AI en verkiezingen
19/03/2026
AI Act
19/04/2026
De echte prijs van slechte automatisering
Verborgen kosten van AI-implementatie
Iedereen vraagt wat AI kost. De licentie, de implementatie, de uren. Logisch, want budgetten zijn eindig en bestuurders willen weten waar ze aan toe zijn. Maar er is een andere rekening die zelden op tafel komt: de kosten van AI die technisch werkt, maar operationeel nergens landt.
Dat onderscheid, tussen een systeem dat draait en een systeem dat werkt, is groter dan het lijkt. En de prijs van dat gat staat niet op een factuur.
Datum
16-04-2026
Categorie
Inzichten & inspiratie
Auteur
Pleun Claassen
Wat zijn de echte kosten van een mislukte AI-implementatie?
Wanneer organisaties praten over de kosten van AI, gaat het bijna altijd over de zichtbare kant: software, hardware, externe consultants of interne uren. Die kosten zijn tastbaar, vergelijkbaar en beheersbaar. Maar de verborgen kosten zitten een laag dieper.
Een mislukte of slecht geland AI-implementatie kost je vertrouwen. Van medewerkers die de tool na één week laten voor wat het is. Van managers die voortaan sceptisch reageren bij elk volgend voorstel. Van een team dat AI niet meer ziet als hulpmiddel, maar als extra administratie. Dat vertrouwen terugwinnen kost meer tijd dan de implementatie zelf.
Waarom gaat automatisering zo vaak mis?
De oorzaak is zelden de technologie. Dat is misschien het meest verrassende inzicht dat we bij Univia keer op keer bevestigd zien. Organisaties die bij ons aankloppen na een eerste mislukte poging, hebben vrijwel altijd gewerkt met tools die technisch prima functioneerden. Het model klopte. De data klopte. De API's draaiden.
Wat niet klopte, was de aansluiting op hoe mensen écht werken. Drie voorbeelden uit de praktijk maken dat concreet.
- Een machinefabrikant implementeert AI voor predictief onderhoud. De tool voorspelt storingen perfect. Maar de meldingen landen in een systeem dat de werkvloer nooit opent. Resultaat: de machine valt tóch uit.
- Een gemeente automatiseert vergunningaanvragen. Eenvoudige gevallen gaan sneller, maar complexe dossiers worden weggefilterd naar een handmatige stapel die inmiddels niemand meer beheert. De doorlooptijd voor die gevallen is langer dan vóór de automatisering.
- Een salesteam krijgt een AI-model dat automatisch CRM-notities aanmaakt. Handig, alleen zijn de samenvattingen 90% accuraat. Dus schrijft iedereen ze alsnog zelf. De tool draait, maar niemand leest de output.
Wat al deze gevallen gemeen hebben: de technologie werkte. De implementatie niet.
Hoe bereken je de kosten van slechte automatisering?
Het probleem met verborgen kosten is dat ze zelden zichtbaar worden in een dashboard. Toch zijn ze reëel en meetbaar, als je weet waar je moet kijken. Denk aan de uren die medewerkers kwijt zijn aan workarounds voor een tool die ze eigenlijk niet vertrouwen. Aan de vergaderingen die worden belegd om te bespreken waarom het systeem niet doet wat het moet doen. Aan de kwaliteitscontroles die handmatig blijven omdat de AI-output net niet goed genoeg is om op te vertrouwen.
Tel daarbij op: de vertraagde adoptie van een volgende toepassing, omdat het team nu terughoudend is. En de reputatieschade intern, als de afdeling die het voortouw nam in AI wordt gezien als degene die 'weer een duur project heeft laten stranden'. Die zachte schade is moeilijk in euro's uit te drukken, maar de impact op besluitvorming en draagvlak is concreet.
Wanneer werkt AI-implementatie wél?
De organisaties waarbij AI daadwerkelijk beklijft, hebben één ding gemeen: ze beginnen bij de mensen, niet bij de technologie. Dat klinkt als een open deur, maar in de praktijk wordt die stap regelmatig overgeslagen. Want het is verleidelijk om te starten met het model, de data en de interface. En te vergeten te vragen: hoe werkt dit team nu écht, en welke wrijving lost dit systeem voor hen op?
Een goed geïmplementeerde AI-toepassing in de logistiek stuurt niet alleen routeoptimalisaties door, maar integreert die in het planningssysteem dat de planner al dagelijks gebruikt. Een AI-assistent bij een overheidsorganisatie levert niet alleen samengevatte beleidsstukken, maar doet dat in het formaat en de workflow die de beleidsmedewerker herkent. Het verschil zit hem niet in de intelligentie van het model, maar in de aansluiting op bestaand gedrag.
Wanneer is AI nog niet de juiste stap?
Eerlijk is eerlijk: niet elke situatie vraagt om AI. Als het onderliggende proces zelf nog niet op orde is, voeg je met AI vooral snelheid toe aan chaos. Een gemeente die haar vergunningsdossiers niet consistent bijhoudt, heeft geen AI-systeem nodig dat die dossiers sneller verwerkt. Ze heeft eerst een werkend proces nodig.
Hetzelfde geldt voor datakwaliteit. AI werkt met patronen in data. Als die data onvolledig, inconsistent of verouderd is, presteert het model navenant. In dat geval is investeren in AI eerder symptoombestrijding dan oplossing.
Lees onze blog over hallucinaties in AI voor meer achtergrond over wat er misgaat als een model werkt met onvoldoende of onbetrouwbare informatie.
Conclusie: de goedkoopste AI is de AI die écht gebruikt wordt
De vraag is niet wat AI kost. De vraag is wat het kost als je het verkeerd doet. Een AI-tool die niemand gebruikt, is niet gratis omdat hij draait. Hij kost elke dag dat hij staat te draaien: vertrouwen, tijd en de bereidheid van je organisatie om de volgende stap te zetten. Bij Univia geloven we dat technologie een hulpmiddel is voor mensen, geen doel op zich. Dat klinkt eenvoudig, maar het vraagt om een andere manier van implementeren: beginnen bij de werkelijkheid van je medewerkers, niet bij de mogelijkheden van het model. Dat is wat wij bedoelen met artificial intelligence, real people.
Benieuwd waar het bij jouw organisatie mis zou kunnen gaan, of juist niet? Kom gerust eens langs voor een kop koffie bij ons op de High Tech Campus in Eindhoven. Dan kijken we samen eerlijk naar de kansen én de risico's.
Altijd als eerste het nieuws van Univia ontvangen?
Volg ons op social media, en houd onze blog pagina in de gaten voor de laatste updates! Of schrijf je nu in voor onze nieuwsbrief!
