Consumentensucces als misleiding | De grote desillusie: Wanneer kunstmatige intelligentie faalt op de fabrieksvloer

“Illusie van denken”: Waarom de ChatGPT-hype op de fabrieksvloer is gestrand

Terwijl de wereld nog steeds vol bewondering is voor de creatieve mogelijkheden van ChatGPT, speelt zich in de reële economie een heel ander drama af. Nieuwe gegevens tonen aan dat de droom van een AI-revolutie in de industrie dreigt uit te lopen op de duurste teleurstelling in de digitale geschiedenis.

Na de goudkoorts heerst er een kater. Drie jaar lang heeft generatieve kunstmatige intelligentie de krantenkoppen gedomineerd, de aandelenkoersen opgedreven en een tijdperk van onbegrensde productiviteit ingeluid. Maar wie achter de schermen van de glimmende techdemonstraties kijkt en ziet waar echte waardecreatie plaatsvindt – in de productiehallen, logistieke centra en balansen van de industrie – komt bedrogen uit.

Wat in het privéleven prima werkt als chatbot, faalt vaak jammerlijk in de complexe machinerie van de industriële productie. De cijfers zijn alarmerend: terwijl techreuzen triljoenen investeren in datacenters, blijkt uit recente studies van MIT en McKinsey dat 95 procent van de AI-implementaties in bedrijven ineffectief is. In plaats van de beloofde efficiëntie-explosie ervaren we een kostenexplosie zonder rendement op de investering.

Van de "leerachterstand" en een gebrek aan datastrategieën tot de capitulatie van Duitse mkb's: dit artikel legt genadeloos bloot waarom de AI-bubbel op het punt staat te barsten, waarom kunstmatige intelligentie vaak slechts een "illusie van denken" simuleert en waarom 2026 een cruciaal jaar zal zijn voor de gehele technologiesector. Een analyse van de wijdverspreide desillusie – en de vraag wat er overblijft na de hype.

Dit is hiermee gerelateerd:

• "Structureel failliet"? Het verliesgevende bedrijf van ChatGPT: de schokkende waarheid over het bedrijfsmodel van OpenAI

Waarom de droom van de geautomatiseerde fabriek de duurste teleurstelling in de digitale geschiedenis dreigt te worden

Na drie jaar van ongebreidelde hype rond ChatGPT en generatieve kunstmatige intelligentie, dient zich een keerpunt aan. Wat werd aangekondigd als een productiviteitsrevolutie, blijkt steeds meer het klassieke patroon van technologische overdrijving te zijn: indrukwekkende demonstraties botsen met ontnuchterende zakelijke realiteit. Hoewel miljoenen mensen wereldwijd kunstmatige intelligentie gebruiken voor tekst, afbeeldingen en alledaagse digitale taken, is de beloofde doorbraak uitgebleven waar de werkelijke economische waardecreatie plaatsvindt: in productiehallen, assemblagelijnen en complexe industriële processen.

De cijfers spreken voor zich. Een analyse van McKinsey uit 2025 onthult de volledige omvang van de discrepantie: terwijl 78 procent van de bedrijven nu in een of andere vorm kunstmatige intelligentie gebruikt, kan een even groot deel geen meetbaar voordeel ontdekken. Het Massachusetts Institute of Technology gaat in zijn uitgebreide studie zelfs nog verder en komt tot een vernietigende conclusie: 95 procent van alle AI-implementaties binnen bedrijven heeft geen enkele impact op de winst- en verliesrekening. Slechts vijf procent van de pilotprojecten komt zelfs maar van de testfase naar daadwerkelijke productiegereedheid. Wat hier aan het licht komt, is geen tijdelijk aanpassingsprobleem, maar een structureel falen met diepgewortelde oorzaken die verstrekkende gevolgen zullen hebben.

Consumentensucces als misleiding

De wijdverbreide acceptatie van kunstmatige intelligentie in de privésfeer heeft een gevaarlijke illusie gewekt. OpenAI meldt een duizelingwekkend aantal van 800 miljoen wekelijkse gebruikers van ChatGPT in september 2025, een achtvoudige toename sinds november 2023. In Duitsland gebruikt 64 procent van de bevolking minstens één keer per week AI-gestuurde chatbots of spraakassistenten; onder 16- tot 29-jarigen loopt dit percentage op tot 89 procent. Deze indrukwekkende adoptiecijfers wekken de indruk van een technologie die zich succesvol heeft gevestigd. Deze indruk is echter fundamenteel misleidend als men de daadwerkelijke waardecreatie in ogenschouw neemt.

Het consumentengebruik is geconcentreerd op toepassingen met een lage economische impact: het beantwoorden van alledaagse vragen, het maken van tekst voor persoonlijk gebruik en het genereren van afbeeldingen voor entertainment. 87 procent van de gebruikers gebruikt uitsluitend gratis versies van de diensten. Dit feit alleen al illustreert de beperkte bereidheid om te betalen en daarmee de waargenomen economische waarde. Hoewel OpenAI een indrukwekkende geschatte jaarlijkse omzet van 12 miljard dollar genereert, komt dit succes voornamelijk voort uit het grote aantal gebruikers en bedrijfslicenties, en niet uit aantoonbare productiviteitswinsten in de reële economie.

De echte test voor kunstmatige intelligentie ligt niet in het genereren van content voor sociale media of het beantwoorden van triviale vragen, maar in de complexe omgevingen van industriële productie, logistiek en productiecontrole. Daar moeten de systemen omgaan met fysieke processen, uiteenlopende productmixen, veranderende specificaties en complexe machine-ecosystemen. En juist daar worden de tekortkomingen duidelijk.

De productiviteitsparadox keert terug

Wat zich momenteel aftekent, is een zorgwekkende herhaling van een fenomeen dat economen al kennen uit de jaren tachtig: de Solow-paradox. Nobelprijswinnaar Robert Solow merkte in 1987 al op dat het computertijdperk overal zichtbaar is, behalve in de productiviteitsstatistieken. Deze paradoxale situatie herhaalde zich met de digitalisering in de jaren 2000. Volgens gegevens van de OESO steeg de productiviteit in Duitsland, ondanks massale investeringen in digitalisering, tussen 2010 en 2018 slechts met 0,7 procent per jaar. Tussen 1992 en 2010 was deze zelfs met 1,55 procent per jaar gedaald.

We zijn nu getuige van een derde versie van deze productiviteitsparadox, ditmaal met kunstmatige intelligentie als de vermeende gamechanger. Een analyse van McKinsey uit 2025 laat zien dat 92 procent van de bedrijven hun investeringen in AI zal verhogen, terwijl slechts één procent een volwaardige implementatie heeft. Sterker nog, 67 procent meldt dat ten minste één AI-initiatief de algehele productiviteit heeft verlaagd. Deze cijfers onthullen een verwoestende discrepantie tussen investeringsvolume en gerealiseerde rendementen.

De redenen voor deze terugkerende paradox zijn veelzijdig. Een fundamentele uitdaging ligt in de aard van moderne AI-systemen zelf. De momenteel dominante Large Language Models zijn gebaseerd op statistische patroonherkenning in trainingsdata, niet op systematisch logisch redeneren of echt begrip. Een onderzoek van Apple uit juni 2025 vatte het probleem treffend samen: zelfs zogenaamde verklaarbare AI, die het probleemoplossingsproces stap voor stap beschrijft, creëert slechts een illusie van denken. Deze fundamentele beperking maakt de systemen onbetrouwbaar voor toepassingen waar precisie en consistentie cruciaal zijn – precies de eigenschappen die onmisbaar zijn in industriële productieprocessen.

Mislukking in de industriële realiteit

De implementatie van kunstmatige intelligentie in productieomgevingen stuit op een reeks hardnekkige obstakels die niet zomaar met technologische verbeteringen kunnen worden overwonnen. Een onderzoek van MIT wijst de zogenaamde leerachterstand aan als het kernprobleem: de meeste AI-systemen kunnen niet leren van operationele feedback, zich niet aanpassen aan veranderende contexten en zich niet in de loop der tijd verbeteren. Negentig procent van de ondervraagde zakelijke gebruikers geeft de voorkeur aan menselijke collega's boven kunstmatige intelligentie voor complexe, langlopende projecten, omdat de systemen bij elk gebruik uitgebreide input vereisen en geen duurzame context opbouwen.

Deze structurele tekortkoming wordt verergerd door een aantal organisatorische en technische factoren. Het Duitse Economisch Instituut (IW) en diverse brancheonderzoeken schetsen een consistent beeld: 76 procent van de kleine en middelgrote ondernemingen (kmo's) kampt met onvoldoende datakwaliteit en gefragmenteerde datasilo's. 68 procent beschikt niet over een goed ontwikkelde AI-strategie. 82 procent meldt aanzienlijke tekorten aan AI-vaardigheden. Duitsland kampt momenteel met een tekort van 244.000 STEM-professionals, waaronder 29.500 IT-specialisten. Deze cijfers illustreren dat het probleem veel verder reikt dan alleen technologische beperkingen.

Om AI succesvol te implementeren in een productiebedrijf, is een hele reeks randvoorwaarden nodig: hoogwaardige, gestructureerde en geïntegreerde data uit diverse bronnen; een technische infrastructuur voor het vastleggen, opslaan en verwerken van deze data; specialisten met expertise in zowel datawetenschap als de specifieke productieprocessen; organisatiestructuren voor verandermanagement en het bevorderen van acceptatie; en duidelijke governancekaders voor verantwoordelijkheden en risicomanagement. Als zelfs maar één van deze elementen ontbreekt, is de kans groot dat het project mislukt.

De realiteit in Duitse productiebedrijven is ontnuchterend. Een onderzoek van de Universiteit van Koblenz toont aan dat, hoewel twee derde van de 120 onderzochte bedrijven al aangeeft AI te gebruiken, 80 procent daarvan dit pas zo'n twee jaar doet. Een nadere blik op de daadwerkelijke productiepraktijken laat zien dat AI-gestuurde processen voor de meeste productiebedrijven nog ver weg zijn. De grootste hindernis is de consolidatie en beschikbaarheid van data, op de voet gevolgd door het tekort aan geschoolde arbeidskrachten, wat de toch al beperkte IT-middelen verder onder druk zet.

Extreem hoge kosten zonder rendement op de investering

Naast het gebrek aan operationele voordelen lopen de investeringskosten op tot duizelingwekkende proporties. De wereldwijde uitgaven aan AI-datacenters worden geschat op 600 miljard dollar in 2025 en zullen naar verwachting stijgen tot tussen de 3 en 4 biljoen dollar in 2030. Dit komt neer op een jaarlijkse groei van 46 procent. McKinsey voorspelt zelfs een behoefte van 7 biljoen dollar in 2030 alleen al voor datacenterinfrastructuur. OpenAI plant via zijn Stargate-initiatief met Oracle en Softbank datacenters ter waarde van 500 miljard dollar. Mark Zuckerberg, CEO van Meta, verwacht kosten van 600 miljard dollar in 2028.

Deze enorme bedragen moeten zich uiteindelijk wel terugbetalen. Sequoia Capital heeft berekend dat de AI-industrie jaarlijks 600 miljard dollar aan omzet moet genereren om de huidige investeringen te rechtvaardigen, een drempel die op korte termijn bijna onoverkomelijk lijkt. Goldman Sachs heeft ernstige waarschuwingen afgegeven dat investeringen van 1 biljoen dollar in AI mogelijk niet het verwachte rendement zullen opleveren. Analist Jim Covello verwoordde het treffend: Te veel doen aan dingen waar de wereld geen behoefte aan heeft of waar ze nog niet klaar voor is, loopt meestal slecht af.

De energiecomponent is bijzonder problematisch. De capaciteitsprijzen in de cruciale PJM-regio in de VS zijn gestegen tot $329 per megawatt-dag voor het leveringsjaar 2026/2027, een bijna negenvoudige stijging ten opzichte van 2025/2026. Deze kritische druk op efficiëntie dwingt hyperscalers om onmiddellijk energiezuinige architecturen te implementeren. Zelfs met verbeterde architecturen dreigt er echter een kantelpunt halverwege 2026, wanneer het aanbod, gedreven door kapitaaluitgaven, sneller groeit dan het gemonetiseerde gebruik. In dit scenario zouden de kosten per token bijna nul kunnen worden, wat zou leiden tot een snelle waardevermindering van nieuw gebouwde inferentiecapaciteit.

De situatie doet denken aan de dotcombubbel van begin jaren 2000, toen enorme investeringen in glasvezelkabels leidden tot overcapaciteit die nooit volledig werd benut. Veel van de nieuw gebouwde AI-datacenters zouden een soortgelijk lot kunnen ondergaan als de vraag zich niet in het verwachte tempo ontwikkelt. De Gartner Hype Cycle, een beproefd voorspellingsinstrument voor technologiecycli, suggereert dat kunstmatige intelligentie in 2026 de derde fase, het dal van desillusie, zou kunnen ingaan. In deze fase worden beperkingen en hoge kosten pijnlijk duidelijk, leiden schaalbaarheidsproblemen en een gebrek aan levensvatbare bedrijfsmodellen tot het mislukken van veel projecten en het verdwijnen van aanbieders.

De Duitse middenklasse capituleert

Terwijl techreuzen miljarden blijven pompen in kunstmatige intelligentie, is er een opmerkelijke trend zichtbaar bij het Duitse mkb: een strategische terugtrekking. Uit een onderzoek onder 200 mkb-bedrijven, gepubliceerd in januari 2026 door managementadviesbureau Horvath, blijkt dat deze bedrijven in 2025 slechts 0,35 procent van hun omzet aan AI-technologieën zullen besteden, tegenover 0,41 procent in 2024. Dit betekent dat het mkb ongeveer 30 procent minder investeert dan de markt als geheel, een kloof die steeds groter wordt.

De redenen voor deze ontwikkeling zijn veelzeggend. Geopolitieke spanningen hebben veel middelgrote bedrijven onrustig gemaakt en hun focus verlegd naar kostenoptimalisatie. Belangrijker nog is echter dat vroege AI-toepassingen mogelijk niet de gehoopte efficiëntiewinsten hebben opgeleverd. Heiko Fink, studieleider en lid van de raad van bestuur van Horvath, waarschuwt nadrukkelijk: als de AI-transformatie nu niet massaal wordt versneld, zal de technologische kloof uitgroeien tot een existentieel strategisch risico.

De uitdagingen waar kleine en middelgrote ondernemingen (kmo's) voor staan, zijn veelzijdig en diepgeworteld. Bureaucratische obstakels en de trage voortgang van de digitalisering belemmeren hun vermogen om AI te implementeren aanzienlijk. Zorgen over gegevensbescherming en digitale soevereiniteit staan ​​de adoptie verder in de weg. Een uitgebreid AI-onderzoek onder kmo's uit 2025 schetst een dramatisch beeld: hoewel 86 procent het belang van AI erkent, heeft slechts 23 procent daadwerkelijk concrete AI-projecten uitgevoerd. Slechts 32 procent heeft een goed ontwikkelde AI-strategie en slechts 19 procent heeft een speciale AI-manager of -team aangesteld.

Problemen met data blijken een grote achilleshiel te zijn. 76 procent van de kleine en middelgrote ondernemingen (mkb's) kampt met onvoldoende datakwaliteit en datasilo's tussen systemen. 83 procent beschikt niet over een alomvattende datastrategie. 69 procent weet zelfs niet welke data nodig is voor AI-toepassingen. 58 procent mist structuren voor databeheer. Deze cijfers illustreren dat het probleem al lang voor de daadwerkelijke AI-implementatie begint: er is een gebrek aan fundamentele digitale infrastructuur.

Daarbij komt nog het gebrek aan governance. Hoewel 91 procent AI-beveiliging en compliance cruciaal vindt, beschikt 76 procent niet over een governancekader voor AI. Deze discrepantie vormt een aanzienlijk juridisch en reputatierisico, met name in het licht van de EU AI-wetgeving die in augustus 2024 van kracht werd. Hoewel de regelgeving een noodzakelijk kader schept voor verantwoord AI-gebruik, beschouwen veel bedrijven deze als overregulering die hen een concurrentienadeel oplevert ten opzichte van de VS en China. Terwijl Europese bedrijven worstelen met de wirwar aan nieuwe regelgeving, genieten techreuzen in Noord-Amerika en Azië nog steeds relatief vrij spel.

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• De Managed AI Solution - Industriële AI-diensten: De sleutel tot concurrentievermogen in de dienstensector, de industrie en de machinebouw

Waar kunstmatige intelligentie daadwerkelijk toegevoegde waarde creëert

Ondanks het overwegend sombere algemene beeld zijn er gebieden en toepassingen waar kunstmatige intelligentie aantoonbaar toegevoegde waarde genereert. Deze succesverhalen zijn echter zeer specifiek en volgen herkenbare patronen die aanzienlijk verschillen van de mislukte massaprojecten.

Uit een IBM-studie uit oktober 2025 blijkt dat 62 procent van de bedrijven in Duitsland al aanzienlijke productiviteitswinsten boekt dankzij AI. Bijna de helft verwacht binnen twaalf maanden een meetbaar rendement op investering te zien, voornamelijk door een hogere medewerkerstevredenheid, tijdsbesparing en hogere omzet. Een SAP-studie komt tot vergelijkbare conclusies: het gemiddelde rendement op AI-investeringen bedraagt ​​16 procent in het eerste jaar en zal naar verwachting binnen twee jaar bijna verdubbelen tot 31 procent. 64 procent van de respondenten gaf aan tevreden te zijn met hun huidige rendement op investering, hoger dan bij elke andere technologie-investering.

Deze positieve cijfers worden echter aanzienlijk getemperd wanneer men nader bekijkt waar en hoe de waarde wordt gecreëerd. De MIT-studie identificeert een cruciaal patroon: succesvolle AI-implementaties richten zich op backoffice-automatisering, niet op de grootse beloftes van revolutionaire productieprocessen. Documentautomatisering, inkoopprocessen en risicobeoordelingen leveren het hoogste rendement op. Succesvolle implementaties besparen jaarlijks tussen de twee en tien miljoen dollar door de uitbesteding van bedrijfsprocessen te verminderen. De kosten van bureaus dalen met 30 procent wanneer AI-tools creatieve en analytische taken overnemen.

Dit is hiermee gerelateerd:

• Van experimenteren naar opschalen en industrialisatie: Enterprise AI 2026 als keerpunt naar gestructureerde bedrijfsvoering

Een fundamenteel probleem komt aan het licht bij de verdeling van investeringen

Meer dan de helft van de budgetten voor generatieve AI wordt besteed aan marketing en verkoop, terwijl backoffice-automatisering vaak een hoger rendement oplevert. Deze verkeerde allocatie is symptomatisch voor de adoptie van technologie die wordt gedreven door hype in plaats van een rationele kosten-batenanalyse.

In de industriële productie zelf zijn successen sporadisch en beperkt tot specifieke toepassingen. Voorspellend onderhoud, dat machinegegevens gebruikt om slijtage of storingen vroegtijdig te detecteren, laat aantoonbaar succes zien. Autofabrikanten zoals Volkswagen gebruiken AI in hun fabrieken om sensorgegevens te analyseren en zo ongeplande stilstand te minimaliseren. Ford gebruikt AI om productieprocessen zoals lassen en assemblage te automatiseren. General Motors heeft de stilstandtijd met 20 procent verminderd dankzij voorspellend onderhoud.

Kwaliteitscontrole met behulp van computervisie is een ander gebied waar het succes is aangetoond. AI-ondersteunde systemen analyseren camerabeelden in realtime en detecteren zelfs microscopische defecten, waardoor de betrouwbaarheid aanzienlijk toeneemt. Analyse toont aan dat een volledig geïmplementeerde AI-infrastructuur een rendement op investering van 200 tot 300 procent kan opleveren door minder defecten en snellere inspectiecycli. Optimalisatie van de toeleveringsketen en voorraadbeheer behaalt een rendement op investering van 150 tot 250 procent door voorraadtekorten te voorkomen en het beheer van de toeleveringsketen te verbeteren.

Cruciaal is dat deze successen niet voortkomen uit een simpele plug-and-play-implementatie van standaard AI-oplossingen, maar eerder uit een diepgaande, op maat gemaakte integratie in specifieke processen, vergezeld van significant verandermanagement en continue aanpassing. Gegevens van MIT tonen aan dat externe partnerschappen ongeveer twee keer zo vaak productieklaar zijn als interne ontwikkelingen: 67 procent tegenover 33 procent. Succesvolle afnemers beschouwen AI-aanbieders niet als softwareleveranciers, maar als zakelijke partners, en meten succes af aan bedrijfsresultaten in plaats van technische benchmarks.

De schaduw-AI-economie als indicator

Bij nadere analyse van gebruikspatronen komt een fascinerend fenomeen aan het licht: in 90 procent van de onderzochte bedrijven gebruiken werknemers privé-AI-tools voor hun werk, terwijl slechts 40 procent van de bedrijven officiële AI-licenties heeft aangeschaft. Deze zogenaamde schaduw-AI-economie toont een fundamentele tegenstrijdigheid aan: individuen kunnen AI succesvol gebruiken als de tools flexibel en gebruiksvriendelijk zijn. De implementatie binnen instellingen daarentegen mislukt door complexiteit, gebrek aan integratie en organisatorische belemmeringen.

Deze parallelle wereld van onofficieel AI-gebruik heeft verschillende implicaties. Ten eerste laat het zien dat de technologie zelf nuttig kan zijn als deze gemakkelijk beschikbaar is. Ten tweede onthult het een enorm governanceprobleem: 81 procent van de bedrijven heeft geen richtlijnen voor het gebruik van AI-tools. 64 procent heeft zorgen over gegevensprivacy. 73 procent kan de productiviteitswinst niet meten. 58 procent meldt kwaliteitsproblemen met de output van AI. Zonder een holistisch concept voor AI op de werkplek vormen schaduw-IT en inefficiënte toollandschappen een reëel risico.

De discrepantie tussen individueel consumentengebruik en mislukte implementaties binnen bedrijven is symptomatisch voor het kernprobleem van kunstmatige intelligentie in haar huidige vorm. De systemen zijn geoptimaliseerd voor eenvoudige, individuele toepassingen met een laag risico en een lage complexiteit. Ze falen echter stelselmatig wanneer ze moeten worden ingebed in complexe organisatorische contexten met hoge eisen aan kwaliteit en betrouwbaarheid. De zogenaamde leerachterstand – het onvermogen van de systemen om te leren van feedback en zich aan te passen aan de context – maakt ze ongeschikt voor de complexe projecten op de lange termijn die kenmerkend zijn voor industriële ondernemingen.

Branchespecifieke verschillen

De analyse van MIT onthult nog een cruciaal patroon: slechts twee van de negen onderzochte sectoren – technologie en media – vertonen daadwerkelijke structurele veranderingen door kunstmatige intelligentie. In zeven andere sectoren, waaronder de maakindustrie, blijft de transformatie ondanks aanzienlijke pilotactiviteiten uit. Deze sectorspecifieke divergentie is geen toeval, maar weerspiegelt fundamentele verschillen in complexiteit en vereisten.

Technologie- en mediabedrijven opereren in digitale omgevingen met gestructureerde data, een hoge mate van processtandaardisatie en korte iteratiecycli. Hun bedrijfsmodellen zijn gebaseerd op software en digitale diensten, niet op fysieke producten met complexe toeleveringsketens en productieprocessen. Ze beschikken over grote teams van datawetenschappers en AI-experts. Hun bedrijfscultuur is gericht op snelle technologische adoptie. Al deze factoren bevorderen een succesvolle implementatie van AI.

Productie- en industriële bedrijven staan ​​voor totaal verschillende uitdagingen. Productieomgevingen worden gekenmerkt door nuances: variabele productmixen, veranderende specificaties, fluctuerende vraag en complexe machinesystemen. Wanneer AI-modellen deze realiteiten negeren, nemen valse alarmen toe en neemt het vertrouwen van werknemers af. De Manufacturing Leadership Council schat dat het grootste deel van de data uit de praktijk in de productie onbenut blijft. Wanneer de context ontbreekt, is AI vatbaar voor kostbare fouten, zoals het classificeren van procesruis als defecten of het negeren van echte verbeterpunten.

Daarbij komt nog het probleem van gefragmenteerde IT- en OT-landschappen. Architecturen van decennia oud isoleren vaak operationele technologiesystemen, die machinegegevens genereren, van informatietechnologiesystemen, die verantwoordelijk zijn voor proces- en bedrijfsgegevens. Deze fragmentatie vertroebelt cruciale signalen en zorgt ervoor dat AI-modellen werken met een onvolledig, verouderd of inconsistent beeld van de realiteit op de werkvloer. Het overwinnen van deze structurele barrières vereist enorme investeringen in infrastructuur die zich pas op de lange termijn terugbetalen.

Uit het Smart Manufacturing Survey 2025 van Deloitte blijkt dat 92 procent van de fabrikanten gelooft dat slimme productie de concurrentiekracht van de toekomst zal stimuleren, maar dat 84 procent niet automatisch kan reageren op data-intelligentie. Een onderzoek van S&P Global meldt dat 42 procent van de organisaties de meeste AI-initiatieven in 2025 heeft stopgezet, vergeleken met slechts 17 procent in 2024. Een rapport van RAND uit 2024 concludeert dat meer dan 80 procent van de industriële AI-projecten mislukt, een cijfer dat wordt toegeschreven aan de complexiteit van processen, slechte datakwaliteit en een gebrek aan context uit de praktijk.

De omvang van de gebroken beloften

Om de omvang van deze desillusie volledig te begrijpen, is het de moeite waard om terug te kijken naar de beloftes die in 2023 en 2024 werden gedaan. In januari 2025 kondigde OpenAI-CEO Sam Altman triomfantelijk op zijn blog aan dat ze nu wisten hoe ze kunstmatige algemene intelligentie moesten bouwen. Hij beweerde dat AI-agenten later datzelfde jaar een merkbare impact zouden hebben op de bedrijfsresultaten. Vervolgens, in november 2025, beschouwde Altman het als een belangrijke prestatie dat ChatGPT eindelijk streepjes correct kon verwerken. Deze discrepantie tussen ambitie en realiteit illustreert hoe ver de verwachtingen en de werkelijke mogelijkheden uit elkaar lagen.

Het Economisch Onderzoeksinstituut Consult, in opdracht van Google, voorspelde dat het gebruik van generatieve AI de bruto toegevoegde waarde in de Duitse maakindustrie met maximaal 7,8 procent zou kunnen verhogen, oftewel 56 miljard euro. De realiteit is echter heel anders. De arbeidsproductiviteit in de machinebouw en andere sectoren van de maakindustrie is sinds 2018 vrijwel onveranderd gebleven en is slechts met 0,4 procent per jaar gestegen. Tot nu toe is er geen sprake van een AI-dividend.

McKinsey voorspelde dat AI de productiviteit zou verhogen en een enorm potentieel voor de wereldeconomie zou hebben. Goldman Sachs waarschuwde daarentegen dat de technologie, ondanks de hoge kosten, nog lang niet nuttig was. Overdaad aan dingen waar de wereld geen behoefte aan heeft of waar ze nog niet klaar voor is, loopt meestal slecht af. De durfkapitaalonderneming Sequoia en het hedgefonds Elliott zien technologiebedrijven al in een zeepbel verkeren.

De kritische stemmen in de wetenschappelijke gemeenschap worden steeds luider. Cognitief wetenschapper Gary Marcus waarschuwt dat hoewel steeds meer bedrijven experimenteren met de technologie, ze geen substantiële verbeteringen zien. Een onderzoek van Forrester voorspelt dat ongeveer een kwart van de geplande AI-investeringen tegen 2026 zal worden uitgesteld. De Boston Consulting Group schetst een beeld van stagnatie die een hoge prijs heeft gekost: slechts een zeer klein percentage bedrijven is er tot nu toe in geslaagd hun enorme investeringen om te zetten in daadwerkelijke toegevoegde waarde.

De structurele oorzaken van falen

De analyse van mislukte AI-projecten onthult een consistent patroon van structurele oorzaken die niet verholpen kunnen worden door iteratieve algoritmeverbeteringen. Het voornaamste obstakel is een gebrek aan governance. De meeste bedrijven behandelen kunstmatige intelligentie als slechts een IT-project, in plaats van als een ecosysteem dat continu onderhoud vereist. Duidelijke verantwoordelijkheden, risicomanagementkaders en mechanismen voor continue kwaliteitsborging ontbreken.

Het probleem van datavolwassenheid vormt de tweede fundamentele hindernis. Een analyse van technologiebedrijven, gebaseerd op meer dan 20.000 uur onderzoek bij meer dan 50 bedrijven, laat zien dat slechts 14 procent over de noodzakelijke basis beschikt voor een succesvolle implementatie van AI. De meerderheid kampt met gefragmenteerde data, inconsistente systemen en een gebrek aan databeheer. Zonder hoogwaardige, gestructureerde en toegankelijke data blijven zelfs de meest geavanceerde algoritmen ineffectief.

Het tekort aan gekwalificeerd personeel verergert het probleem nog verder. Duitsland heeft momenteel een tekort van 244.000 STEM-professionals, waaronder 29.500 IT-specialisten. Voor informatica-experts, waaronder datawetenschappers en AI-specialisten, zal het tekort naar verwachting oplopen tot 18.655 in 2027. De grootste relatieve toename wordt verwacht onder managers in IT-netwerktechniek en IT-beheer. Bedrijven staan ​​voor het dilemma dat ze expertise nodig hebben voor een succesvolle implementatie van AI, expertise die nauwelijks beschikbaar is op de markt.

Het tekort aan verandermanagement vormt de vierde pijler van falen. Technische implementatie is slechts de helft van het verhaal. Zonder een alomvattend verandermanagement blijft acceptatie uit. Een financiële dienstverlener implementeerde een geavanceerd fraudedetectiesysteem, maar dit had weinig effect door een gebrek aan integratie in het goedkeuringsproces, aangezien medewerkers het systeem regelmatig omzeilden. Operators en engineers zijn vaak sceptisch wanneer AI-aanbevelingen niet overeenkomen met de realiteit op de werkvloer of afkomstig zijn van blackbox-systemen die geen transparante onderbouwing bieden.

Verkeerde toewijzing van middelen verergert deze structurele problemen. Meer dan de helft van de budgetten voor generatieve AI wordt besteed aan verkoop en marketing, terwijl backoffice-automatisering vaak een hoger rendement oplevert. Bedrijven jagen ambitieuze projecten na zonder de fundamentele digitale infrastructuur te hebben opgezet. Ze bouwen voort op perfecte demo-data die in de praktijk direct niet meer werken. Ze onderschatten stelselmatig de inspanning die nodig is voor integratie, onderhoud en continue aanpassing.

De komende vierentwintig maanden vormen een keerpunt

De komende twee jaar zullen cruciaal zijn voor de verdere ontwikkeling van kunstmatige intelligentie in de productie en industrie. Verschillende trends wijzen erop dat 2026 en 2027 een cruciale periode zullen vormen waarin winnaars en verliezers zich duidelijk zullen onderscheiden.

Volgens de Gartner Hype Cycle zal kunstmatige intelligentie in 2026 het dal van desillusie bereiken. Tijdens deze fase worden beperkingen en hoge kosten duidelijk. Schaalbaarheidsproblemen en een gebrek aan levensvatbare bedrijfsmodellen leiden tot het mislukken van veel projecten en het verdwijnen van aanbieders. Deze fase is echter geen catastrofe, maar eerder een noodzakelijke marktcorrectie. Technologieën die de Hype Cycle doorlopen, bereiken na het dal van desillusie het productiviteitsplateau, waar daadwerkelijke waardecreatie plaatsvindt.

De investeringsdynamiek wijst op een mogelijk omslagpunt medio 2026. Als het aanbod, gedreven door kapitaaluitgaven, sneller groeit dan het daadwerkelijke gebruik, zou de prijs per token bijna nul kunnen worden. Dit zou leiden tot een snelle waardevermindering van de nieuw opgebouwde inferentiecapaciteit en enorme afschrijvingen noodzakelijk maken. Bedrijven die te laat beseffen dat hun AI-investeringen geen rendement opleveren, zullen pijnlijke aanpassingen moeten doorvoeren.

Tegelijkertijd ontstaat er een nieuwe generatie AI-systemen, bekend als agentische AI. Deze systemen beschikken over een permanent geheugen en iteratief leren, waardoor ze direct inspelen op de leerachterstand die bedrijven als een belangrijk obstakel zien. Vroege experimenten met klantenservicemedewerkers die autonoom complete vragen afhandelen, of financiële procesmedewerkers die routinematige transacties monitoren, tonen veelbelovende mogelijkheden. Bedrijven die nu investeren in adaptieve, diep geïntegreerde AI-systemen creëren concurrentievoordelen die later moeilijk in te halen zullen zijn.

Het regelgevingslandschap zal ook een cruciale rol spelen. De EU AI-wetgeving schept een bindend juridisch kader met overgangsperioden van zes tot 36 maanden en potentieel aanzienlijke boetes voor niet-naleving. Hoewel dit nalevingsverplichtingen en een administratieve last met zich meebrengt, kan AI Made in Europe ook worden gezien als een kwaliteitskeurmerk. Bedrijven die vroegtijdig aan de nalevingsvereisten voldoen, kunnen zich positioneren als pioniers op het gebied van betrouwbare AI. De vraag is of de Europese regelgeving het gehoopte vertrouwensvoordeel zal opleveren, of dat het vooral een concurrentienadeel zal vormen ten opzichte van de VS en China.

Wat volgt er op desillusie?

De huidige desillusie rondom kunstmatige intelligentie in productie en industrie is geen tijdelijke aanpassingsmoeilijkheid, maar het onvermijdelijke gevolg van te hoge verwachtingen die botsen met structureel onvolledige technologie. De systemen die momenteel als AI worden aangeduid, zijn zeer geavanceerde tools voor specifieke toepassingen, geen universele probleemoplossers. Ze kunnen patronen in data herkennen, maar kunnen niet systematisch en logisch denken. Ze kunnen eenvoudige taken automatiseren, maar kunnen complexe productieprocessen niet zelfstandig optimaliseren. Ze kunnen menselijke expertise ondersteunen, maar niet vervangen.

Dit inzicht betekent niet het einde van AI-innovatie, maar eerder het begin van een meer realistische fase. De bedrijven die de komende jaren succesvol zullen zijn, zijn de bedrijven die kunstmatige intelligentie niet zien als een wondermiddel, maar als een instrument dat zorgvuldige integratie, continu onderhoud en realistische verwachtingen vereist. Ze zullen niet investeren in baanbrekende projecten, maar in de fundamentele digitale basis: datakwaliteit, systeemintegratie, vaardigheidsontwikkeling en verandermanagement binnen de organisatie.

De waardecreatie in de komende jaren zal voornamelijk plaatsvinden in nauw omschreven toepassingen waar de sterke punten van kunstmatige intelligentie, patroonherkenning in grote datasets, automatisering van repetitieve taken en snelle verwerking van gestructureerde informatie tot hun recht komen. Voorspellend onderhoud zal steeds belangrijker worden. Kwaliteitscontrole op basis van computervisie zal ingeburgerd raken. Automatisering van backofficeprocessen zal aanzienlijke kostenbesparingen opleveren. De visie van autonome, zelfoptimaliserende fabrieken zal echter voorlopig nog sciencefiction blijven.

Duitse mkb-bedrijven staan ​​voor een strategisch keerpunt. De huidige terughoudendheid om in AI te investeren is begrijpelijk gezien de teleurstellende resultaten van eerdere projecten. Volledige onthouding is echter niet de oplossing. Bedrijven die nu de fundamentele randvoorwaarden creëren – data-infrastructuur, digitale processen en vaardigheidsontwikkeling – kunnen profiteren van de volgende generatie AI-systemen zodra deze volwassen zijn. Wie blijft afwachten, loopt het risico volledig achterop te raken.

De desillusie rondom kunstmatige intelligentie in productie en industrie is uiteindelijk een noodzakelijke correctie van te hoge verwachtingen. Het dwingt ons om ongemakkelijke realiteiten onder ogen te zien: dat technologie alleen geen transformatie teweegbrengt, dat organisatorische en menselijke factoren minstens even belangrijk zijn als algoritmes, en dat duurzame waardecreatie tijd en systematisch werk vereist. Kunstmatige intelligentie heeft zijn toegevoegde waarde voor tekst en beeld bewezen. Voor de economische component in productie en industrie moet dit bewijs nog geleverd worden, en het valt nog te bezien of en wanneer dat zal gebeuren.

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

 

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen wolfenstein@xpert.digital:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

 

 

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen

Xpert.Digital beschikt over diepgaande kennis van diverse sectoren. Hierdoor kunnen we strategieën op maat ontwikkelen die precies aansluiten op de behoeften en uitdagingen van uw specifieke marktsegment. Door continu markttrends te analyseren en ontwikkelingen in de sector te volgen, kunnen we proactief handelen en innovatieve oplossingen bieden. De combinatie van ervaring en expertise genereert toegevoegde waarde en geeft onze klanten een doorslaggevend concurrentievoordeel.

Meer informatie vindt u hier:

• Profiteer van de 5 expertisegebieden van Xpert.Digital in één pakket – al vanaf €500 per maand