Waarom AI-pilots stranden en hoe je dat voorkomt

De demo werkte. Iedereen was enthousiast. En drie maanden later draait er niets in productie. Dit patroon zie je vaker dan een mislukte pilot, want een gestrande pilot mislukt niet: hij blijft gewoon staan waar hij stond, tot niemand er meer naar vraagt.

Hoe ziet een gestrande pilot eruit?

Niet als een storing. Er is geen moment waarop iemand besluit te stoppen. Er is alleen een demo die goed ging, een lijst met opmerkingen die nog verwerkt moeten worden, en een agenda die volloopt met ander werk.

Het verraderlijke is dat er wel iets is opgeleverd. De techniek werkt, de resultaten zagen er goed uit, en toch verandert er niets aan het werk van de mensen. Dat is duurder dan een pilot die meteen faalt, want je hebt het geld uitgegeven en de les niet geleerd.

Reden 1: er was geen nulmeting

Zonder cijfer vooraf is er achteraf geen gesprek mogelijk. Werkt het? Dat hangt ervan af waarmee je vergelijkt. En als niemand weet hoeveel tijd de oude manier kostte, wint de oude manier altijd, want die is bekend.

Meet daarom voor je begint: hoeveel gevallen per week, hoeveel minuten per geval, hoe vaak gaat het mis en wat kost het herstel. Hoe je dat opzet staat in de businesscase berekenen, en de rekenhulp bij wat handmatig werk kost doet het stap voor stap.

Reden 2: er was geen eigenaar na de demo

Tijdens een pilot is de eigenaar meestal degene die hem heeft aangevraagd. Zodra het productie wordt, moet iemand beslissen over uitzonderingen, over wijzigingen en over de vraag of het aan mag blijven staan. Die persoon is zelden aangewezen.

Wijs hem aan voordat je begint, met naam en met tijd in zijn agenda. Een eigenaar zonder uren is geen eigenaar. En laat het iemand zijn uit het team dat het werk doet, niet iemand van IT die het proces alleen van een plaatje kent.

Reden 3: de pilot draaide op een kopie

Een pilot op een geexporteerde set data laat zien of het idee kan werken. Hij laat niet zien of het in jouw omgeving kan werken. Precies daar zit meestal het echte werk: toegang, rechten, een koppeling die nog niet bestaat, en een systeem dat alleen via een beheerder open mag.

Neem die stap dus vooraan mee. Wat daarbij komt kijken staat in een AI-agent koppelen aan je bestaande systemen. Lukt het in de pilot niet om bij de echte bron te komen, dan is dat geen detail maar je belangrijkste bevinding.

Reden 4: het beheer was niemands werk

Wat na de pilot volgt, is onderhoud: een model dat verandert, een leverancier die zijn opmaak aanpast, een veld dat erbij komt, een token dat verloopt. Als niemand daar tijd voor heeft, gaat de kwaliteit ongemerkt achteruit.

Spreek daarom af wie er kijkt, hoe vaak, en waarop. Een wekelijkse blik op de gevallen die zijn afgewezen is meestal genoeg. Wat een implementatie hier vraagt staat bij AI-implementatie.

Reden 5: de uitzonderingen kwamen pas in productie

In een pilot kies je vaak de nette gevallen. In productie komt de rest: de klant die drie dingen tegelijk vraagt, het document dat half is ingescand, de order die achteraf wordt gewijzigd.

Neem daarom in de pilot bewust de rommelige gevallen mee. Laat honderd echte gevallen uit de afgelopen maand door de opzet lopen, inclusief de vervelende, en tel hoeveel er blijven liggen. Dat getal is je echte resultaat.

Hoe richt je het dan wel in?

• Kies een proces met volume en met een eigenaar, niet het proces dat het interessantst klinkt.
• Meet de huidige situatie voordat je iets bouwt, in aantallen en in minuten.
• Draai op echte data in de echte omgeving, ook als dat de start vertraagt.
• Zet het naast het bestaande werk in plaats van eroverheen, zodat je kunt vergelijken.
• Spreek vooraf af wat er moet gebeuren om door te gaan, en wat betekent dat je stopt.

Welke processen zich hiervoor lenen, en welke niet, staat bij de AI-medewerkers per taak uitgewerkt.

Wat spreek je vooraf af?

Vier dingen, op een halve pagina. Het doel in een getal. De grens waarboven je doorgaat. De einddatum. En wie beslist. Zonder die vier wordt de evaluatie een gesprek over indrukken.

Leg ook vast wat er met de uitkomst gebeurt als het werkt. Wie krijgt het budget, wie doet de uitrol, en op welke termijn. Anders is de volgende stap opnieuw een besluit dat niemand neemt. Een AI-workshop is een korte manier om die vier punten met het team scherp te krijgen.

Wanneer stop je bewust?

Als de uitkomst onder je grens blijft en je begrijpt waarom. Als het proces zelf het probleem blijkt en niet de uitvoering ervan. Of als de gegevens die je nodig hebt er simpelweg niet zijn. Die situaties staan uitgewerkt in wanneer AI juist geen goed idee is.

Stoppen met een reden is een goede uitkomst. Je weet dan wat het niet is en je hebt de volgende pilot goedkoper gemaakt. Wil je vooraf weten welk proces de grootste kans maakt, dan is dat wat de AI Opportunity Audit uitzoekt. Richtbedragen staan bij wat een AI-oplossing kost.