Waarom AI-investeringen vaak tegenvallen en hoe je de ROI-valkuil doorbreekt

Uit de onderzoeksresultaten blijkt dat organisaties uiteenlopende keuzes maken als het gaat om hun AI-architectuur en de manier waarop AI-oplossingen worden ontwikkeld en ingezet. De meeste organisaties kiezen daarbij voor samenwerking met externe partners. Slechts 9% ontwikkelt volledig eigen large language models (LLM’s), terwijl 18% deze samen met externe aanbieders ontwikkelt. Veruit de grootste groep maakt gebruik van bestaande modellen van derden: 41% werkt met gesloten modellen, 27% met open modellen en 26% hanteert een hybride aanpak.Ook de mate van maatwerk blijft vaak beperkt. Zo gebruikt 62% van de organisaties standaardmodellen van externe aanbieders. Daarnaast verrijkt 51% deze modellen met retrieval-augmented generation (RAG), terwijl 46% modellen verder afstemt met eigen bedrijfsdata. Deze benaderingen sluiten elkaar niet uit; veel organisaties combineren beide technieken.

De pragmatische aanpak die organisaties hanteren bij hun AI-architectuur komt ook terug in de keuze voor leveranciers en oplossingen. Bij de afweging tussen zelf ontwikkelen of inkopen kiezen de meeste organisaties voor een hybride strategie, waarbij per use case wordt bepaald welke aanpak het meest geschikt is. Zo proberen zij een balans te vinden tussen maatwerk, snelheid en flexibiliteit.

Kant-en-klare oplossingen zijn de op een na populairste keuze. Deze maken een snelle implementatie en directe inzet mogelijk, ook als dat soms hogere initiële kosten met zich meebrengt. Minder organisaties kiezen ervoor om volledig afhankelijk te zijn van externe leveranciers of juist alle AI-capaciteiten zelf op te bouwen.
Bij de selectie van technologiepartners geeft 61% van de organisaties bovendien de voorkeur aan een best-of-breed-benadering: het kiezen van de beste oplossing per specifiek onderdeel. Daarmee verkiezen zij specialistische oplossingen boven geïntegreerde suites van één leverancier.

Organisaties verschillen ook in de manier waarop zij de afweging maken tussen het snel implementeren van losse AI-oplossingen en het fundamenteel herontwerpen van processen. Die keuze wordt meestal bepaald door het beoogde resultaat. Snel inzetbare toepassingen, zoals AI-gestuurde klantenservicesystemen, zijn nog altijd populairder dan grootschalige initiatieven waarbij AI door de hele organisatie wordt geïntegreerd, bijvoorbeeld binnen de volledige financiële functie.De voorkeur voor snel te implementeren oplossingen wordt vooral gedreven door directe voordelen, zoals een korte implementatietijd, lagere kosten, schaalbaarheid en, in mindere mate, eenvoudige integratie met bestaande processen. Toch blijkt procestransformatie vaak effectiever wanneer het gaat om flexibiliteit, regie en een sterke aansluiting op de strategische doelstellingen van de organisatie.

De algemene boodschap is duidelijk. Als een heldere, organisatiebrede AI-visie ontbreekt, worden keuzes vooral gestuurd door snelheid, kostenbeheersing en risicobeperking. Daarmee blijft de focus vaak liggen op pilots en losse toepassingen, terwijl de ambitie juist is om processen te transformeren en AI strategisch in te zetten. Die pragmatische keuzes zijn begrijpelijk, maar creëren tegelijkertijd hiaten in governance en prestatiemeting.

Terwijl organisaties navigeren van AI-pilots naar organisatiebrede transformatie, zijn er nog meer factoren die het rendement op AI-investeringen beperken. Zo worden de gerealiseerde voordelen vaak vooral kwalitatief in plaats van kwantitatief gemeten, en zijn de gebruikte KPI's regelmatig onvoldoende uitgewerkt.

Zo'n 61% van de respondenten is van mening dat AI meer waarde creëert dan zij daadwerkelijk kunnen meten. Hoewel organisaties wijzen op verbeteringen in productiviteit en transparantie, ontbreken vaak duidelijke KPI's om de impact op organisatieniveau vast te stellen. Dit lijkt samen te hangen met het onvoldoende vooraf definiëren van gewenste resultaten en meetcriteria.

Deze uitdagingen worden versterkt door governance die zowel inconsistent wordt toegepast alsnog in een vroeg ontwikkelingsstadium verkeert. Zoals uit de onderstaande grafieken blijkt, hanteren organisaties uiteenlopende modellen voor het eigenaarschap van AI-governance. De meest gekozen opties zijn verantwoordelijkheid bij de CTO of een verdeling over verschillende functies. Ook bij de inrichting van AI-leiderschap lopen de aanpakken uiteen, met een vrij gelijkmatige verdeling tussen een centrale aansturing en verantwoordelijkheid binnen afzonderlijke bedrijfsonderdelen. Tegelijkertijd heeft de grote meerderheid van de respondenten een organisatiebreed AI-comité opgericht of plannen om dit te doen.

De kern van het probleem is niet de manier waarop governance is ingericht, maar het feit dat governanceprocessen niet consequent worden toegepast. In een NAVI-wereld, waarin volatiliteit, onzekerheid, complexiteit en ambiguïteit de norm zijn, remt deze inconsistentie het rendement op AI-investeringen en vergroot zij de risico’s.

Hetzelfde patroon is zichtbaar in datamanagement. Bijna de helft (43%) van de respondenten werkt met hybride datamodellen, waarbij de verantwoordelijkheid wordt gedeeld tussen centrale en decentrale teams. Nog eens 20% gebruikt een federatief model, waarbij bedrijfsonderdelen hun eigen data beheren binnen organisatiebrede standaarden.
Om deze gedistribueerde aanpak te ondersteunen, heeft meer dan 50% van de organisaties formele processen ingericht om de gereedheid van architectuur, data, medewerkers, klanten en de organisatie voor AI te beoordelen. In de praktijk blijft de toepassing hiervan echter achter. Slechts 38% past deze processen regelmatig toe voor architectuurgereedheid en slechts 26% voor datagereedheid.

De conclusie is helder: er bestaat niet één perfecte governance-aanpak, maar wel een hardnekkige uitvoeringskloof. Zelfs wanneer governanceprocessen aanwezig zijn, worden ze niet consequent toegepast. Juist het dichten van die kloof door rollen, standaarden en gereedheidscontroles structureel in de praktijk te verankeren, helpt organisaties om AI voorbij de pilotfase te brengen en het rendement aantoonbaar te maken. Agentic AI vergroot de impact van deze kloof, omdat meer autonomie leidt tot zowel grotere schaal als grotere gevolgen.

Agentic AI verhoogt de inzet

Naarmate organisaties verder komen in hun AI-reis en investeren in agentic AI, dreigt een bekende valkuil zich op grotere schaal te herhalen: een overmatige focus op pilots, zoals eerder gebeurde bij generatieve AI.

De stap van generatieve AI naar agentic AI vergroot namelijk niet alleen de kansen, maar ook de complexiteit. In organisaties waar governance nog niet voldoende volwassen is, bestaat het risico dat agentic AI dezelfde pilotvalkuil creëert als GenAI, maar dan met meer afhankelijkheden, meer bewegende onderdelen en grotere risico's. Net als bij GenAI zijn er stakeholders die ervan overtuigd zijn dat AI-agents meer waarde creëren dan met de huidige meetmethoden zichtbaar kan worden gemaakt. Ongeveer een derde van de respondenten (33%) deelt die opvatting. Tegelijkertijd lopen de verwachtingen over de impact van agentic AI sterk uiteen. Zo verwacht 40% dat agentic AI naast bestaande AI-oplossingen zal functioneren en deze zal versterken, terwijl 12% ervan uitgaat dat de impact beperkt zal blijven.

GenAI heeft het potentieel om organisaties fundamenteel te veranderen, maar het realiseren van die waarde vraagt om discipline. Succes hangt af van het benaderen van AI als een strategische investering, gebaseerd op organisatorische gereedheid, een gedegen aanpak en meetbare resultaten. Het doorbreken van de AI ROI-valkuil vereist daarom een zorgvuldige inzet van kapitaal, sterke fundamenten en een gedisciplineerde benadering van het AI-portfolio. GenAI wordt steeds meer een concurrentienoodzaak, maar het risico ontstaat wanneer organisaties investeren zonder voldoende discipline, geduld en een realistisch beeld van wanneer waarde daadwerkelijk wordt gerealiseerd.

Een portfoliobenadering helpt bestuurders om de juiste balans te vinden tussen noodzakelijke basisinvesteringen en langetermijninitiatieven die meer tijd nodig hebben om rendement op te leveren, maar cruciaal zijn voor toekomstige groei. Hierdoor ontstaan ook realistischere verwachtingen over de snelheid waarmee waarde kan worden gecreëerd. Waar passend kan een private-equitybenadering worden toegepast, waarbij investeringen worden ingericht op stabiele en voorspelbare opbrengsten. Voor transformatieve innovaties past juist een venture-capitalmentaliteit: investeren in meerdere kleinschalige initiatieven, accepteren dat sommige mislukken en extra inzetten op de oplossingen die hun waarde bewijzen. De kunst is om beide benaderingen te combineren: voorspelbaarheid nastreven waar dat nodig is en risico omarmen waar echte transformatie mogelijk is.

Tegelijkertijd vraagt succesvolle AI-implementatie om een andere kijk op governance, risicomanagement en cybersecurity. Deze disciplines mogen geen rem vormen op innovatie, maar moeten juist fungeren als versnellers. Dat betekent dat organisaties moeten evolueren van statische regels en controles naar dynamische, ingebedde randvoorwaarden die consequent binnen de hele organisatie worden toegepast. Organisaties die daarin slagen, realiseren sterkere resultaten. Niet door innovatie af te remmen, maar door deze wendbaar, duurzaam en herhaalbaar te maken. De eerste GenAI-programma’s kozen vaak voor strakke centrale controle. De volgende fase beloont organisaties die gecontroleerd kunnen opschalen met consistente waarborgen.

Een aantal gerichte acties kan het rendement op AI-investeringen vergroten en beter inzichtelijk maken. Daarmee leggen organisaties de basis voor organisatiebrede opschaling en duurzame waardecreatie. Op basis van EY-onderzoek en praktijkervaring kunnen vijf acties organisaties helpen om meer aantoonbare waarde uit AI te halen en de weg vrij te maken voor verdere groei: