20 okt.

Dit is hoeveel AI projecten er falen en waarom

Om te beginnen met de harde feiten: meer dan 80% van de AI-projecten faalt. Ja, je leest het goed: een overweldigend aantal bedrijven ziet hun AI-projecten mislukken voordat ze zelfs maar echt van de grond komen. Terwijl kunstmatige intelligentie vaak wordt gepresenteerd als de technologie die alles kan veranderen, blijkt in de praktijk dat de meeste projecten struikelen over dezelfde fouten. Wat gaat er precies mis? Het antwoord ligt in een mix van slechte probleemdefinitie, datakwaliteit en, verrassing, onrealistische verwachtingen.

Het onderzoeksrapport van RAND:

Bron: RAND

Volgens een recent rapport van RAND: The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, gaat het in meer dan 80% van de gevallen mis bij AI-projecten. Dat is twee keer zo veel als het al hoge percentage bij ´traditionele´ IT-projecten. Dus wat gebeurt er precies?

Een van de grootste problemen is miscommunicatie. Bedrijfsleiders willen graag iets doen met AI, dat móét eigenlijk wel tegenwoordig om bij te blijven, maar vaak begrijpen ze niet goed wat AI eigenlijk kan doen, laat staan wat het voor hun bedrijf zou moeten doen. Wat gebeurt er dan? Ze geven hun data science teams de opdracht om een model te bouwen dat uiteindelijk de verkeerde problemen oplost of niet eens goed in het bedrijfsproces past. Zo creëer je dus een model dat eigenlijk geen waarde heeft.

Een ander veelvoorkomend probleem is gebrek aan data. AI draait op data, en veel bedrijven denken dat ze genoeg data hebben, alleen om er later achter te komen dat die data niet geschikt zijn om AI-modellen te trainen. Een van de experts die voor het rapport werd geïnterviewd, verwoordde het perfect: “80% van AI is het vieze werk van data-engineering.” Zonder de juiste data, of zelfs met data die onvolledig of van lage kwaliteit is, kan geen enkel AI-project succesvol zijn.

Lees ook: Tesla kwartaalcijfers: Dit verwachten analisten

Denk aan een bedrijf dat wekelijks verkooprapporten ontvangt en ervan uitgaat dat die data voldoende is om een AI-model te trainen. Wat ze vaak niet inzien, is dat die data misschien helemaal niet de juiste informatie bevat die het model nodig heeft om zinvolle resultaten te leveren. Het gevolg? Maanden werk aan een AI-model dat uiteindelijk niets nuttigs oplevert.

Data is de kern van elk AI-project. Zonder goede data kunnen modellen niet de gewenste resultaten opleveren. Een ander onderzoek van NewVantage uit 2024 liet al zien dat 92,7% van de executives data als de grootste uitdaging voor succesvolle AI-implementaties ziet. Daarnaast blijkt uit een enquête van Vanson Bourne dat 99% van de AI- en ML-projecten te maken heeft met datakwaliteitsproblemen. Dit benadrukt het belang van robuust datamanagement en monitoringoplossingen.

Misschien wel het grootste probleem dat in het rapport naar voren komt, is dat bedrijven vaak verliefd worden op de technologie en vergeten wat ze eigenlijk willen bereiken. Ze proberen de nieuwste snufjes en trends op het gebied van AI te implementeren zonder zich af te vragen of dat daadwerkelijk het probleem oplost. AI inzetten voor een relatief eenvoudig probleem dat ook met een simpelere oplossing kan worden aangepakt? Het gebeurt vaker dan je denkt.

Als klap op de vuurpijl is er nog het infrastructuurprobleem. Veel bedrijven investeren simpelweg (nog) niet genoeg in de juiste datainfrastructuur om AI-modellen effectief in te zetten. Dit betekent dat de teams vastlopen omdat ze niet de tools hebben om data op te schonen, goed te beheren of om snel modellen in productie te brengen. Zonder die infrastructuur wordt elk AI-project een marathon die nooit wordt voltooid.

Zonder betrouwbare infrastructuur kunnen datawetenschappers de nodige data niet goed gebruiken, en dit vertraagt het hele project. Uiteindelijk verliezen leidinggevenden het geduld, en wordt het project gestopt voordat het überhaupt een kans krijgt om iets waardevols te leveren.

En dan is er nog een van de grootste valkuilen: onrealistische verwachtingen. Bedrijfsleiders horen overal over de wonderen van AI en verwachten dat het elke uitdaging die ze hebben kan oplossen. In werkelijkheid is AI echter geen toverstaf die alles doet verdwijnen. De AI-modellen zijn vaak complex en leveren kans-gerichte resultaten, wat betekent dat er altijd een mate van onzekerheid in zit. Dit komt niet altijd overeen met wat bedrijfsleiders verwachten, waardoor ze teleurgesteld raken in de resultaten.

Veel leidinggevenden verwachten bijvoorbeeld dat AI-projecten binnen enkele weken klaar zijn, terwijl het maanden kan duren om een goed werkend model te trainen. Wanneer ze niet snel genoeg resultaten zien, trekken ze de stekker eruit, wat betekent dat veel projecten al faalt voordat ze echt kunnen laten zien wat ze waard zijn.

De oplossing: Hoe kan het anders?

Ondanks de vele valkuilen zijn er volgens het rapport een aantal duidelijke stappen die bedrijven kunnen nemen om hun AI-projecten te laten slagen:

Zorg voor een duidelijke probleemdefinitie. Bedrijven moeten nauw samenwerken met de technische teams om ervoor te zorgen dat iedereen begrijpt welk probleem er wordt opgelost.
Kies voor projecten die de moeite waard zijn. AI-projecten vergen tijd. Bedrijven moeten zich minstens een jaar (gemiddeld genomen) aan een project committeren om resultaten te zien.
Focus op het probleem, niet op de technologie. Bedrijven zouden zich niet moeten laten verleiden door de nieuwste AI-trends; zorg er eerst voor dat de technologie het probleem oplost en niet andersom.
Investeer in infrastructuur. Zonder de juiste datainfrastructuur en tools om modellen te implementeren, is de kans op falen groot.
Wees realistisch over wat AI kan doen. AI is geen wondermiddel dat elk probleem oplost. Het is essentieel dat de projectdoelen in lijn zijn met wat technisch haalbaar is.

Wat ik wel moet zeggen is dat deze onderzoeken die uitkomen over AI ontwikkelingen nog wel wat aan de wensen overlaten wat betreft methode en betrouwbaarheid.. Dit rapport baseert bijvoorbeeld zijn conclusies grotendeels op interviews met 65 AI-experts, waarvan 50 uit de industrie en 15 uit de academische wereld. Hoewel deze kwalitatieve benadering zeker inzichten kan bieden, is de steekproef relatief klein en kan het de representativiteit van de bevindingen in twijfel trekken. Aangezien AI in diverse sectoren en contexten wordt toegepast, zou een grotere en meer diverse steekproef nodig zijn om meer algemene conclusies te trekken.

Ook richt het rapport zich voornamelijk op de redenen waarom AI-projecten falen en bevat het helaas geen casestudies of voorbeelden van succesvolle AI-implementaties. Het zou mooi zijn geweest om ook de succesvolle AI-projecten gedetailleerd te analyseren om de niet geslaagde en wel- geslaagde AI projecten met elkaar te vergelijken.

Wat wel kunnen aanemen is dat dit rapport inzicht geeft in het feit dat veel AI-projecten falen door dezelfde, voorspelbare fouten: slechte probleemdefinities, gebrekkige data, en te veel focus op technologie zonder duidelijke doelen. Bedrijven die deze valkuilen vermijden en investeren in hun infrastructuur, data en realistische verwachtingen, kunnen echter veel succesvoller zijn. AI kan absoluut transformeren, maar dan moet het wel correct wordt toegepast.