Resultaat AI-project meten: waarom mkb dit mist

Drie maanden na de kickoff vraag ik een ondernemer hoe de AI-pilot loopt. Hij denkt na. "Goed, geloof ik." Niemand kijkt meer naar een dashboard, niemand heeft ooit een dashboard gemaakt, en dat is het probleem in één zin: zonder resultaat ai-project meten vooraf af te spreken, kan niemand achteraf zeggen of het iets heeft opgeleverd.

Dat is hoe de meeste AI-projecten in het mkb sterven. Niet met een knal, een gemiste deadline of een boze klant. Ze verdwijnen stilletjes, omdat niemand vooraf heeft vastgelegd wat "het werkt" precies betekent. Je start vol enthousiasme, je bouwt iets, het werkt een beetje, de drukte van de week neemt het over en drie maanden later vraagt niemand er meer naar.

Waarom dit zo vaak gebeurt

Onderzoek van MIT, aangehaald door Frankwatching, laat zien dat 95 procent van de generatieve AI-pilots geen meetbaar rendement oplevert. Niet omdat de techniek het niet aankan, maar omdat vooraf nooit is vastgelegd wat succes moet betekenen. Van de initiatieven die wel van start gaan, resulteert naar schatting maar een op de twintig in aantoonbare winst of tijdwinst. De rest hangt ergens in het midden: niet mislukt, niet geslaagd, gewoon onbeslist.

Emerce zet het rijtje oorzaken op vergelijkbare wijze neer: projecten starten vanuit een trend in plaats van een concreet probleem, teams richten zich op de technisch interessante kant in plaats van bedrijfswaarde, en er wordt te weinig geïnvesteerd in de adoptie nadat iets live staat. Gartner voorspelt dat een groot deel van de AI-projecten de komende jaren wordt stopgezet vanwege oplopende kosten en onduidelijke bedrijfswaarde. Dat klinkt groot, maar in de praktijk is het meestal geen harde stop. Het is een langzaam wegebben.

Voor een mkb-bedrijf is dat extra verraderlijk. Een grote organisatie heeft een innovatieafdeling die een mislukt experiment kan wegschrijven als leergeld. Bij een bedrijf van twintig man is de persoon die het project trok ook degene die de orders binnenhaalt, de planning doet en de klant belt. Zodra het druk wordt, verdwijnt het project van de lijst. Niet omdat het niet werkte, maar omdat niemand de tijd had om te checken of het nog werkte.

Het ene getal achter resultaat meten

Het verschil tussen een project dat blijft leven en een project dat wegzakt, zit vaak in één afspraak die je voor de start maakt: welk getal gaat erover beslissen. Niet drie KPI's, niet een dashboard vol grafieken, maar één concreet ding dat je nu al meet, zodat je het straks kunt vergelijken. Hoeveel uur kost het opvolgen van een lead nu? Hoe lang duurt het voordat een offerte de deur uit gaat? Hoeveel fouten staan er gemiddeld in een factuur?

Bij een klant waar we de offerteopvolging automatiseerden was dat getal simpel: de tijd tussen een aanvraag binnenkrijgen en de offerte versturen. Dat ging van gemiddeld twee dagen naar binnen het uur, net zoals ik dat zelf via peterreckers.nl laat zien als bewijs dat automatisering verkoop versnelt. Er was geen discussie nodig over of het "voelde" als verbetering, want het getal lag er gewoon.

Wie dat getal niet vastlegt, kan achteraf nooit meer bewijzen dat het project heeft gewerkt. Dat is denk ik de echte reden dat zoveel AI-pilots zo geruisloos verdwijnen: niet omdat ze faalden, maar omdat niemand meer kon aantonen dat ze dat niet deden.

Heb jij voor je laatste automatiseringsproject vooraf vastgelegd waar je het resultaat aan zou afmeten, of moest je dat achteraf nog uitzoeken?