AI-automatisering mislukt zelden door slechte technologie.
De tools zijn er. De platformen zijn volwassen. De mogelijkheden zijn reëel. En toch: de meeste automatiseringsprojecten die ik voorbij zie komen, leveren niet wat ze beloofden, of worden na de eerste teleurstelling stilletjes in de la gelegd.
Waarom? Niet omdat de technologie tekortschiet. Maar omdat de randvoorwaarden niet kloppen.
Dit zijn de drie echte oorzaken van mislukte AI-automatisering, en hoe je ze voorkomt.
Oorzaak 1: De scope is te ambitieus, te vroeg
Het begint altijd met enthousiasme. Een presentatie. Een demo die indruk maakt. Een management dat wil laten zien dat het iets doet met AI.
En dan wordt de scope bepaald: "We automatiseren het hele onboardingproces."
Klinkt goed. Voelt daadkrachtig. Maar een onboardingproces heeft tientallen stappen, meerdere systemen, uitzonderingen voor elke afdeling en randgevallen die niemand heeft gedocumenteerd, omdat ze nooit gedocumenteerd hoefden te worden zolang een mens ermee omging.
Automatisering haalt die complexiteit genadeloos naar boven.
Wat werkt: begin met één stap. Niet het hele proces, één concrete handeling die nu handmatig wordt uitgevoerd, waarvan de uitkomst duidelijk meetbaar is. Automatiseer dat. Leer ervan. Bouw dan verder.
Een kleine win die werkt, creëert meer vertrouwen dan een groot project dat half werkt.
Oorzaak 2: Integraties worden structureel onderschat
Dit is misschien wel de meest voorkomende killer van automatiseringsprojecten.
Systemen praten zelden vanzelf met elkaar. Zeker niet in organisaties die door de jaren heen verschillende tools hebben aangeschaft, elk met hun eigen datamodel, hun eigen authenticatiemethoden en hun eigen beperkingen in de API.
Wat er dan gebeurt: de automatisering werkt prima in isolatie, maar zodra je hem verbindt met het HR-systeem, de ticketingtool, het ERP of de identity omgeving, komen de problemen. Velden die niet overeenkomen. Data die op een andere manier is opgeslagen dan verwacht. Systemen die geen webhook ondersteunen. Rate limits die pas onder productiebelasting opvallen.
Integraties zijn geen bijzaak, het zijn het kern-risico van elk automatiserings- project.
Wat werkt: behandel integraties als een apart workstream, met eigen analyse, eigen planning en eigen budget. Doe een API-verkenning voordat je de eerste flow bouwt. En plan expliciet tijd in voor de gevallen waar geen nette API is en je creatief moet zijn.
Oorzaak 3: Verwachtingen kloppen niet, aan beide kanten
"AI doet het voortaan voor ons."
Die verwachting is begrijpelijk, maar gevaarlijk. En hij leeft niet alleen bij management, ook bij de mensen die het project moeten bouwen.
Automatisering vervangt handmatige stappen. Maar om die stappen te kunnen vervangen, moet je ze eerst volledig begrijpen. Je moet de happy flow documenteren. De uitzonderingen in kaart brengen. De foutafhandeling definiëren. De escalatiepaden bepalen.
Dat werk wordt onderschat, omdat het niet "het bouwen van AI" voelt. Het voelt als documenteren, analyseren en procesbeschrijvingen schrijven. En dat klinkt niet zo spannend als de demo.
Toch is het de fundering. Zonder die fundering bouw je een automatisering die voor 80% werkt en voor 20% keihard crasht, precies op de momenten die niemand had voorzien.
Wat werkt: betrek de mensen die het proces dagelijks uitvoeren, vóór je ook maar één flow bouwt. Zij kennen de uitzonderingen. Zij weten waar het nu al fout gaat. Zij kunnen aangeven wat een systeem niet aankan.
En wees eerlijk over wat automatisering wél en niet doet. Het neemt repetitief werk over, het vervangt geen menselijk oordeel in complexe situaties.
Hoe doe je het dan wél goed?
Op basis van de projecten die ik heb begeleid, zijn dit de patronen van succesvolle automatisering:
- Kies het juiste startpunt. Automatiseer een proces dat je volledig begrijpt, dat nu handmatig fout gaat, en waarvan de output meetbaar is. Niet het meest indrukwekkende proces, het meest beheersbare.
- Bouw de happy flow eerst, dan de uitzonderingen. Zorg dat het basispad werkt. Dan pas de rand-cases. Anders bouw je voor altijd aan edge cases en kom je nooit live.
- Zet een mens in the loop voor alles wat niet in de happy flow past. Niet als teken van mislukking, maar als bewuste keuze. Automatisering en menselijk oordeel vullen elkaar aan.
- Meet wat het oplevert. Hoeveel tijd bespaar je? Hoeveel fouten verdwijnen? Wat kost een handmatige uitzondering nog? Zonder meting heb je geen business case voor de volgende stap.
- Plan ruimte in voor leren. De eerste versie is nooit perfect. De waarde zit in de iteratie.
De kern
AI-automatisering heeft enorme potentie. Maar het is geen toveroplossing die je op een bestaand, slecht begrepen proces kunt zetten.
Technologie is zelden het probleem. Scope, integraties en verwachtingen wel.
De organisaties die automatisering écht laten werken, beginnen klein, denken grondig en bouwen systematisch. Ze vieren kleine wins en gebruiken die als springplank naar grotere.
Herkenbaar? Heb je zelf een automatiseringsproject gehad dat niet liep zoals gepland, en weet je achteraf waarom?