De meeste AI-projecten stranden niet door een slecht model, maar door een ontbrekend pad naar productie. Bedrijven onderschatten wat er nodig is aan datakwaliteit, governance en interne aansturing om van een werkend prototype een betrouwbaar systeem te maken. RAND concludeerde in 2024, op basis van interviews met 65 ervaren data scientists en engineers, dat meer dan 80% van de AI-projecten faalt. Dat is geen incident. Dat is een patroon. "The 95% failure rate for enterprise AI solutions represents the clearest manifestation of the GenAI Divide", aldus het MIT-rapport.Wat opvalt: bedrijven die AI-tools inkopen en samenwerken met gespecialiseerde vendors hebben volgens hetzelfde onderzoek een slagingskans van 67%, tegenover 33% bij zelf bouwen. Zelf alles willen bouwen klinkt ambitieus. Het is vaak vooral duur en traag.

Een CEO die AI succesvol wil opschalen heeft geen extra enthousiasme nodig, maar een concrete businesscase per use case, een eigenaar voor dat project en een team dat verder kan dan de demo-fase. Dat klinkt saai. Het werkt wel. McKinsey-cijfers laten zien dat slechts 39% van organisaties meetbare impact op resultaat ziet uit AI-investeringen. Dat is geen technologieprobleem. Dat is een uitvoeringsprobleem. In Nederland ligt dat percentage nog lager. Onderzoek noemt 21% succesvolle AI-projecten, het laagste van zes onderzochte Europese landen, met 38% interne weerstand als opvallende factor. Weerstand is geen technisch probleem. Het is een organisatorisch probleem, en dat vraag je niet op aan een model. Dit is precies waar de vraag naar tech-talent verschuift. Niet meer ai projectmanagement als los buzzword, maar mensen die snappen hoe je een pilot door governance, security en integratie heen loodst. Wij zien die vraag terug bij klanten die eerder een security-specialist met scherpe blik op compliance zochten voor precies dit soort trajecten.

De ontslagen in de tech-sector leveren een grotere kandidatenpool op, maar niet automatisch de juiste mensen voor AI-implementatie. Veel van die kandidaten hebben ervaring met bouwen. Bedrijven zoeken nu vooral mensen die kunnen opschalen en beheren. Dat is een belangrijk verschil. Een developer die goed is in het bouwen van een prototype is niet automatisch goed in het productie-klaar maken ervan. Dat vraagt andere vaardigheden: data engineering, MLOps, procesautomatisering, en het vermogen om een pilot te vertalen naar iets dat een organisatie kan vertrouwen. Wij merken dit in de praktijk. Vacatures voor een developer die ook infrastructuur en deployment begrijpt trekken meer aandacht dan een jaar geleden. Niet omdat de rol veranderd is, maar omdat bedrijven eindelijk beseffen dat bouwen en opschalen twee verschillende vaardigheden zijn. Niet elke ex-tech-medewerker past hier. Dat is precies waarom screening op AI-projecten nu preciezer moet dan ooit.

Bedrijven zoeken niet langer mensen die kunnen experimenteren met AI. Ze zoeken mensen die een pilot kunnen laten landen in een bestaand systeem, met de juiste checks op security, kosten en betrouwbaarheid. IDC-onderzoek naar AI-agents laat zien dat 88% van de proofs-of-concept nooit productie haalt. Dat cijfer zegt iets over technologie, maar nog meer over de mensen die het moeten begeleiden. De rollen die nu schaars zijn, zijn niet de klassieke ai projectleider die een sprintplanning maakt. Het zijn engineers die zowel de techniek als de organisatie snappen. Iemand die een pilot bouwt, maar ook weet welke vragen een CISO gaat stellen voordat het live mag. Bij een klant die een gevoelige omgeving beheerde, ging het recent niet om een AI-specialist, maar om een SRE die stabiliteit kan garanderen onder toenemende automatisering. Dat is precies de verschuiving: van experimenteren naar draaien op productieniveau.

In de praktijk betekent dit dat een vacaturetekst die alleen "ervaring met AI-tools" vraagt, de verkeerde mensen aantrekt. Bedrijven die dit goed doen, vragen expliciet naar ervaring met opschalen, niet naar enthousiasme voor nieuwe modellen. We zagen dit bij een scale-up die twee kwartalen vastliep op een AI-pilot zonder duidelijke eigenaar. Geen technisch probleem. Niemand had de rol om het project door te duwen naar productie. Toen de vacature werd herschreven, met focus op integratie-ervaring en samenwerking met compliance-teams, kwam er binnen weken een shortlist van kandidaten die het verschil snapten tussen een demo en een systeem waar een bedrijf op kan bouwen. Dat is precies waar een gestructureerd wervingsproces het verschil maakt. Niet CV's rondsturen op basis van een trending buzzword, maar een intake die uitzoekt wat een rol écht vraagt, voordat er één profiel wordt voorgesteld.

Waarom blijven zoveel bedrijven hangen in de pilotfase van AI-projecten? Meestal ontbreekt een duidelijke businesscase, een eigenaar en een pad naar integratie. Onderzoek van MIT laat zien dat 95% van de generatieve AI-pilots geen meetbaar rendement oplevert, vaak door gebrek aan implementatiekracht, niet door het model zelf. Hoeveel banen zijn er in de techsector verdwenen in 2024 en 2025? Wereldwijd zijn er ruim 160.000 banen verdwenen in de tech-sector in deze periode. Dat levert een grotere kandidatenpool op, maar niet automatisch mensen met de juiste ervaring in AI-implementatie. Wat hebben CEO's nodig om AI-initiatieven succesvol op te schalen? Een heldere businesscase per use case, een verantwoordelijke eigenaar en een team dat verder kijkt dan de demo-fase. McKinsey-cijfers laten zien dat slechts 39% van organisaties meetbare impact op resultaat ziet uit AI-investeringen, wat wijst op een uitvoeringsprobleem, niet een technologieprobleem. Wat is het verband tussen mislukte AI-pilots en het tekort aan tech-talent? Bedrijven zoeken niet langer mensen die kunnen experimenteren, maar mensen die een pilot productie-klaar maken. Dat vraagt andere vaardigheden dan bouwen alleen: integratie, governance en samenwerking met compliance-teams.

AI-pilots mislukken niet omdat de technologie tekortschiet. Ze mislukken omdat bedrijven onderschatten wat er nodig is om van een experiment een betrouwbaar systeem te maken. Dat is geen reden om te stoppen met AI. Het is een reden om anders te werven. Niet meer op enthousiasme. Wel op bewezen vermogen om iets écht te laten draaien. Bij Doghouse zien we die verschuiving dagelijks in de vacatures die binnenkomen. Wil je weten hoe je een rol scherp krijgt die past bij wat je organisatie nu nodig heeft, in plaats van wat twee jaar geleden trending was? Laten we daar gewoon even over praten.