Waarom zoveel AI-agent-projecten stranden (en hoe je dat voorkomt)

De belofte is groot: agents die werk uit handen nemen, processen versnellen en collega’s ontlasten. En toch komt een verontrustend aantal projecten nooit verder dan een veelbelovende pilot die stilletjes doodbloedt.

Gartner (2026) voorspelt zelfs dat tegen eind 2027 40% van de agentic-AI-projecten — projecten met zelfstandig handelende AI-agents — weer geschrapt is, vaak doordat de blik te smal op kostenbesparing stond in plaats van op bredere verandering. Dat klinkt alarmerend, maar het is geen reden om af te wachten.

Want als je goed kijkt naar wat er misgaat, zie je geen technologieprobleem. Je ziet een lijstje vermijdbare fouten. En vermijdbaar betekent: je kunt er vooraf iets aan doen. Hieronder de drie die we het vaakst tegenkomen, en wat de projecten die wél slagen anders doen.

Fout 1 — de verwachtingskloof

De eerste scheur ontstaat nog voordat er één regel code is geschreven: bij de verwachtingen. Organisaties rekenen op enorme sprongen, terwijl de mensen die het bouwen veel voorzichtiger zijn. BCG (2026) laat dat gat scherp zien: opdrachtgevers verwachten vaak 30 tot 40% productiviteitswinst, terwijl dienstverleners zich meestal maar aan 6 tot 15% durven te committeren.

Dat verschil is op zichzelf niet fataal. Wat het wél fataal maakt, is beginnen zonder nulmeting. Als je niet weet hoeveel tijd of fouten een taak vandaag kost, kun je achteraf nooit hardmaken wat de agent heeft opgeleverd. Volgens dezelfde BCG-analyse (2026) ziet bijna 60% van de opdrachtgevers dan ook nog geen meetbare verbetering in de totale kosten — niet omdat de winst er niet is, maar omdat niemand die kan aantonen.

Zonder bewijs verdampt het draagvlak. En een project zonder draagvlak is een project met een houdbaarheidsdatum.

Fout 2 — technologie eerst, werk later

De tweede fout is de verleidelijkste, want hij voelt als vooruitgang: je stort je op de techniek. Welk model, welke koppelingen, welk platform. Maar de techniek is niet waar de waarde zit.

PwC vat het samen als een 80/20-verhouding: de technologie levert ongeveer 20% van de waarde van een AI-initiatief, terwijl de resterende 80% komt uit het opnieuw inrichten van het werk zelf, aldus PwC (2025). Ofwel: de agent installeren is het makkelijke deel. Bepalen welke taken hij overneemt, hoe het werk daaromheen verandert en wat mensen dan wél gaan doen — dáár zit de opbrengst.

De echte barrière is dus geen technische. PwC (2025) constateert dat de grootste struikelblokken juist organisatorisch zijn: verandering doorvoeren, agents laten samenwerken over verschillende applicaties heen, en zorgen dat medewerkers ze ook echt gebruiken. Minder dan de helft van de organisaties herontwerpt daarbij het onderliggende operating model — de manier waarop het werk georganiseerd is — of de processen. Wie de techniek regelt maar het werk ongemoeid laat, bouwt een dure oplossing voor een probleem dat niemand heeft verplaatst.

Fout 3 — de eeuwige pilot

De derde fout is de meest sluipende. De pilot werkt, iedereen is tevreden — en daar blijft het bij. Er komt een tweede pilot, en een derde, maar de agent wordt nooit een vast onderdeel van hoe de organisatie werkt.

Bain & Company (2026) is daar duidelijk over: pilots zijn niet genoeg, en losse AI die je ergens bovenop plakt evenmin. De waarde stroomt naar organisaties die hun operating model — hun manier van werken — opnieuw inrichten rond AI, niet naar wie hier en daar een workflow optimaliseert. Voor agents betekent dat concreet: je organiseert het werk rond wat de agent zelfstandig oppakt, in plaats van de agent in te passen in het oude proces. Een pilot bewijst dat iets kán; hij verandert nog niets aan hoe het werk dagelijks loopt.

Dat patroon zie je terug bij de koplopers. De organisaties die het meeste uit AI halen — een kleine groep van zo’n 6% — zijn bijna drie keer zo vaak bezig met het fundamenteel herontwerpen van hun workflows, volgens McKinsey (2025). Ze mikken niet alleen op efficiëntie, maar op groei, en hun leiding draagt het actief uit. Het verschil zit dus niet in betere modellen, maar in de bereidheid het werk zelf op de schop te nemen.

Wat de geslaagde projecten anders doen

De rode draad door deze drie fouten is dezelfde: te groot, te technisch, te vrijblijvend. De projecten die wél landen, draaien dat om. Vier dingen komen steeds terug.

Klein en meetbaar beginnen. Eén afgebakende taak, met een nulmeting vooraf. Zo weet je binnen enkele weken of het werkt, en kun je de opbrengst hardmaken in plaats van hopen.

Governance vanaf dag één. De kaders, de grenzen en het toezicht zijn geen sluitpost maar het fundament. Ze maken opschalen mogelijk in plaats van dat ze het afremmen — meer daarover op onze pagina over governance.

Autonomie laten verdienen. Een agent krijgt niet meteen vrij spel. Hij begint mee te kijken, bewijst zich, en pas dan groeit zijn zelfstandigheid — stap voor stap, taak voor taak.

Opschalen per taak, niet per big bang. Niet één groot programma dat alles tegelijk verandert, maar de volgende taak, en de volgende. Zo verandert de manier van werken geleidelijk mee, in plaats van dat je hem forceert. Zo ziet onze aanpak er ook uit.

Mislukking is een keuze — en slagen ook

Het geruststellende aan dit alles: geen van deze drie fouten gaat over technologie die nog niet klaar is. Ze gaan over verwachtingen die niet zijn uitgesproken, werk dat niet is heringericht, en pilots die nooit een besluit werden.

Dat maakt het een aanpakprobleem, geen technologieprobleem. En een aanpak is iets wat je kiest. Wie klein begint, meet, de kaders meebouwt en per taak opschaalt, hoeft niet in die 40% te belanden.

---

Herken je de vastgelopen pilot — en wil je weten hoe de volgende stap er wél uitziet? Plan een vrijblijvend gesprek, dan maken we het concreet.