Waarom AI-pilots blijven steken in de pilotfase

Er is een gesprek dat ik in verschillende organisaties bijna woordelijk hetzelfde heb gevoerd. De pilot is afgerond, de resultaten zijn gepresenteerd, iedereen was enthousiast. Een half jaar later vraagt iemand uit de directie hoe het ermee staat, en blijkt dat drie mensen het af en toe gebruiken.

De eerste reactie is meestal dat het aan de techniek ligt. Het model was niet goed genoeg, de koppeling met het bronsysteem ontbrak, de interface was onhandig. Soms klopt dat. Maar in de meeste gevallen die ik van dichtbij heb gezien, werkte de techniek gewoon.

Wat er wél misgaat

Een pilot bewijst dat iets kan. Hij bewijst niet dat iemand het gaat doen. Dat zijn twee verschillende vragen, en de tweede wordt zelden gesteld voordat er gebouwd wordt.

Wie een nieuwe toepassing in gebruik neemt, moet iets anders gaan doen dan gisteren. Een stap overslaan die hij al jaren zet. Een oordeel loslaten dat hij gewend was zelf te vellen. Een overleg anders voorbereiden. Dat zijn kleine dingen, maar ze zitten vast aan hoe het werk is ingericht, aan wie waarop wordt afgerekend, en aan wat er gebeurt als het misgaat.

Zolang niemand heeft uitgezocht hoe dat werk feitelijk verloopt — waar de besluiten vallen, welke stappen mensen overslaan, wat er in het teamoverleg wordt afgesproken — is een toepassing een aanbod waar niemand om heeft gevraagd.

Dit is niet nieuw

Ik heb acht jaar aan datafundamenten gewerkt: datawarehouses, rapportageomgevingen, governance-kaders. In die jaren zag ik steeds hetzelfde patroon. Het dashboard was uitstekend. De cijfers klopten. En het besluit werd toch op gevoel genomen.

De techniek was nooit het probleem. Het probleem was dat niemand had uitgezocht hoe er werd besloten.

Met AI gebeurt nu hetzelfde, een technologiegeneratie later. De instrumenten zijn krachtiger en de beloftes groter, maar de kloof zit op dezelfde plek: tussen wat een systeem laat zien en wat iemand ermee durft te doen.

Wat adoptieprogramma’s meten

Leveranciers bieden adoptieprogramma’s aan bij hun licenties. Die meten activatie: hoeveel mensen hebben ingelogd, hoeveel sessies per week, hoeveel prompts. Dat zijn nette getallen en ze stijgen meestal netjes.

Ze zeggen alleen niets over de vraag die ertoe doet. Of een besluit sneller valt. Of een proces minder stappen heeft. Of de kwaliteit van het werk anders is dan vorig kwartaal. Iemand die inlogt en daarna doet wat hij altijd deed, telt mee als geactiveerde gebruiker.

De volgorde omdraaien

De praktische consequentie is dat adoptie geen sluitstuk is maar een beginpunt. Niet een trainingsmodule na de oplevering, maar het onderzoek dat bepaalt wát er opgeleverd moet worden.

Dat betekent concreet dat er werk gebeurt voordat er iets gebouwd wordt:

• Vaststellen hoe het werk nu verloopt, bij de mensen die het doen.
• Vastleggen waar het vandaag staat, zodat er later iets te vergelijken valt.
• Bepalen wie de toepassing gaat gebruiken en wat er voor nodig is dat hij dat volhoudt.
• Pas dan besluiten wat er gebouwd wordt.

Dat voelt traag. In de praktijk is het dat zelden: het onderzoek kost weken, een pilot die niemand gebruikt kost een jaar en een budget.

De vraag die telt

Bij elke AI-investering is er één vraag die het antwoord bepaalt, en het is niet of de techniek werkt. Het is of het werk erdoor veranderd is. Als niemand dat vooraf heeft vastgelegd, is die vraag achteraf niet meer te beantwoorden — en dan blijft het bij een pilot die het deed.