Interne ontwikkeling als kostenval: Waarom de meeste bedrijven een volkomen verkeerde aanpak hanteren ten aanzien van AI en op de verkeerde plek besparen

De 80/20-regel voor AI: wie deze strategie negeert, brengt de toekomst van zijn bedrijf in gevaar

Het tijdperk van dure maar nutteloze AI-experimenten is voorbij. Terwijl wereldwijd miljarden worden geïnvesteerd in het ontwikkelen van eigen kunstmatige intelligentie, onthult een recente studie van het Massachusetts Institute of Technology (MIT) een harde waarheid: 95 procent van deze pilotprojecten slaagt er jammerlijk niet in om echte zakelijke waarde te genereren. In plaats van processen te optimaliseren, ontaarden ze in eindeloze en extreem kostbare "wetenschappelijke projecten". Deze pijnlijke constatering leidt momenteel tot een ongekende verschuiving in de zakelijke markt. Het nieuwe, onontkoombare motto is: kopen in plaats van bouwen. In plaats van schaarse ontwikkelaarsresources vast te leggen in propriëtaire systemen die al verouderd zijn tegen de tijd dat ze klaar zijn, vertrouwen pioniers nu op de zogenaamde 80/20-regel en modulaire platformbenaderingen. Deze analyse laat zien waarom conventionele "one size fits all"-software achterhaald is, waarom op maat gemaakte AI-diensten – zoals die van de veelbelovende startup Unframe AI – de markt revolutioneren, en welke strategische beslissingen het succes of falen in de wereldwijde concurrentie in 2026 zullen bepalen.

Wie in het AI-tijdperk nog steeds vertrouwt op interne ontwikkeling, verbrandt niet alleen geld, maar ook zijn toekomst

De vraag of bedrijven hun AI-oplossingen intern moeten ontwikkelen of deze moeten inkopen bij gespecialiseerde leveranciers, behoort tot de meest dringende strategische beslissingen van 2026. Hoewel er miljarden worden geïnvesteerd in generatieve AI, toonde een veel geciteerd onderzoek van het Massachusetts Institute of Technology (MIT) aan dat maar liefst 95 procent van alle AI-pilotprojecten binnen bedrijven geen meetbare zakelijke waarde oplevert. Tegelijkertijd laten de huidige marktgegevens een dramatische verschuiving zien: binnen slechts één jaar is de verhouding tussen interne ontwikkeling en uitbesteding van AI-oplossingen bijna omgekeerd. In deze dynamische omgeving positioneren bedrijven zoals de Israëlisch-Duitse startup Unframe AI zich met een radicaal nieuw bedrijfsmodel dat de traditionele regels van bedrijfssoftware fundamenteel uitdaagt.

De volgende analyse onderzoekt de economische, technologische en strategische dimensies van het debat over zelf ontwikkelen versus inkopen, aan de hand van recente marktgegevens van Menlo Ventures, Gartner, McKinsey en MIT, en plaatst de bevindingen in de context van een echt bedrijf dat midden in dit transformatieproces opereert.

Een markt in beweging: 37 miljard dollar en een ongemakkelijke waarheid

De cijfers spreken voor zich. Volgens het derde jaarverslag van Menlo Ventures over de stand van generatieve AI in het bedrijfsleven gaven organisaties wereldwijd in 2025 ongeveer 37 miljard dollar uit aan generatieve AI, een verdrievoudiging ten opzichte van de 11,5 miljard dollar van het jaar ervoor. Dit betekent dat generatieve AI al zes procent van de gehele wereldwijde softwaremarkt vertegenwoordigt – een ongekende marktpenetratie in de geschiedenis van de software-industrie. Minstens tien AI-producten genereren nu een jaarlijkse terugkerende omzet van meer dan een miljard dollar, en meer dan vijftig hebben de grens van 100 miljoen dollar overschreden.

Maar achter deze indrukwekkende totaalcijfers schuilt een veel genuanceerdere realiteit. Gartner voorspelt dat de wereldwijde uitgaven aan AI in 2026 $ 2,52 biljoen zullen bedragen, een stijging van 44 procent ten opzichte van het voorgaande jaar. Gartner plaatst de AI-industrie echter expliciet in het zogenaamde Dal van Ontgoocheling voor 2026 en waarschuwt dat AI in de meeste gevallen aan bedrijven zal worden verkocht via bestaande softwareleveranciers, en niet als onderdeel van ambitieuze, baanbrekende projecten. Volgens Gartner-analist John-David Lovelock moet de voorspelbaarheid van het rendement op investeringen eerst verbeteren voordat AI echt op grote schaal kan worden ingezet.

De kloof tussen investeringsvolume en daadwerkelijke waardecreatie is de centrale tegenstrijdigheid van de huidige AI-boom. Bedrijven investeren in recordtempo, maar het grootste deel van deze investeringen wordt verspild aan experimenten, pilotprojecten en proof-of-concepts die nooit productierijp worden. Dit roept de fundamentele strategische vraag op: is het verstandiger om AI-oplossingen intern te ontwikkelen of om ze aan te schaffen?

De grote ommekeer: Waarom bedrijven massaal stoppen met het ontwikkelen van hun eigen AI

Misschien wel de meest opvallende bevinding van 2025 is de complete omkering van de verhouding tussen zelf ontwikkelen en kopen van AI-oplossingen. Volgens Menlo Ventures wordt 76 procent van alle AI-toepassingen binnen bedrijven nu afgedekt door aangekochte oplossingen, terwijl slechts 24 procent intern wordt ontwikkeld. Nog in 2024 was de verhouding bijna 50:50, met 47 procent intern ontwikkeld en 53 procent aangekocht. Binnen slechts twaalf maanden is de markt dus radicaal veranderd.

Deze verschuiving is geen toeval, maar het resultaat van pijnlijke ervaringen. S&P Global Market Intelligence ontdekte in een onderzoek onder meer dan 1.000 bedrijven in Noord-Amerika en Europa dat 42 procent van de bedrijven tegen 2025 het merendeel van hun AI-initiatieven zal hebben stopgezet – een dramatische stijging ten opzichte van slechts 17 procent in 2024. Gemiddeld werd 46 procent van alle haalbaarheidsstudies voor AI stopgezet voordat ze productieklaar waren. De RAND Corporation bevestigt dat meer dan 80 procent van alle AI-projecten mislukt – twee keer zoveel als projecten met niet-AI-technologieën.

De redenen voor het mislukken van interne ontwikkelingsprojecten zijn veelzijdig. McKinsey meldt dat ongeveer 85 procent van alle AI-proof-of-concepts nooit verder komt dan de pilotfase. Een analyse van de Boston Consulting Group onder 1.000 managers uit 59 landen wees uit dat slechts 26 procent van de bedrijven de capaciteit heeft ontwikkeld om verder te komen dan de proof-of-conceptfase, en dat slechts vier procent consistent significante AI-waarde genereert. Analisten van Gartner gaan zelfs zo ver dat ze voorspellen dat in 2027 meer dan 40 procent van de agentgebaseerde AI-projecten zal worden stopgezet vanwege oplopende kosten, onduidelijke zakelijke waarde of onvoldoende risicobeheersing.

Tegen deze achtergrond lijkt de massale verschuiving naar outsourcing een rationele reactie van de markt op een golf van mislukkingen. De boodschap van zakelijke kopers is duidelijk: snelheid in waardecreatie is belangrijker dan perfecte maatwerkoplossingen. Aangekochte AI-oplossingen bereiken aanzienlijk sneller de productiefase en hebben een conversieratio die bijna twee keer zo hoog is als die van traditionele software. Volgens Menlo Ventures bereikt 47 procent van de aangekochte AI-oplossingen de productiefase.

Het MIT-onderzoek en het falen van AI in het bedrijfsleven: een anatomisch onderzoek

De MIT NANDA-studie "The GenAI Divide: State of AI in Business 2025", onder leiding van Aditya Challapally van het MIT Media Lab, is de meest geciteerde referentie geworden over het structurele falen van AI-projecten in het bedrijfsleven. De studie is gebaseerd op 150 interviews met leidinggevenden, een enquête onder 350 werknemers en een analyse van 300 publieke AI-implementaties. De bevindingen schetsen een grimmig beeld van mislukking: 80 procent van de organisaties onderzoekt AI-tools, 60 procent evalueert bedrijfsbrede oplossingen, 20 procent start pilotprojecten, maar slechts vijf procent bereikt de productiefase met meetbare impact op de bedrijfsvoering.

De belangrijkste bevinding van het onderzoek is opmerkelijk omdat ze gangbare excuses weerlegt. Het probleem ligt niet bij de kwaliteit van AI-modellen, ontoereikende infrastructuur of vooral regelgevingshindernissen. Het echte knelpunt is wat de MIT-onderzoekers de "leerkloof" noemen: bedrijfssystemen die zich niet aanpassen, geen feedback opslaan en niet integreren in workflows. Generieke tools zoals ChatGPT werken uitstekend voor individuele gebruikers omdat ze flexibel zijn. In een bedrijfsomgeving worden ze echter statische academische projecten die niet leren van de context en zich in de loop der tijd niet verbeteren.

Een andere bevinding van het onderzoek is bijzonder onthullend: de aanschaf van AI-tools van gespecialiseerde leveranciers en het aangaan van partnerschappen slaagt in ongeveer 67 procent van de gevallen, terwijl interne ontwikkeling slechts in ongeveer een derde van die gevallen succesvol is. Deze bevinding is met name relevant voor de financiële sector en andere sterk gereguleerde industrieën, waar veel bedrijven in 2025 nog steeds probeerden om eigen generatieve AI-systemen intern te ontwikkelen. De MIT-gegevens suggereren dat bedrijven veel vaker falen wanneer ze het helemaal zelf proberen.

Een andere systematische fout betreft de verkeerde toewijzing van middelen. Meer dan de helft van de budgetten voor generatieve AI vloeit naar verkoop- en marketingtools, terwijl de MIT-studie de hoogste ROI (Return on Investment) identificeert in backoffice-automatisering – dat wil zeggen, in het elimineren van business process outsourcing, het verlagen van de kosten van externe bureaus en het stroomlijnen van processen. Bedrijven investeren dus niet alleen verkeerd in het type implementatie, maar vaak ook in de verkeerde toepassingsgebieden.

De 80/20-regel voor AI in bedrijven: een nieuw strategisch paradigma

Door de samenkomst van diverse databronnen en brancheanalyses ontstaat steeds meer een strategisch paradigma dat kan worden omschreven als de 80/20-regel voor AI in bedrijven. Branche-experts en data van analisten zoals Gartner en Deloitte suggereren dat de meeste bedrijven een hybride aanpak zouden moeten volgen: 80 procent van de AI-behoeften wordt gedekt door aangeschafte of abonnementsgebaseerde oplossingen, terwijl 20 procent wordt aangepakt door op maat ontwikkelde interne oplossingen waarbij diepe integratie of uniek intellectueel eigendom cruciaal is.

Deze 80/20-verdeling wordt ook in de praktijk weerspiegeld. Toepassingen die bij uitstek geschikt zijn voor inkoop zijn onder andere IT-ticketingsystemen, kennisgebaseerde zoekfuncties, het genereren van marketingcontent, data-extractie uit ongestructureerde documenten en gestandaardiseerde rapportageoplossingen. Interne ontwikkeling blijft zinvol wanneer er zorgen zijn over intellectueel eigendom of wanneer de AI-oplossing een strategisch concurrentievoordeel oplevert, zoals in kernbanksystemen, eigen handelsalgoritmes of bedrijfskritische beslissingsmodellen.

De economische logica achter deze tweedeling is overtuigend. Outsourcing biedt een snellere time-to-value, voorspelbare kosten dankzij abonnementsmodellen, continue innovatiecycli van de leverancier en het vermijden van interne ontwikkelingsachterstanden. Interne ontwikkeling daarentegen legt beslag op schaarse ontwikkelaarsresources, creëert technische schuld en brengt het fundamentele risico met zich mee dat een intern gelanceerde oplossing al technologisch verouderd is tegen de tijd dat deze is voltooid, omdat de onderliggende AI-modellen in de tussentijd zijn geëvolueerd.

Venturekapitaalbedrijf Andreessen Horowitz (a16z) bevestigt deze trend in zijn analyse van 100 CIO's van grote bedrijven: Recentelijk is er een significante verschuiving van interne ontwikkeling naar outsourcing, nu het ecosysteem van AI-applicaties volwassen wordt. Met name de dynamische prestatieverschillen tussen diverse modellen en de dalende kosten maken het steeds aantrekkelijker om de continue evaluatie en optimalisatie voor elk gebruiksscenario uit te besteden aan een gespecialiseerd AI-applicatieteam bij een externe leverancier, in plaats van dit intern te doen.

Het einde van 'one size fits all': waarom gestandaardiseerde software achterhaald is

Decennialang volgde traditionele bedrijfssoftware een eenvoudig principe: één product voor iedereen. Gestandaardiseerde oplossingen waren ontworpen om een ​​zo groot mogelijk publiek te bedienen met dezelfde functionaliteiten. Dit paradigma staat onder enorme druk in het tijdperk van AI. De formule is veranderd: "Eén maat voor iedereen" wordt "Eén maat voor niemand".

Deze verschuiving heeft diepgaande economische oorzaken. Bedrijven hebben steeds uiteenlopendere behoeften waaraan algemene oplossingen niet langer kunnen voldoen. De toenemende complexiteit van bedrijfsprocessen, de heterogeniteit van IT-landschappen en de stijgende verwachtingen van gebruikers die gewend zijn aan een gepersonaliseerde ervaring bij hun privégebruik van ChatGPT en vergelijkbare tools, maken maatwerkoplossingen essentieel.

Dankzij AI-gestuurde personalisatie kunnen softwareplatformen zich in realtime aanpassen aan het gedrag, de voorkeuren en de specifieke zakelijke uitdagingen van elke gebruiker. De marginale kosten van personalisatie dalen drastisch door AI-gestuurde codegeneratie, refactoring en testen – niet tot nul, maar laag genoeg om het businessmodel voor softwarelevering fundamenteel te herzien. Dit opent deuren naar modellen waarbij elke klant bij registratie een logisch geïsoleerde, cloudgebaseerde versie van de software ontvangt die precies is afgestemd op zijn of haar specifieke behoeften.

Tegelijkertijd veranderen ook prijsmodellen. Resultaatgerichte prijsstelling vervangt steeds vaker het traditionele licentie- of gebruikersmodel. Gartner voorspelde dat in 2025 meer dan 30 procent van de zakelijke SaaS-oplossingen resultaatgerichte componenten zou integreren, vergeleken met ongeveer 15 procent in 2022. Bessemer Venture Partners beschrijft in hun meest recente Pricing Playbook hoe AI-native bedrijven de op gebruikers gebaseerde SaaS-prijsstelling grotendeels verlaten ten gunste van gebruiks-, output- en resultaatgerichte modellen die de omzet direct koppelen aan meetbare resultaten. Voorbeelden zoals Intercom, met $ 0,99 per opgelost verzoek, of Salesforce, met $ 2 per gesprek, illustreren deze ontwikkeling.

Het modulaire principe: hoe modulaire AI-platformen de markt veroveren

Een belangrijk architectuurparadigma dat steeds meer terrein wint in het segment van AI voor bedrijven, is de modulaire aanpak, vaak omschreven als een Lego-achtig bouwsteenprincipe. Het basisidee is dat in plaats van monolithische, rigide AI-systemen te bouwen, oplossingen worden samengesteld uit herbruikbare, verwisselbare bouwstenen die flexibel kunnen worden gecombineerd en vervangen wanneer nodig.

Dit principe biedt drie cruciale voordelen: Ten eerste de flexibiliteit om componenten toe te voegen en te vervangen naarmate er betere technologieën beschikbaar komen. Ten tweede de mogelijkheid om AI-tools te updaten zonder de hele infrastructuur opnieuw op te bouwen. Ten derde de snelheid waarmee waarde kan worden gecreëerd met behoud van aanpassingsvermogen. In een sector waar de onderliggende modellen wekelijks evolueren, is deze flexibiliteit geen prettige bonus, maar een essentiële noodzaak.

De praktische toepassing van dit principe kan worden geïllustreerd aan de hand van het voorbeeld van data-extractie. Er wordt een eerste module ontwikkeld voor het verwerken van commerciële huurovereenkomsten, oftewel complexe documenten van 80 tot 90 pagina's. Deze module is zo generiek ontworpen dat deze met minimale aanpassingen kan worden gebruikt voor financiële rapporten in Excel, cv's of toepassingen met afbeeldingen. Elke nieuwe module breidt de bibliotheek uit en is direct beschikbaar voor volgende klanten. Dit principe van schaalbare herbruikbaarheid vormt de economische kern van het platformmodel: de marginale kosten van elke extra implementatie dalen drastisch, terwijl de kwaliteit toeneemt door de groeiende ervaring.

In de praktijk betekent een modulaire AI-architectuur ook dat verschillende Foundation-modellen voor verschillende taken kunnen worden gebruikt – bijvoorbeeld GPT voor logisch redeneren, Gemini voor architectuurtaken en Claude voor precisiewerk – zonder dat dit de algehele oplossing beïnvloedt. Deze LLM-agnostische aard is een ander belangrijk onderscheidend kenmerk ten opzichte van interne ontwikkeling, die doorgaans gebonden is aan een specifiek model en aanzienlijke migratie-inspanningen met zich meebrengt bij elke modelwijziging.

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:

• Beheerd AI-platform

Unframe AI: een casestudy van het nieuwe businessmodel voor AI in het bedrijfsleven

De Israëlisch-Duitse startup Unframe AI biedt een leerzame casestudy voor de praktische implementatie van de beschreven markttrends. Het bedrijf werd in april 2024 opgericht door Shay Levi, Larissa Schneider en Adi Azarya. Levi was eerder medeoprichter van Noname Security en transformeerde het als CTO tot de eerste unicorn in de API-cyberbeveiligingssector, voordat het voor ongeveer 500 miljoen dollar aan Akamai werd verkocht. Schneider heeft meer dan tien jaar ervaring in de zakelijke technologiesector, waaronder leidinggevende functies bij Nutanix en Noname Security, en een academische achtergrond bij Hult International Business School in San Francisco.

In april 2025 trad Unframe uit de anonimiteit met een totale financieringsronde van $50 miljoen, verdeeld over een seed-ronde van $20 miljoen en een Series A-ronde van $30 miljoen onder leiding van Bessemer Venture Partners. Andere investeerders waren onder meer TLV Partners, Craft Ventures, Third Point Ventures, SentinelOne Ventures, Cerca Partners en Terra Nova Ventures. In minder dan een jaar tijd behaalde het bedrijf miljoenen aan jaarlijkse terugkerende omzet (ARR) en verwierf het tientallen grote zakelijke klanten wereldwijd, waaronder Cushman & Wakefield en Nomura.

Wat Unframe onderscheidt van veel concurrenten is het businessmodel. Het platform is gebaseerd op de zogenaamde Blueprint-aanpak, een methodologie die grote taalmodellen de nodige context biedt om domeinspecifieke resultaten te genereren zonder uitgebreide modeltraining of finetuning. Het bedrijf is LLM-agnostisch, wat betekent dat klanten kunnen wisselen tussen verschillende publieke en private modellen zonder gebonden te zijn aan een specifiek ecosysteem. De prijs is per persoon per jaar in verschillende niveaus (Small, Medium, Large, Extra Large), waarbij alle maatwerkdiensten en de expertise van de AI-productleiders bij het abonnement zijn inbegrepen – geen verborgen kosten of extra toeslagen.

Het meest radicale aspect van het bedrijfsmodel is wellicht het principe van resultaatgerichte betaling: klanten betalen alleen wanneer ze daadwerkelijke impact zien. In een sector waar 95 procent van de AI-projecten mislukt, is dit een gedurfde belofte die alleen kan werken als de implementaties daadwerkelijk waarde creëren. Volgens het bedrijf bedraagt ​​de doorlooptijd van het eerste consult tot een productiegereed, volledig op maat gemaakt oplossing doorgaans enkele dagen, in plaats van de maanden of jaren die in de sector gebruikelijk zijn.

1.670 toepassingsvoorbeelden en geen einde in zicht: de realiteit van de vraag naar AI in grote bedrijven

De omvang van de uitdaging waar grote bedrijven voor staan ​​bij de implementatie van AI, kan worden geïllustreerd met een concreet voorbeeld. Een senior AI-manager bij een van de drie grootste investeringsbanken op Wall Street meldde een achterstand van 1.670 AI-toepassingen die door de operationele afdeling naar haar afdeling waren doorverwezen en die vóór eind 2026 moesten worden geïmplementeerd. De conclusie van deze manager was ondubbelzinnig: zelfs met onbeperkte interne ontwikkelingsmiddelen zou het onmogelijk zijn om dit volume intern te verwerken. Wat nodig was, was een schaalbare aanpak.

Dit voorbeeld is geenszins een uitzondering. JPMorgan Chase heeft momenteel meer dan 1.000 AI-toepassingen in productie, verspreid over risicomanagement, marketing, fraudedetectie en klantenservice. Bank of America heeft $4 miljard van haar technologiebudget van $13 miljard gereserveerd voor AI tegen 2025. Citigroup heeft agentgebaseerde AI getest voor 5.000 werknemers en een bedrijfsbreed initiatief gelanceerd om AI systematisch in al haar processen te integreren. Deze cijfers illustreren dat de vraag naar AI-implementaties in grote ondernemingen de beschikbare interne capaciteit ruimschoots overstijgt.

Uit gegevens van McKinsey blijkt dat hoewel 88 procent van de organisaties AI in minstens één bedrijfsfunctie gebruikt, slechts zeven procent AI bedrijfsbreed heeft geïmplementeerd. De overgrote meerderheid bevindt zich in een tussenfase tussen experimenteren (32 procent), piloten (30 procent) en opschalen (31 procent). De kloof tussen wat bedrijven met AI willen doen en wat ze daadwerkelijk kunnen implementeren, is het grootste knelpunt in de huidige AI-transformatie.

In deze context wordt duidelijk waarom hybride modellen, die de voordelen van interne ontwikkeling (aanpasbaarheid, controle) combineren met de voordelen van outsourcing (snelheid, schaalbaarheid, lagere onderhoudslast), aan belang winnen. Door samen te werken met een gespecialiseerde platformaanbieder kunnen bedrijven de exponentieel groeiende achterstand aan AI-toepassingen systematisch aanpakken zonder hun interne teams te overbelasten.

De bestuursparadox: wanneer AI-agenten uit de hand lopen

Naast de economische aspecten van de beslissing om zelf te bouwen of te kopen, is er een vaak onderschatte dimensie: governance. Dit onderwerp wint aan belang met de opkomst van agentgebaseerde AI-systemen – dat wil zeggen, AI-agenten die niet alleen informatie verstrekken, maar ook autonoom acties kunnen uitvoeren binnen bedrijfssystemen.

Een treffend voorbeeld uit de verzekeringssector illustreert het probleem. De IT-manager van een grote verzekeringsmaatschappij aan de Amerikaanse westkust werd door zijn directie geconfronteerd met de eis om AI-agenten te ontwikkelen, zonder dat het beoogde gebruik ervan duidelijk was. Het idee om businessunits simpelweg een tool te bieden waarmee ze zelfstandig AI-agenten kunnen creëren, brengt aanzienlijke risico's met zich mee: honderdduizenden onbeheerde AI-agenten die autonoom handelen binnen een bedrijf in een sterk gereguleerde sector, vormen een governance-nachtmerrie.

Regelgeving verergert dit probleem nog verder. De EU AI-wet, die sinds augustus 2024 van kracht is, introduceert steeds strengere verplichtingen voor AI-systemen met een hoog risico tegen 2026/2027, waaronder conformiteitsbeoordeling, CE-markering en transparantie-eisen voor algemene AI-modellen. Het Singaporese kader voor agentgebaseerde AI vereist de definitie van de zogenaamde actieruimte (welke tools en systemen een agent mag gebruiken) en duidelijke grenzen aan de autonomie met menselijk toezicht. Het NIST AI Risk Management Framework biedt een leveranciersneutrale structuur voor risicobeheersing, die steeds vaker wordt overgenomen door Amerikaanse bedrijven.

De governance-dimensie heeft aanzienlijke gevolgen voor de afweging tussen zelf ontwikkelen en inkopen. Bedrijven die AI intern ontwikkelen, moeten zelfstandig de volledige governance-infrastructuur bouwen en onderhouden: lifecycle gates, hercertificeringscycli, modelkaarten, red team-testen, monitoring na marktintroductie en incidentworkflows. Gespecialiseerde platformaanbieders kunnen deze governance-vereisten centraal afhandelen en aanbieden als onderdeel van hun standaardoplossing, waardoor de werkdruk voor individuele klanten aanzienlijk wordt verlaagd. In een tijdperk waarin de regelgeving voor AI-systemen exponentieel groeit, wordt governance-expertise een cruciaal concurrentievoordeel voor platformaanbieders.

KPI's of blind vliegen: wat onderscheidt succesvolle AI-projecten van mislukte?

De gegevens zijn duidelijk: de doorslaggevende succesfactor voor AI-projecten is niet de technologie zelf, maar de definitie van duidelijke succescriteria vóór de lancering. De MIT-studie wijst het gebrek aan afstemming tussen technologie en bedrijfsprocessen aan als de voornaamste oorzaak van mislukking. Bedrijven hebben geprobeerd generatieve AI met minimale aanpassingen in bestaande processen te integreren, in plaats van eerst de gewenste impact op de bedrijfsvoering te definiëren en de implementatie daar strikt op af te stemmen.

Volgens de huidige beste praktijken omvat een multidimensionaal KPI-raamwerk voor AI-projecten zes dimensies: zakelijke impact (omzetgroei, kostenbesparing), operationele efficiëntie (processnelheid, foutreductie), risicobeperking (naleving, fraudepreventie), strategische waarde (marktpositie, innovatievermogen), economische efficiëntie (kosten per resultaat) en adoptiegraad (gebruikersacceptatie, penetratie).

Praktische uitvoering is wat winnaars van verliezers onderscheidt. Succesvolle bedrijven definiëren concrete, meetbare doelen voordat een project van start gaat – bijvoorbeeld een nauwkeurigheid van 96 procent met een responsvolledigheidspercentage van meer dan 90 procent. Ze stellen benchmarks vast waaraan ze kunnen meten en creëren transparantie over wat succes precies inhoudt, nog voordat de eerste regel code is geschreven.

Daarentegen slagen de meeste bedrijven er niet in om de vage vraag te beantwoorden: "Wat kunnen we nu eigenlijk met AI doen?" Deze verkennende, ongestructureerde aanpak leidt tot wat experts in de sector 'wetenschappelijke projecten' noemen: technisch interessante demonstraties zonder noemenswaardige zakelijke waarde. Het gevolg is een eindeloze cyclus van experimenten die nooit in productie worden genomen.

De implicaties voor de afweging tussen zelf ontwikkelen en inkopen zijn aanzienlijk. Interne ontwikkelteams richten zich doorgaans op de technologische haalbaarheid en beschouwen de impact op de bedrijfsactiviteiten als een secundaire overweging. Gespecialiseerde platformaanbieders daarentegen, die factureren op basis van resultaten, zijn van essentieel belang om vanaf dag één waarde voor het bedrijf te leveren, omdat hun bedrijfsmodel anders zou instorten. Deze structurele afstemming van prikkels is een vaak onderschat voordeel van het inkoopmodel.

Het snelheidsvoordeel: waarom tijd de meest waardevolle valuta is in de AI-economie

In de AI-economie is tijd de doorslaggevende concurrentiefactor. De technologische ontwikkeling gaat zo snel dat een intern ontwikkelde oplossing al verouderd kan zijn tegen de tijd dat deze is voltooid. In traditionele bedrijfsomgevingen bedraagt ​​de tijd tussen het bedenken van een intern AI-systeem en de gereedheid voor productie doorgaans 19 tot 24 maanden: één tot twee maanden voor de behoefteanalyse, drie tot vier maanden voor de pilotfase en vervolgens nog enkele maanden voor budgetgoedkeuring, leveranciersselectie, juridische en beveiligingscontroles, integratie en uiteindelijk de uitrol.

In deze periode verschijnen tientallen nieuwe Foundation-modellen, ontstaan ​​en verdwijnen complete productcategorieën en verbeteren de benchmarkprestaties aanzienlijk. Menlo Ventures documenteert dat de uitgaven aan code-agents en AI-appbouwers explosief zijn gestegen van bijna nul tot enkele miljarden dollars, omdat modellen nu complete codebases kunnen interpreteren en meerstaps taken volledig autonoom kunnen uitvoeren. Wat begint als state-of-the-art interne ontwikkeling, dreigt na voltooiing een relikwie te worden.

Gespecialiseerde platformaanbieders verkorten deze periode van maanden tot dagen of weken. Ze nemen de complexiteit van constante modelwijzigingen, updates en beveiligingspatches centraal over, waardoor individuele zakelijke klanten hiervan kunnen profiteren zonder zelf middelen te hoeven inzetten. Deze bundeling van innovatiesnelheid is een klassiek voorbeeld van schaalvoordelen: wat een enkel bedrijf nooit zo snel zou kunnen realiseren, wordt via het platform voor velen tegelijk mogelijk.

Bovendien laat het a16z-rapport zien dat de prestatieverschillen tussen diverse modellen steeds kleiner worden, terwijl de kostenverschillen aanzienlijk blijven. In deze situatie verschuift het concurrentievoordeel van modelkeuze naar pure implementatiesnelheid en procesintegratie – precies naar de sterke punten van gespecialiseerde platforms.

De strategische uitzondering: wanneer interne ontwikkeling nog steeds zinvol is

Ondanks alle argumenten vóór outsourcing zijn er duidelijk afgebakende gebieden waar het ontwikkelen van AI-oplossingen in eigen huis strategisch gezien nog steeds verstandig is. Deze gebieden hebben doorgaans een of meer van de volgende kenmerken gemeen: een hoge relevantie voor het intellectuele eigendom van het bedrijf, een directe link met de kernactiviteiten als strategisch onderscheidend kenmerk, of gebruiksscenario's waarbij de AI-oplossing zelf een verkoopbaar product wordt.

Een kernbanksysteem gebaseerd op eigen algoritmes dat een echt concurrentievoordeel oplevert in risicomodellering, is een klassiek voorbeeld van verstandige interne ontwikkeling. Hetzelfde geldt voor eigen handelsstrategieën waarbij AI-logica centraal staat en het openbaar maken ervan aan een externe aanbieder onaanvaardbare risico's met zich meebrengt. In de farmaceutische industrie kan AI-gestuurd moleculair onderzoek zo diep verweven zijn met het DNA van een bedrijf dat uitbesteding noch praktisch noch wenselijk is.

De uitdaging voor besluitvormers ligt echter in het maken van een eerlijke onderscheiding tussen echte strategische onderscheidende factoren en het beruchte "niet hier uitgevonden"-syndroom. Veel bedrijven overschatten het strategische belang van use cases die in werkelijkheid slechts standaardfunctionaliteiten zijn. Een IT-ticketsysteem, een kennisgebaseerde zoekfunctie of het genereren van marketingcontent vallen doorgaans niet onder de categorie strategische differentiatie en leiden, indien intern ontwikkeld, alleen maar tot een kostbare ontwikkelingsachterstand.

De aanbevelingen van brancheanalisten komen steeds meer overeen: het aandeel van 20 procent interne ontwikkeling moet strikt beperkt blijven tot die gebieden die daadwerkelijk een uniek concurrentievoordeel opleveren, terwijl de resterende 80 procent sneller, kosteneffectiever en met aanzienlijk minder risico moet worden afgedekt door gespecialiseerde platformen.

De vallei van desillusie oversteken: een blik vooruit naar 2026 en verder

De voorspelling van Gartner dat AI rond 2026 in het dal van desillusie zal zitten, moet absoluut niet worden opgevat als een pessimistisch signaal. Integendeel, deze fase in de hypecyclus markeert het gezonde punt waarop onrealistische verwachtingen plaatsmaken voor de realiteit en bedrijven de werkelijke sterke punten en beperkingen van de technologie beginnen te begrijpen. Het is de fase waarin puur experimenteren plaatsmaakt voor de koude berekening van het rendement op investering.

De cijfers wijzen erop dat dit rijpingsproces al in volle gang is. De wereldwijde uitgaven aan AI van $ 2,52 biljoen in 2026 en de verwachte stijging naar $ 3,3 biljoen in 2027 tonen aan dat de bereidheid om te investeren onverminderd groot blijft, ondanks teleurstellingen met individuele projecten. Naar verwachting zal AI in 2026 goed zijn voor 41,5 procent van alle IT-uitgaven, en dit aandeel zou in 2027 kunnen oplopen tot meer dan 50 procent. Alleen al investeringen in infrastructuur zullen in 2026 leiden tot een stijging van 49 procent in de uitgaven aan voor AI geoptimaliseerde servers.

Wat verandert, is niet het volume van de investeringen, maar de structuur ervan. Bedrijven worden steeds selectiever in hun AI-projecten en geven de voorkeur aan bewezen resultaten boven speculatief potentieel. Het tijdperk van AI-experimenten maakt plaats voor het tijdperk van AI-productie – en deze productie wordt gekocht, niet zelf ontwikkeld. Voor platformaanbieders die aantoonbaar meetbare zakelijke waarde leveren, opent zich een markt van bijna historische proporties. Voor bedrijven die nog twijfelen tussen zelf ontwikkelen en kopen, wordt de keuze steeds duidelijker: in een wereld waarin snelheid de belangrijkste valuta is geworden en 95 procent van de interne AI-projecten mislukt, is de aanschaf van gespecialiseerde oplossingen niet alleen de meest pragmatische, maar ook de enige economisch superieure strategie voor de overgrote meerderheid van de toepassingen.

De winnaars van deze transformatie zullen de bedrijven zijn die de moed hebben om hun middelen radicaal te richten op de werkelijk strategische 20 procent en voor de overige 80 procent te vertrouwen op slimme partners – partners die sneller, goedkoper en met een aantoonbaar hoger succespercentage leveren. De rest zal in de steek gelaten blijven, ingehaald door hun eigen traagheid in een sector die geen genade kent voor aarzelers.

Ik sta graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen via wolfenstein∂xpert.digital of

U kunt me bellen op +49 7348 4088 965 .

LinkedIn