Waarom AI-adoptie mislukt, en hoe je dat voorkomt

Bij AI implementeren draaien de meeste adviezen om tools, modellen en data. Toch wijst onderzoek steeds dezelfde kant op. In een wereldwijde enquête van BCG onder 1.000 bestuurders (2024) zegt 74 procent van de bedrijven nog geen tastbare waarde uit AI te halen. De drempels liggen vooral bij mensen en processen, niet bij de algoritmes.

Dit artikel is voor bestuurders, managers en teamleiders bij gemeenten, sociaal ontwikkelbedrijven en Wmo- en welzijnsorganisaties die AI willen invoeren zonder te blijven hangen in een pilot. Je leest waarom adoptie mislukt, wat de Nederlandse cijfers laten zien en hoe je AI in vijf stappen invoert zodat het ook blijft.

Een werkende pilot is nog geen adoptie

AI-projecten lopen zelden vast omdat de technologie niets kan. Ze lopen vast omdat de organisatie niet verandert.

Een demonstratie kan indrukwekkend zijn. Een pilot kan technisch goed functioneren. Toch zegt dat nog weinig over de vraag of AI echt onderdeel wordt van het dagelijkse werk.

Adoptie ontstaat pas wanneer professionals begrijpen waarom de verandering relevant is, vertrouwen hebben in de werkwijze en ervaren dat het hen helpt.

Hoe groot het gat is tussen proberen en gebruiken, laat het rapport The GenAI Divide van MIT NANDA (juli 2025) zien. Van de onderzochte organisaties bekeek 60 procent gespecialiseerde AI-toepassingen voor hun werkprocessen. 20 procent kwam tot een pilot en 5 procent bracht er een in productie. Volgens de onderzoekers stranden de meeste op werkprocessen die niet aansluiten, systemen die geen context leren en een slechte aansluiting op het dagelijkse werk.

Onderzocht60%

Pilot20%

In productie5%

Bron: MIT NANDA, The GenAI Divide: State of AI in Business 2025 (internationaal)

Een kanttekening hoort erbij. Het MIT-rapport is voorlopig en leunt op interviews met 52 organisaties, een enquête onder 153 leidinggevenden en een analyse van ruim 300 publiek gemaakte AI-projecten. De onderzoekers noemen hun cijfers zelf richtinggevend. Het beeld past wel bij ander onderzoek.

Ook dichter bij huis is het gat zichtbaar. De Algemene Rekenkamer telde in 2024 bij 70 rijksoverheidsorganisaties samen 433 AI-systemen. De grootste groep, 167 systemen, bestond nog uit lopende experimenten. Van de systemen die wel in gebruik waren, was bij 35 procent niet bekend of ze de verwachting waarmaakten, bijvoorbeeld omdat vooraf niet was bepaald wat het doel was.

Tegelijk gaat het hard. TNO vond eind 2025 81 toepassingen van generatieve AI bij de overheid, tegen 8 in 2024. Gemeenten zetten er de meeste in (34). Van die 81 waren er 37 onderdeel van de dagelijkse praktijk en zaten er 29 nog in de experimentele fase. Experimenteren lukt dus prima. De stap naar structureel gebruik is waar het spannend wordt.

Waarom mislukken zoveel AI-projecten?

Het Amerikaanse onderzoeksinstituut RAND interviewde 65 ervaren datawetenschappers en engineers over mislukte AI-projecten (rapport uit 2024). RAND haalt schattingen aan dat meer dan 80 procent van de AI-projecten mislukt, twee keer zo vaak als IT-projecten zonder AI.

De meest genoemde oorzaak is niet technisch: betrokkenen begrijpen niet goed, of communiceren niet goed, welk probleem AI moet oplossen. Een andere oorzaak die RAND noemt: organisaties richten zich meer op de nieuwste technologie dan op de echte problemen van de mensen die ermee moeten werken.

BCG komt via een andere route op hetzelfde uit. In de enquête onder 1.000 bestuurders in 59 landen kwam ongeveer 70 procent van de problemen bij AI-invoering voort uit mensen en processen. Technologie was goed voor 20 procent, de algoritmes zelf voor 10 procent.

Mensen en processen70%

Technologie20%

AI-algoritmes10%

Bron: BCG, Where’s the Value in AI?, 2024 (internationaal, 1.000 bestuurders)

In het MIT-onderzoek noemden bestuurders en gebruikers onwil om nieuwe tools te gebruiken als grootste drempel bij opschalen. Daarna volgden zorgen over de kwaliteit van de uitkomsten, een slechte gebruikservaring, gebrek aan steun vanuit de top en lastig verandermanagement.

Drie onderzoeken, één conclusie: de technologie is zelden het knelpunt, de organisatie wel. Let op: dit is internationaal onderzoek, vooral bij bedrijven. Voor de Nederlandse publieke sector zijn vergelijkbare cijfers schaars.

Nederland: veel belangstelling, weinig ervaring

Een op de zes Nederlandse bedrijven gebruikte in 2025 AI, twee keer zoveel als in 2023, meldt het CBS. Hoe groter de organisatie, hoe vaker: bij bedrijven met 250 of meer werkzame personen is het 66 procent. In de gezondheids- en welzijnszorg gebruikt 16 procent van de bedrijven AI.

2 tot 10 werkzame personen14%

10 tot 5027%

50 tot 25045%

250 of meer66%

Bron: CBS, ICT-gebruik bedrijven, 2025 (voorlopige cijfers)

Opvallend is waarom bedrijven afhaken. Van de bedrijven die AI wel overwogen maar niet gebruiken, noemt 73 procent gebrek aan ervaring als belangrijkste reden. Privacy (49 procent) en onduidelijkheid over juridische gevolgen (42 procent) volgen. Dat zijn precies de drempels die je met een goede invoering wegneemt: ervaring opbouwen in een veilige omgeving, met heldere afspraken.

Medewerkers lopen intussen vaak voorop. Volgens het CBS gebruikt 43 procent van de werkenden AI bij hun werk (Belevingen 2025). 41 procent denkt dat AI een deel van hun werk kan overnemen, en bijna de helft van hen maakt zich daar zorgen over. Ook dat hoort bij adoptie: mensen willen weten wat AI voor hun vak betekent.

Internationaal is hetzelfde patroon te zien. In de Work Trend Index 2024 van Microsoft en LinkedIn (31.000 mensen in 31 landen) zegt 78 procent van de AI-gebruikers eigen AI-tools mee te nemen naar het werk. Maar 39 procent kreeg AI-training van de werkgever. MIT NANDA zag bij ruim 90 procent van de onderzochte bedrijven medewerkers die regelmatig eigen AI-tools gebruiken, terwijl 40 procent van de bedrijven een officieel abonnement had afgesloten.

Dat gat tussen gebruik en begeleiding is een privacyrisico en een gemiste kans. Waarom niets doen ook een keuze met gevolgen is, lees je in waarom afwachten bij AI ook een risico is. Hoe je AI binnen de kaders invoert, staat in AI veilig invoeren in gemeenten en het sociaal domein.

Vijf manieren waarop AI-adoptie vastloopt

Te groot beginnen

Een veelgemaakte fout is AI direct organisatiebreed willen invoeren. Daarmee open je tegelijk technische, organisatorische, juridische en menselijke vraagstukken.

Een kleinere start maakt het mogelijk om eerst één herkenbaar werkprobleem op te lossen en ervaring op te bouwen. Je ziet sneller of het werkt, en wat er nog ontbreekt.

De technologie centraal stellen

Begint een implementatie bij functies, modellen en mogelijkheden, dan moet de professional zelf nog vertalen waarom dat relevant is voor zijn of haar werk. RAND zag precies dit patroon terug als oorzaak van mislukte projecten.

Begin daarom bij de dagelijkse praktijk: waar ontstaat administratieve druk, welk gesprek kost veel verwerkingstijd en welk proces vraagt om meer uniformiteit? Technologie komt daarna.

Professionals pas laat betrekken

AI verandert werk. Dan is het niet logisch om professionals pas te betrekken als de oplossing al is ingericht. De mensen die dagelijks met het proces werken, zien eerder waar een leidraad niet klopt, welke uitzonderingen belangrijk zijn en welke ondersteuning echt helpt.

Praktijkfeedback is daarom geen evaluatiestap aan het einde. Die hoort in het ontwerp.

Geen ruimte om te leren

Wie bij de eerste fout concludeert dat AI niet werkt, creëert geen adoptie. Nieuwe technologie vraagt om een periode waarin teams mogen uitproberen, corrigeren en wennen.

Dat betekent niet dat kwaliteit minder belangrijk wordt. Het betekent dat leren een expliciet onderdeel van de implementatie wordt, met vaste momenten om te bespreken wat goed gaat en wat beter moet.

Geen zichtbaar leiderschap

Een pilot die alleen wordt gedragen door een projectleider of een enthousiaste gebruiker blijft kwetsbaar. Medewerkers kijken naar hun leidinggevende: vindt die dit belangrijk, is er ruimte om te leren en hoort dit echt bij de koers van de organisatie?

Leiders twijfelen zelf ook. In de Work Trend Index 2024 maakt 60 procent van de leiders zich zorgen dat hun organisatie geen visie en plan heeft om AI in te voeren. Leiders hoeven niet alle antwoorden te hebben. Zij moeten wel zichtbaar richting geven. Meer daarover in waarom AI uiteindelijk over leiderschap gaat.

Adoptie is gedragsverandering, geen softwarelancering

Verandermanagement biedt bruikbare kaders om naar adoptie te kijken. Een bekend voorbeeld is het ADKAR-model van Prosci, een model voor verandering bij de individuele medewerker. Het gaat ervan uit dat iemand vijf dingen nodig heeft voordat een verandering blijft hangen:

• Awareness (bewustzijn): begrijpen waarom het anders moet. Bijvoorbeeld: hoeveel tijd gaat er nu naar verslaglegging, en wat gaat daardoor van de cliënt af?
• Desire (bereidheid): zelf willen meedoen. Dat groeit als professionals meedenken over de inrichting.
• Knowledge (kennis): weten hoe het werkt en wat wel en niet mag.
• Ability (vaardigheid): het in echte gesprekken kunnen toepassen, met begeleiding in de eerste weken.
• Reinforcement (borging): het volhouden, zodat mensen niet terugvallen in oude gewoonten.

Een kader is geen recept. Het maakt wel één ding duidelijk: een training aan het einde dekt hooguit de kennis. Bewustzijn, bereidheid, vaardigheid en borging organiseer je in de manier waarop je invoert.

Van gebruikers naar ambassadeurs

De eerste gebruikers kunnen een belangrijke rol spelen bij opschaling. Zij kennen de praktijk, spreken de taal van collega’s en kunnen laten zien wat wel en niet werkt.

Wanneer ervaren gebruikers andere professionals meenemen, ontstaat vertrouwen vanuit de werkvloer in plaats van alleen vanuit management of leverancier.

Ook MIT NANDA zag dat veel van de sterkste implementaties begonnen bij power users: medewerkers die al zelf met AI-tools hadden geëxperimenteerd en de mogelijkheden en grenzen kenden. Succesvolle organisaties lieten teamleiders en vakinhoudelijke managers problemen aandragen en de uitrol leiden, met duidelijke verantwoordelijkheid bij de top.

Wat een goede ambassadeur doet

• Laat in het eigen werk zien wat werkt en wat niet.
• Is het eerste aanspreekpunt voor collega’s met vragen.
• Verzamelt feedback over leidraden, uitzonderingen en lastige situaties.
• Vertaalt zorgen van collega’s naar concrete verbeterpunten.
• Helpt nieuwe gebruikers op weg in hun eerste weken.

Kies voor de eerste groep bewust de meest enthousiaste medewerkers. Zij bouwen de ervaring op die later de uitrol draagt. Geef ze wel tijd voor die rol: ambassadeur zijn bovenop een volle caseload houdt niemand lang vol.

AI implementeren in vijf stappen

De Mensora Adoptiemethode vertaalt deze lessen naar vijf stappen. Ze zijn bruikbaar voor elke AI-toepassing in het werk met cliënten en inwoners.

1. De kernvraag

Begin bij het werk, niet bij de tool: waar ontstaat de meeste administratieve druk? Kies één gesprekstype of proces en leg vooraf vast wat succes is, bijvoorbeeld minder verwerkingstijd per gesprek of completere verslagen. Zonder vooraf bepaald doel kun je later niet aantonen of het werkt; dat zag de Rekenkamer bij de rijksoverheid.

2. Klein beginnen

Eén team, één proces en een kleine groep professionals. Bij Mensora is dat een Proof of Concept van circa acht weken met vijf gebruikers, twee leidraden en begeleiding. Een leidraad bepaalt welke onderdelen in een gesprek aan bod moeten komen; in PIA bewaakt die tijdens het gesprek of alles is besproken.

3. Leren en adopteren

Leidinggevenden geven richting en ruimte om te leren. Fouten in de eerste weken zijn leermateriaal, geen bewijs dat het niet werkt. De professional blijft controleren, aanvullen en beslissen; hoe je die menselijke regie borgt, lees je bij veilig en verantwoord.

4. Samen verbeteren

Leidraden en werkwijzen scherp je aan op basis van de praktijk. De eerste gebruikers zien welke vragen ontbreken, welke uitzonderingen vaak voorkomen en waar het verslag nog niet aansluit. Die feedback verwerk je voordat je verder gaat.

5. Opschalen

Pas als het werkt en gedragen wordt, schaal je op. Eerst naar een pilot met circa 25 gebruikers, daarna organisatiebreed met interne ambassadeurs als aanspreekpunt. Dat het loont om dezelfde basis te gebruiken, laat Amaryllis zien: elf wijk- en dorpsteams werken daar met dezelfde leidraad en outputinstellingen.

1. Start
   De kernvraag

   Eén werkprobleem en een vooraf vastgelegd doel

2. Circa 8 weken
   Proof of Concept

   5 gebruikers, 2 leidraden en begeleiding

3. Daarna
   Pilot

   Circa 25 gebruikers, werkwijze en leidraden aanscherpen

4. Uitrol
   Opschalen

   Organisatiebreed, met interne ambassadeurs als aanspreekpunt

Bron: Mensora Adoptiemethode

Schaal op als de waarde bewezen is, niet eerder

Organisatiebrede implementatie moet geen doel op zichzelf zijn. Schaal op wanneer de waarde in de praktijk zichtbaar is, de belangrijkste vragen zijn beantwoord en de organisatie weet hoe begeleiding en governance worden ingericht.

Ben je klaar om op te schalen?

• Het doel uit de kernvraag is gehaald en je kunt het laten zien.
• Gebruikers in de pilot werken er uit zichzelf mee, ook als niemand meekijkt.
• Leidraden zijn aangescherpt op de praktijk en vastgesteld.
• Bewaartermijnen, privacyinstellingen en autorisaties zijn geregeld.
• Elk team dat volgt heeft een ambassadeur.
• Leidinggevenden dragen het zichtbaar uit.

Meet ook wat het oplevert voor de professional zelf. Tijd is daarbij de meest tastbare maat: met PIA ging het uitwerken van een vergadering van 45 tot 60 minuten naar circa 5 minuten. Wat je met die tijd doet, lees je in hoe je professionals tijd teruggeeft.

AI-adoptie is organisatieontwikkeling

AI-adoptie is geen software-implementatie met een trainingsmoment aan het einde. Het is organisatieontwikkeling: beginnen bij een echt werkprobleem, professionals vanaf het begin betrekken, leren organiseren en pas opschalen als de waarde bewezen is.

Waar die ontwikkeling naartoe gaat, lees je in waarom de volgende AI-revolutie niet over AI gaat. Wil je bespreken waar jouw organisatie het beste kan beginnen? Plan dan een adviesgesprek.

Technologie kan worden uitgerold. Vertrouwen moet worden opgebouwd.

Veelgestelde vragen

Verantwoording

Dit artikel is geschreven door de redactie van Mensora. Alle cijfers en data zijn gecontroleerd op de gelinkte bronnen (peildatum oktober 2026). Het internationale onderzoek (MIT NANDA, RAND, BCG, Microsoft en LinkedIn) gaat vooral over bedrijven en leunt deels op interviews en zelfrapportage. Het geeft richting, geen precieze maat voor de Nederlandse publieke sector. Hoeveel AI-trajecten bij gemeenten, sociaal ontwikkelbedrijven en welzijnsorganisaties daadwerkelijk stranden, weten we niet: daarover vonden we geen landelijke cijfers. De doorlooptijden en groepsgroottes in het stappenplan zijn richtwaarden uit onze eigen praktijk.

1. The GenAI Divide: State of AI in Business 2025 (MIT NANDA, 2025)
2. The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed (RAND, 2024)
3. AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value (BCG, 2024)
4. Bedrijven gebruiken AI vaakst voor marketing of verkoop (CBS, 2025)
5. Bijna helft werkenden denkt dat AI werk kan doen (CBS, 2026)
6. Focus op AI bij de rijksoverheid (Algemene Rekenkamer, 2024)
7. Stijging gebruik generatieve AI bij de overheid (TNO, 2025)
8. 2024 Work Trend Index: AI at Work Is Here (Microsoft en LinkedIn, 2024)
9. The Prosci ADKAR Model (Prosci)