zichtbaar:
| Dimensie | Pilot | Productie |
|---|---|---|
| Omvang | Steekproef, welwillende gebruikers | Echt volume, alle klanten binnen de scope |
| Data | Een export of momentopname | Live toegang met autorisaties |
| Integraties | Handmatig of alleen lezen | Lezen en schrijven via API’s, geteste foutscenario’s |
| Kwaliteit | Demovoorbeelden | Evalset en regressietests bij elke wijziging |
| Monitoring | Geen | Dashboards, alerts, steekproefsgewijze reviews |
| Mensen | Kijken mee | Vastgelegde escalatie- en goedkeuringsmomenten |
| Kosten | Een creditcard | Budget, plafonds, gerapporteerde kosten per resultaat |
| Beveiliging | Vertrouwde invoer | Bescherming tegen prompt injection, minimale rechten |
| Compliance | Uitgesteld | Verwerkersovereenkomst, bewaartermijnen, AI-melding (art. 50 AI-verordening) |
| Eigenaarschap | Innovatieteam of leverancier | Benoemde inhoudelijke en technische eigenaren, SLA |
Sinds 2 augustus 2026 moeten chatbots en voice-agents in de EU melden dat mensen met een AI praten (AI-verordening, artikel 50). Alleen al die verplichting hadden veel pilots nooit meegenomen.
In vijf fasen van pilot naar productie
Fase 1: Audit (1–2 weken)
Kies het proces met de duidelijkste eenheid en het hoogste volume, niet de indrukwekkendste demo. Doe een nulmeting: volume, kosten per eenheid, foutpercentage, reactietijd. Maak een eerste business case met voorzichtige aannames – onze gids ROI van AI-automatisering berekenen laat de formules zien.
Fase 2: Discovery en succescriteria
Voordat iemand gaat bouwen, regel je vier dingen: datatoegang, de integratiekaart (welke systemen de AI leest en waarin hij schrijft), een testset met echte historische gevallen en de succescriteria. Een goede criteriakaart past op een half A4. Voor een agent die vragen over de bezorgstatus beantwoordt in een webshop, kan die er bijvoorbeeld zo uitzien:
- Primaire meetwaarde: minstens 45 procent van de bezorgstatustickets opgelost zonder mens en niet heropend binnen 7 dagen.
- Randvoorwaarden: klanttevredenheid niet onder de nulmeting; minstens 95 procent correcte escalaties op de testset; kosten per opgeloste vraag onder het afgesproken plafond.
- Besluit: het hoofd klantenservice beslist op dag 28 over go of no-go.
De waarden bepaal je zelf. Waar het om gaat, is dat ze bestaan vóór de eerste regel code.
Fase 3: Een betaalde pilot met vaste looptijd (2–4 weken)
De markt is gewend aan gratis proefperiodes: Intercom Fin biedt 14 dagen (Fin), HubSpot 28 dagen (Resolve247). Een betaalde pilot moet dus meer opleveren dan een proefperiode: een echte integratie met je systemen, je eigen data en een schriftelijk effectrapport ten opzichte van de nulmeting. Begin in schaduwmodus – de AI doet een voorstel, mensen beslissen – zodat je kwaliteit meet zonder risico voor klanten. Daarna neemt de AI een klein deel van het echte verkeer over.
Bouw de evaluatie vóór de agent. Een automatisch beoordeelde testset met echte gevallen laat zien of een wijziging in prompt of model beter of slechter uitpakt. Zonder testset is elke aanpassing gokwerk. Meer daarover in onze gids over AI-evals.
Fase 4: Livegang met een gefaseerde uitrol
Ga vanuit de schaduwmodus bijvoorbeeld naar 10 procent van het verkeer, dan naar 50 en ten slotte naar 100 procent, met bij elke stap een terugvalschakelaar. Leg de overdracht aan mensen expliciet vast: welke vragen altijd naar een medewerker gaan, bij welke mate van onzekerheid wordt geëscaleerd en hoe de klant een mens bereikt. Grote bedrijven doen precies hetzelfde: 49 procent heeft expliciet scenario’s vastgelegd waarin een agent niet zelfstandig mag beslissen, en 75 procent van de banken laat agents niet zonder menselijke controle bij gevoelige data (KPMG).
Hang vóór de livegang een prijskaartje aan elk resultaat. Volgens KPMG neemt 74 procent van de bedrijven een kostentoets op in het goedkeuringsproces en werkt 43 procent met tokenbudgetten. Stel een maandplafond in en een alert ruim daaronder.
Het go/no-go-overleg verdient een eigen agenda. Houd het op 45 minuten en drie vragen: heeft de primaire meetwaarde de drempel gehaald op echt verkeer? Is er een randvoorwaarde gesneuveld (tevredenheid, escalatiekwaliteit, klachten, kosten per resultaat)? Wat moet er veranderen vóór volledig volume? Mogelijke uitkomsten zijn “go”, “go onder voorwaarden” (bijvoorbeeld terugbetalingen boven een grens blijven bij mensen), “eenmalig twee weken verlengen met een concrete verbetering” of “stop”. Ook een nette stop is een resultaat: er komt budget vrij voor het volgende proces, en de nulmeting, de testset en het integratiewerk blijven behouden.
Fase 5: Beheer – productie is een dienst, geen datum
Na de livegang begint het echte werk: monitoring, maandelijkse evalrondes, modelupdates, onderhoud van de kennisbank en kostenrapportages. Kennisbanken verouderen, producten veranderen, modellen worden uitgefaseerd. Een systeem dat niemand onderhoudt, gaat ongemerkt achteruit tot iemand het uitzet. Plan deze fase als exploitatiebudget, net als voor elk ander bedrijfskritisch systeem – zie AI-beheer na de lancering.
Zelf bouwen, inkopen of met een partner?
Hoe je de oplossing inkoopt, heeft een meetbaar effect op de slagingskans. In 2025 werd 76 procent van de AI-toepassingen bij bedrijven ingekocht in plaats van zelf gebouwd, tegenover 53 procent een jaar eerder (Menlo Ventures). Volgens MIT NANDA waren ingekochte oplossingen en partnerschappen met gespecialiseerde leveranciers in ongeveer 67 procent van de gevallen succesvol, eigen ontwikkeling veel minder vaak (Fortune).
De praktische consequentie: kijk eerst of de agent die in je helpdesk of CRM zit de toepassing al afdekt. Maatwerk loont waar dat niet zo is – bij eigen acties, diepe integraties, eisen aan dataopslag of een proces dat je echt onderscheidt. Ons afwegingskader zelf bouwen of kopen geeft je de criteria.
Let op de scope. Volledig autonome agents die computers en browsers bedienen, zijn snel beter geworden, maar prompt injection is niet opgelost; zelfs OpenAI erkent dat het mogelijk nooit helemaal te verhelpen is (analyse). Voor productie in 2026 zijn afgebakende agents met duidelijke rechten en een mens bij risicovolle stappen de veilige standaard.
Waarschuwingssignalen: je pilot loopt al vast
Zit je midden in een pilot, dan wijzen deze signalen erop dat hij eerder bij de 95 procent uitkomt dan in productie:
- Niemand kan de succesmaatstaf in één zin noemen. Oplossing: schrijf deze week de criteriakaart en laat hem tekenen.
- De demo werkt, maar het team kopieert nog steeds handmatig. Oplossing: geef voorrang aan die ene schrijvende integratie die de handmatige stap overbodig maakt.
- Over kwaliteit wordt gepraat aan de hand van anekdotes. Oplossing: bouw een testset van 200 tot 300 echte gevallen en meet elke wijziging daartegen.
- Juridische zaken of de privacy officer heeft het systeem nog niet gezien. Oplossing: plan die afspraak nu; neem de datastroom, de subverwerkers en de geplande AI-melding mee.
- De kosten zijn “een paar honderd per maand”. Oplossing: meet de kosten per resultaat op echt verkeer en stel een plafond in.
- De einddatum is al twee keer verschoven. Oplossing: plan het go/no-go-overleg en beslis met de data die er zijn.
De meeste vastgelopen pilots zijn in twee tot vier weken te redden als iemand eigenaar wordt van deze punten. Is geen van de punten op te lossen, dan is stoppen goedkoper dan wachten.
Veelgemaakte fouten
- De indrukwekkendste toepassing kiezen in plaats van de meetbaarste. Een bescheiden proces met een duidelijke eenheid wint van een spectaculair proces dat niemand kan beoordelen.
- Testen met schone demodata. Echte mailboxen bevatten scans, typefouten, doorgestuurde mailwisselingen en drie talen. Test daarmee.
- De pilot als gratis behandelen. Gratis pilots krijgen gratis aandacht. Een betaalde pilot met vaste looptijd schept aan beide kanten commitment.
- Geen einddatum en geen beslismoment. Zet het go/no-go-overleg op dag één in de agenda.
- Pas aan het einde meten. Volg de meetwaarde wekelijks; verrassingen in week vier zijn goedkoper dan in maand zes.
- Het team vergeten. Wie niet is betrokken, werkt om het systeem heen. Train medewerkers en geef ze een duidelijke rol, zoals escalaties afhandelen en kwaliteit beoordelen.
- Risicovolle stappen overautomatiseren. Terugbetalingen, juridische uitspraken en medisch of financieel advies vragen om goedkeuringsmomenten.
- Geen eigenaar na livegang. Zonder benoemde eigenaar en beheerbudget gaat de kwaliteit achteruit en wordt het project stilletjes begraven.
Conclusie
De stap van AI-pilot naar productie draait minder om betere prompts dan om managementbasics: één meetwaarde, één eigenaar, echte integraties, meetbare kwaliteit, beheerste kosten en een gefaseerde uitrol. Leg vast wat “klaar” betekent voordat de pilot begint, en reserveer vanaf het begin budget voor de beheerfase. Dan wordt je pilot een systeem dat zich blijft terugbetalen, in plaats van een slide in de strategiepresentatie van vorig jaar.
Zo werken we bij Lotus Libre Agents en Lotus Libre Systems: audit, discovery, een betaalde pilot met getekende succescriteria, livegang en beheer. Zit je pilot vast, of wil je een nieuwe goed opzetten? Plan een gratis audit van 15 minuten – we vertellen je wat er nodig is om hem in productie te krijgen.