Varför 42 % av AI-projekten misslyckas: de verkliga orsakerna bakom kaoset
De ongemakkelijke waarheid over AI-investeringen
Elke kwartaal brengt ademloze aankondigingen van nieuwe AI-initiatieven met zich mee. Europese bedrijven investeren miljarden in de transformatie door kunstmatige intelligentie. De beloften zijn aanzienlijk: aanzienlijke efficiëntiewinsten, nieuwe inzichten, concurrentievoordelen die industrieën kunnen hervormen.
De realiteit? De meeste van deze projecten falen spectaculair. Niet alleen presteren ze ondermaats of lopen ze vertraging op. Ze falen volledig. In de steek gelaten voordat ze in productie gaan, afgeschreven als dure lessen, teams ontbonden, budgetten verbrand.
En het faalpercentage versnelt in een alarmerend tempo.
De cijfers die elke CTO angst aan moeten jagen
Hier is een cijfer dat elke CTO die de budgetten voor 2025 plant, zou moeten afschrikken: 42% van de bedrijven heeft in 2025 de meeste van hun AI-initiatieven gestaakt voordat ze de productiefase bereikten. Dat is een stijging ten opzichte van slechts 17% het jaar daarvoor. Een toename van 147% in het faalpercentage in twaalf maanden.
Laat dat even tot je doordringen. Bijna de helft van alle AI-projecten wordt volledig geschrapt. Niet uitgesteld tot Q2. Niet teruggeschroefd in afwachting van extra financiering. Volledig opgegeven. Afgeschreven. De PowerPoint-presentaties die digitaal stof verzamelen in SharePoint. De Jira-borden gearchiveerd. De Slack-kanalen stilgevallen.
En dat wordt aanzienlijk erger. Volgens het onderzoek van S&P Global Market Intelligence uit 2025 onder meer dan 1.000 bedrijven in Noord-Amerika en Europa gooide de gemiddelde organisatie 46% van hun AI-proof-of-concepts weg vóór implementatie. Dat is geen faalpercentage. Dat is een bloedbad. Europese bedrijven, met krappere durfkapitaalmarkten dan hun tegenhangers in Silicon Valley, voelen deze pijn acuut. Elk verlaten proof-of-concept vertegenwoordigt niet alleen verzonken kosten, maar ook opportuniteitskosten: concurrentiepositie die wordt prijsgegeven aan rivalen die hun AI wél aan de praat kregen.
Onderzoek van MIT schetst een nog somberder beeld: 95% van de AI-pilots in het bedrijfsleven levert geen meetbare financiële impact op. Slechts 5% bereikt een snelle omzetgroei. De rest blijft steken en heeft weinig tot geen effect op de winst- en verliesrekening. Gartner voorspelde dat eind 2025 ten minste 30% van de generatieve AI-projecten na de proof of concept zou worden gestaakt vanwege slechte datakwaliteit, ontoereikende risicocontroles, oplopende kosten of onduidelijke bedrijfswaarde. Die voorspelling was conservatief. De werkelijke cijfers overtroffen hun verwachtingen.
Translation: de AI-revolutie waar op elke techconferentie vol verwachting over wordt gesproken, is in werkelijkheid een kerkhof van mislukte experimenten, verbrand kapitaal en beloften die nooit zijn waargemaakt. Achter elk persbericht dat "AI-transformatie-initiatieven" aankondigt, zitten vergaderzalen waarin bestuurders zich stilletjes afvragen waarom hun investering van 2 miljoen euro niets opleverde dat inzetbaar is.
De verkliga orsakerna till att AI-projekt misslyckas: det är inte vad du tror
Så vad är det egentligen som orsakar den här förödelsen? När BCG undersökte 1 000 chefer i 59 länder upptäckte de något överraskande: det är inte AI-algoritmerna som misslyckas. Det är nästan allt annat.
Uppdelningen är tydlig: ungefär 70 % av utmaningarna med AI-implementering beror på människor och processer. Ytterligare 20 % kommer från problem med teknik och datainfrastruktur. Endast 10 % rör själva AI-algoritmerna, trots att dessa algoritmer förbrukar en oproportionerligt stor del av organisationernas tid och resurser.
Låt oss bryta ner de verkliga bovarna som dödar AI-projekt.
Datakvalitetskrisen: varför 43 % inte ens kan komma igång
Enligt Informaticas undersökning CDO Insights 2025 är datakvalitet och databeredskap det främsta hindret för AI-framgång, något som 43 % av organisationerna anger. Inte en nära tvåa. Det är det största hindret som hindrar AI-projekt från att komma igång.
Gartners forskning gör detta ännu mer konkret: fram till och med 2026 kommer organisationer att överge 60 % av AI-projekten som saknar AI-redo data. Det är ingen förutsägelse om avancerade gränsfall. Det är ett uttalande om grundläggande förutsättningar.
Deloitte fann att 80 % av AI- och maskininlärningsprojekten stöter på svårigheter relaterade till datakvalitet och styrning. Sextiotre procent av organisationerna har antingen inte rätt datahanteringsmetoder för AI eller är inte säkra på om de har dem.
Vad betyder "dålig datakvalitet" egentligen i praktiken? Det betyder data som är utspridda över inkompatibla system. Det betyder saknade värden, inkonsekventa format, dubblettposter. Det betyder data som aldrig var avsedd att användas för maskininlärning, insamlad för helt andra ändamål, som nu tvingas in i träningspipelines där den bryter sönder allt.
Europeiska företag står inför ytterligare datarestriktioner som amerikanska konkurrenter ofta kan kringgå. GDPR begränsar korrekt vilka personuppgifter som får samlas in och hur de får användas. EU:s strängare syn på integritet innebär att europeiska vårdbolag inte bara kan skrapa miljontals patientjournaler på det sätt som vissa amerikanska företag har gjort. Europeiska finansinstitut arbetar under en strängare datastyrning än sina motsvarigheter på Wall Street.
Dessa regler är nödvändiga och lämpliga. Men de innebär att europeiska företag behöver AI-metoder som fungerar med mindre data, renare datahantering och striktare styrning från första dagen. Strategin att "samla in allt och sortera senare", som fungerade i Silicon Valley, är helt enkelt inte ett alternativ.
De vaardighedencrisis: waarom 70% van de Europese bedrijven geen AI-talent kan vinden
Zelfs wanneer bedrijven over goede data beschikken, stuiten ze op de volgende grote barrière: het vinden van mensen die er daadwerkelijk mee kunnen werken. Vijfendertig procent van de organisaties noemt het tekort aan vaardigheden als een van de grootste obstakels voor AI-succes. In Europa is het probleem nog nijpender.
Here is the translation: ```htmlMeer dan 70 procent van de EU-bedrijven meldt dat een gebrek aan digitaal geschoold personeel verdere technologie-investeringen belemmert. Het gaat hier niet om de behoefte aan meer datawetenschappers met een doctoraat. Het gaat om het volledige organisatorische ecosysteem dat nodig is om AI te laten werken.
U hebt data-engineers nodig die betrouwbare pipelines kunnen bouwen. U hebt MLOps-specialisten nodig die verstand hebben van implementatie-infrastructuur. U hebt domeinexperts nodig die bedrijfsproblemen kunnen vertalen naar machine learning-doelstellingen. U hebt productmanagers nodig die zowel AI-mogelijkheden als marktbehoeften begrijpen. U hebt compliancefunctionarissen nodig die de weg weten in de EU AI-wet.
Europese bedrijven concurreren om dit talent tegen Amerikaanse bedrijven die Silicon Valley-salarisverpakkingen aanbieden terwijl ze op afstand werken vanuit Stockholm, Berlijn of Amsterdam. Een senior machine learning engineer kan in München €120.000 verdienen, maar €200.000 van een bedrijf uit San Francisco dat in Europa aanneemt. De durfkapitaalkloof betekent dat Europese startups die aanbiedingen niet kunnen evenaren.
Het resultaat? AI-projecten die worden geleid door teams zonder de juiste expertise, die architectuurbeslissingen nemen die het project vanaf het begin doen mislukken. Ze kiezen frameworks die ze niet goed kunnen implementeren. Ze bouwen modellen die ze niet kunnen onderhouden. Ze creëren technische schuld die zich opstapelt tot het hele initiatief instort.
De kostenval: wanneer GPU-rekeningen de omzetprognoses overschrijden
NTT DATA ontdekte dat 70-85% van de implementatie-inspanningen voor generatieve AI er niet in slaagt om de gewenste ROI-doelstellingen te halen. De voornaamste boosdoener? Kosten die ver boven de oorspronkelijke schattingen uitstijgen.
Het trainen van grote neurale netwerken vereist dure GPU-infrastructuur. Een NVIDIA H100 kost ongeveer €30.000, en je hebt doorgaans meerdere units nodig die parallel werken. De gemiddelde Europese elektriciteitskosten van €0,20 per kilowattuur tegenover €0,10 in de Verenigde Staten betekenen dat de trainingskosten voor dezelfde berekening letterlijk twee keer zo hoog zijn.
Inferencekosten vormen een terugkerende uitgave die veel bedrijven onderschatten. Dat neurale netwerk dat klantverzoeken verwerkt? Het kan een GPU-instantie van €3.000 per maand vereisen die 24/7 draait. Schaal je naar duizenden verzoeken per seconde, dan krijg je te maken met infrastructuurkosten die het hele verdienmodel onhaalbaar maken.
Europese bedrijven met strengere kapitaalbeperkingen dan hun tegenhangers in Silicon Valley vinden deze economie bijzonder hard. Amerikaanse concurrenten kunnen verliezen volhouden terwijl ze schaal bereiken. Europese bedrijven hebben veel eerder winstgevendheid nodig, waardoor hoge infrastructuurkosten een directe weg naar annulering van het project vormen.
Het zakelijke waardevacuüm: wanneer directies ROI eisen
Uit het onderzoek van BCG blijkt dat 74% van de bedrijven nog geen tastbare waarde uit hun AI-gebruik heeft weten te halen. Dat is driekwart van de organisaties die geen betekenisvol rendement op hun AI-investeringen kunnen aantonen.
Dit is geen technisch probleem. Het is een strategisch probleem. Organisaties starten AI-initiatieven zonder duidelijke bedrijfsdoelstellingen. Ze bouwen modellen die interessante technische uitdagingen oplossen, maar geen echte bedrijfsbehoeften aanpakken. Ze creëren indrukwekkende demo's die niet leiden tot omzet, kostenbesparingen of concurrentievoordeel.
Gartner identificeerde "onduidelijke bedrijfswaarde" als een van de belangrijkste redenen waarom AI-projecten na een proof of concept worden stopgezet. Leidinggevenden geven groen licht voor pilots op basis van enthousiasme over het potentieel van AI. Zes maanden later eisen ze inzicht in de impact op de winst- en verliesrekening. Wanneer teams geen meetbare financiële resultaten kunnen aantonen, verdwijnt de financiering.
Europese bedrijven staan hier onder extra druk. Krappere kapitaalmarkten betekenen minder geduld voor speculatieve investeringen. Amerikaanse bedrijven zouden AI-onderzoek jarenlang kunnen financieren op basis van strategische positioneringsargumenten. Europese besturen willen binnen kwartalen rendement zien, niet binnen jaren.
De aanpak heroverwogen: efficiëntie als oplossing
Gezien deze uitdagingen, datakwaliteitsproblemen, kostenbeperkingen, vaardigheidstekorten en onduidelijke ROI, welke strategieën werken daadwerkelijk? Succesvolle AI-implementaties delen gemeenschappelijke kenmerken: ze zijn hulpbronnenefficiënt, ze werken met minder-dan-perfecte data, ze tonen snel duidelijke bedrijfswaarde en ze vereisen geen gespecialiseerde infrastructuur of zeldzame expertise.
Dit is waar alternatieve architecturale benaderingen interessant worden. In plaats van op te schalen met krachtigere GPU's, grotere datasets en grotere modellen, vinden sommige organisaties succes door slim te schalen: door gebruik te maken van fundamenteel efficiëntere wiskundige grondslagen die de kernbeperkingen aanpakken.
Binaire en laag-bit neurale netwerken vormen zo'n benadering. In plaats van traditionele 32-bits floating-point rekenkunde werken deze systemen met sterk vereenvoudigde numerieke representaties. De praktische voordelen pakken direct de faalwijzen aan die we hebben besproken.
De kostenbesparing is direct en aanzienlijk. Binaire bewerkingen verbruiken een fractie van de energie die nodig is voor floating-point-berekeningen. Modellen die anders krachtige GPU-clusters zouden vereisen, kunnen efficiënt draaien op standaard CPU-infrastructuur. Dit verandert de economie: training die €500.000 kost op GPU-infrastructuur kan worden voltooid voor €40.000 op CPU-servers. Inferentie waarvoor GPU-instanties van €3.000/maand nodig zijn, kan draaien op CPU-capaciteit van €200/maand.
Voor Europese bedrijven die te maken hebben met elektriciteitskosten die twee keer zo hoog zijn als in de Verenigde Staten, wordt dit efficiëntievoordeel strategisch significant. Het gaat niet alleen om lagere rekeningen; het gaat erom dat hele categorieën AI-toepassingen economisch haalbaar worden die dat voorheen niet waren.
Dataeffektivitet förbättras eftersom enklare aritmetik kan innebära mer robust inlärning från mindre datamängder. Medan konventionell djupinlärning ofta kräver stora datavolymer, delvis för att övervinna träningsinstabilitet, kan mer begränsade arkitekturer tvinga fram bättre generalisering från begränsade exempel.
Ur en teknisk synvinkel eliminerar binära operationer vissa klasser av numeriska problem som plågar flyttalssystem. Även om inget system är perfekt kan den matematiska enkelheten förbättra reproducerbarhet och konsekvens i testning, vilket är särskilt viktigt för regelefterlevnad.
Dweves implementering: en europeisk ansats till AI-infrastruktur
På Dweve har vi byggt hela vår plattform kring dessa effektivitetsprinciper, specifikt utformade för att hantera de begränsningar som europeiska företag står inför. Vår ansats handlar inte om att matcha Silicon Valleys skala; det handlar om fundamentalt annorlunda ekonomi och arkitektoniska val.
Core, vårt ramverk för binära neurala nätverk, implementerar 1 930 hårdvaruoptimerade algoritmer som arbetar på diskret matematik. Den praktiska effekten adresserar flera av de felmoder som diskuterats: avsevärt reducerade infrastrukturkostnader som gör projekt ekonomiskt genomförbara inom europeiska budgetar, förbättrad dataeffektivitet genom begränsningsbaserad inlärning som fungerar med mindre datamängder av högre kvalitet i stället för att kräva massiv insamling av internetdata, samt bättre anpassning till EU:s AI-förordning genom mer transparenta och förklarbara beslutsvägar.
Loom, vår modell specialiserad på 456 domäner, visar hur denna effektivitet översätts till produktionskapacitet. Den körs på CPU-infrastruktur, vilket innebär att europeiska företag kan driftsätta den utan månader av väntan på GPU-allokering eller sårbarhet för amerikanska exportkontroller av avancerade chip. Träningskostnaderna sjunker från hundratusentals till tiotusentals euro. Inferens skalar ekonomiskt eftersom du inte betalar för dyr accelerator-tid.
Detta adresserar kostnadsfällan som dödar så många projekt. När dina infrastrukturkostnader är 90 procent lägre blir affärsmodeller som var omöjliga genomförbara. Europeiska företag kan konkurrera på effektivitet i stället för att försöka matcha amerikansk skala.
Ur ett regulatoriskt perspektiv ger binära operationer fördelar i form av konsekvens. I vår testning över olika hårdvaru- och mjukvarumiljöer har vi observerat mycket reproducerbart beteende. Detta spelar enorm roll för branscher där EU:s förordning om medicintekniska produkter eller regelverk för finansiella tjänster kräver deterministiska och granskningsbara AI-system.
Kompetensgapet blir lättare att hantera när din AI körs på standardinfrastruktur som dina befintliga infrastrukturteam redan förstår. Du behöver inga sällsynta specialister inom CUDA-optimering eller distribuerad GPU-träning. Dina nuvarande ingenjörer kan driftsätta, övervaka och underhålla system som körs på välbekanta CPU-servrar.
Den europeiska fördelen: ekonomi och suveränitet
Här är varför binära neurala nätverk är särskilt viktiga för europeiska företag som navigerar i tätare kapitalmarknader och strängare regelverk än sina amerikanska motsvarigheter.
Den konventionella AI-ansatsen gynnar dem som har mest beräkningskraft, mest data och mest pengar. Det är ett spel som amerikanska techjättar alltid kommer att vinna. De har data center-infrastruktur byggd under decennier. De har stordriftsfördelar från miljontals användare. De har ackumulerade fördelar från att kontrollera sökmotorer, sociala nätverk och molnplattformar.
Europeiska företag som försöker konkurrera i detta konventionella AI-spel möter strukturella nackdelar. Europeiskt riskkapital samlade in 37 miljarder euro under 2024, imponerande tills man inser att det är mindre än en femtedel av vad Silicon Valley investerar. Europeiska elpriser ligger i genomsnitt på 0,20 euro per kWh jämfört med 0,10 euro i USA, vilket gör beräkningsintensiva träningskörningar dubbelt så dyra. Europas dataskyddsregler begränsar med rätta vilka träningsdata företag får samla in, medan amerikanska konkurrenter samlar på sig allt.
Binära neurala nätverk förändrar denna ekvation helt. De kräver inte massiva GPU-kluster som förbrukar megawatt. De behöver inte dataset i petabyte-skala som skrapats från internet. De arbetar effektivt på standardiserad CPU-infrastruktur som europeiska företag redan äger och driver. Träningskörningar som kostar 500 000 euro på GPU-kluster slutförs för 40 000 euro på CPU-servrar. Modeller som kräver 1 200-wattsacceleratorer körs på 50-wattsprocessorer.
Så här konkurrerar Europa inom AI: inte genom att jaga ikapp i ett spel som är riggat mot Europas strukturella verklighet, utan genom att ändra de grundläggande reglerna med hjälp av bättre matematik.
Dweves hela teknikstack är byggd på denna grund. Core tillhandahåller ramverket för binära neurala nätverk. Loom implementerar intelligensmodellen med 456 domänexperter. Nexus koordinerar multiagentsystem. Aura möjliggör autonom utveckling. Fabric binder samman allt. Mesh distribuerar det globalt.
Allt körs effektivt på europeisk infrastruktur. Inget beroende av NVIDIA-acceleratorer med leveranstider på flera månader. Ingen strategisk sårbarhet för USA:s exportkontroller av avancerade chip. Ingen matematisk instabilitet som förstör produktionsmiljöer.
EU:s AI-förordning gör detta obligatoriskt
Europeiska företag har inte lyxen att välja om de ska hantera dessa problem. EU:s AI-förordning, som trädde i kraft den 1 augusti 2024, gör deterministisk och förklarbar AI juridiskt obligatorisk för högriskapplikationer.
Artikel 13 kräver att AI-system för högrisk utformas för transparens. Användare måste kunna tolka systemets utdata och använda dem på lämpligt sätt. Artikel 50 ålägger leverantörer av allmänna AI-modeller att dokumentera träningsdata, testprocedurer och systembegränsningar. Reglerna fasas in under 2026, där de mest kritiska skyldigheterna redan är bindande för system som driftsätts 2025.
Het voldoen aan deze vereisten met conventionele AI-systemen brengt aanzienlijke uitdagingen met zich mee. Europese zorgbedrijven die AI-diagnostische hulpmiddelen proberen te certificeren onder de Medical Device Regulation worstelen met reproduceerbaarheidsvereisten. Financiële instellingen die AI inzetten voor kredietbeslissingen onder consumentenbeschermingswetgeving ontdekken dat wettelijke verklaarbaarheid nauwkeurige documentatie van besluitvormingsprocessen vereist.
Alternatieve benaderingen zoals binaire neurale netwerken bieden hier voordelen. Binaire bewerkingen vermijden bepaalde klassen van numerieke variabiliteit in drijvende-kommaberekeningen. In onze tests bij Dweve levert inferentie consistente, reproduceerbare resultaten op in verschillende hardware- en softwareomgevingen. Beslissingspaden lopen via discrete wiskundige bewerkingen met een duidelijke logische structuur, in plaats van dat ze interpretatie vereisen van miljarden continue parameters. Het gedrag van het model kan met wiskundige precisie worden gedocumenteerd.
Voor Europese bedrijven die AI inzetten in gereguleerde sectoren is dit niet optioneel. De EU AI-verordening verplicht transparantie en consistent, controleerbaar gedrag voor systemen met een hoog risico. Architectuurbenaderingen die deze eigenschappen bieden worden noodzakelijk, niet slechts voordelig.
Wat Echt Werkt: Lessen van de 5% die Slagen
Het onderzoek van BCG heeft vastgesteld wat succesvolle AI-implementaties onderscheidt van de 74% die geen tastbare waarde laten zien. De winnaars keren de conventionele toewijzing van middelen om: zij besteden 50-70% van de tijdlijn en het budget aan datagereedheid, governance en kwaliteitscontroles. Slechts 10% gaat naar algoritmen.
Ze lossen eerst het mensenprobleem op. Ze investeren in verandermanagement, workflow-integratie en organisatorische aanpassing. Ze bouwen teams met de juiste mix van data-engineering, domeinexpertise en zakelijk inzicht, niet alleen machine learning-promovendi.
Ze tonen al vroeg duidelijke zakelijke waarde aan. Ze kiezen projecten met meetbare financiële impact, niet technisch indrukwekkende demonstraties. Ze verbinden AI-mogelijkheden rechtstreeks met P&L-resultaten die leidinggevenden kunnen verifiëren.
En toenemende mate kiezen ze voor architectonisch efficiënte benaderingen die binnen Europese beperkingen werken, in plaats van dat ze de economische schaal van Silicon Valley vereisen.
De weg vooruit: de onderliggende oorzaken aanpakken
De AI-industrie staat in 2025 op een keerpunt. Faalpercentages die 147% jaar-op-jaar stijgen, wijzen op fundamentele problemen die niet worden opgelost door meer geld te gooien naar conventionele benaderingen. Europese bedrijven staan onder bijzondere druk: krappere kapitaalmarkten, hogere energiekosten, strengere regelgeving en concurrentie om talent met Amerikaanse bedrijven die Silicon Valley-pakketten aanbieden.
De oplossing is niet om AI af te zweren. Het gaat erom te herkennen wat daadwerkelijk storingen veroorzaakt en die onderliggende oorzaken systematisch aan te pakken: vanaf het begin investeren in datakwaliteit, erkennen dat de inzet van AI in de kern een uitdaging is op het gebied van mensen en processen, zakelijke waarde snel bewijzen met gerichte implementaties, en kiezen voor technisch efficiënte architecturen die binnen realistische beperkingen werken.
Voor Europese bedrijven betekent dit inspelen op andere voordelen. U zult Amerikaanse concurrenten niet overtreffen in omvang. Maar u kunt hen wel overtreffen met efficiëntere aanpakken. U kunt de praktijken voor gegevensverzameling van Silicon Valley niet evenaren, maar met GDPR-conforme methoden kunt u trainingsgegevens van hogere kwaliteit produceren. U kunt niet concurreren op de omvang van GPU-clusters, maar CPU-efficiënte architecturen elimineren dat nadeel volledig.
Bij Dweve hebben we ons platform specifiek voor deze realiteit gebouwd. Binaire neurale netwerken die draaien op standaardinfrastructuur, ontworpen voor Europese regelgeving, geoptimaliseerd voor data-efficiëntie in plaats van dataschaal. Niet omdat we filosofisch tegen drijvende-kommaberekeningen zijn, maar omdat de economische en regelgevende omstandigheden waar Europese bedrijven mee te maken hebben om andere oplossingen vragen.
De faalstatistieken van 2024-2025 vertellen een duidelijk verhaal. Organisaties die geen aandacht besteden aan datakwaliteit, vaardigheidstekorten, kostenbeheer en afstemming op bedrijfswaarde zullen blijven falen, ongeacht welke algoritmen ze gebruiken. Organisaties die deze fundamentele problemen oplossen, hebben een kans op succes.
De echte waarheid over AI-fouten
AI-projectmislukkingen zijn in de eerste plaats geen technische problemen. Het zijn organisatorische, economische en strategische problemen die zich manifesteren als technische mislukkingen.
Vierenveertig procent worstelt met datakwaliteit. Zeventig procent wordt geconfronteerd met uitdagingen rond mensen en processen. Vierenzeventig procent kan geen bedrijfswaarde aantonen. Zeventig tot vijfentachtig procent van de GenAI-implementaties slaagt er niet in de ROI-doelstellingen te halen.
Dit zijn geen algoritmeproblemen. Het zijn fundamentele problemen die opgelost moeten worden voordat de keuze voor algoritmen ertoe doet.
Uw volgende AI-project hoeft niet bij de 42% te horen die worden gestaakt. Maar om mislukking te voorkomen, moet u herkennen wat die daadwerkelijk veroorzaakt: slechte datapraktijken, onvoldoende verandermanagement in de organisatie, onduidelijke bedrijfsdoelstellingen, onhoudbare kosten en architecturen die niet aansluiten bij de beperkingen in de praktijk.
Los deze problemen op, en technische benaderingen die onmogelijk waren worden haalbaar. Negeer ze, en zelfs de meest geavanceerde AI zal falen.
De waarheid over AI-succes is allesbehalve glamoureus: het draait om databeheer, workflow-integratie, economische haalbaarheid en duidelijke bedrijfsmetrics. Al de rest is slechts implementatiedetail.