Het AI-geheugenverlies: waarom enterprise-AI niet van haar fouten kan leren

De leerkloof achter mislukkingen van miljarden

MIT's Project NANDA analyseerde meer dan 300 AI-implementaties en interviewde 52 organisaties om te begrijpen waarom adoptiecijfers zich niet vertalen naar zakelijke waarde. De bevindingen leggen een scherpe kloof bloot: hoewel 80% van de organisaties AI-tools heeft uitgeprobeerd, bereikt slechts 5% van de op maat gemaakte enterprise-oplossingen de productiefase.

De barrière is niet wat bestuurders verwachten. Uit de enquêtegegevens blijkt dat "zorgen over de outputkwaliteit van modellen" op de tweede plaats staat als obstakel voor AI-adoptie, terwijl dezelfde professionals die scepsis uiten vaak dagelijks consumenten-AI-tools als ChatGPT gebruiken voor persoonlijke taken.

Deze paradox kwam duidelijk naar voren in de interviews van de onderzoekers. Een bedrijfsjurist wier kantoor 50.000 dollar uitgaf aan gespecialiseerde software voor contractanalyse, greep steevast terug op ChatGPT voor opstelwerk. "Onze aangeschafte AI-tool leverde starre samenvattingen met beperkte aanpassingsmogelijkheden", legde ze uit. "Met ChatGPT kan ik het gesprek sturen en blijven bijschaven tot ik precies heb wat ik nodig heb."

Maar zelfs ChatGPT stuit op grenzen bij complex werk. Dezelfde juriste merkte op: "Het onthoudt geen kennis over de voorkeuren van cliënten en leert niet van eerdere bewerkingen. Het herhaalt dezelfde fouten en vereist bij elke sessie het uitgebreid aanleveren van context."

Waarom enterprise-AI geen institutioneel geheugen kan opbouwen

Het kernprobleem is geen technische opslag (gesprekken en interacties worden vastgelegd). Het probleem is dat de meeste enterprise-AI-systemen deze data niet kunnen omzetten in adaptief gedrag. Ze slaan informatie op, maar kunnen niet leren van patronen, correcties onthouden of hun antwoorden laten evolueren op basis van feedback uit de organisatie.

Toen MIT-onderzoekers de belemmeringen voor integratie in werkprocessen in kaart brachten, noemden gebruikers steevast problemen die met leren te maken hebben:

65% meldde systemen die "niet leren van onze feedback"

60% noemde "te veel handmatige context die elke keer nodig is"

55% wees op het onvermogen om "aan te passen aan onze specifieke workflows"

45% noemde systemen die "vastlopen in randgevallen en zich niet aanpassen"

Dit zorgt voor een duidelijke tweedeling in voorkeuren. Voor eenvoudige taken zoals het opstellen van e-mails of basisanalyses geeft 70% van de medewerkers de voorkeur aan AI. Voor complexe projecten van meerdere weken die continuïteit vereisen, kiest 90% voor menselijke collega's. De scheidslijn is niet intelligentie, maar het vermogen tot adaptief leren.

De schaduweconomie die wél werkt

Terwijl officiële AI-initiatieven stilvallen, floreert er een "AI-schaduweconomie". MIT stelde vast dat bij 90% van de onderzochte bedrijven medewerkers regelmatig persoonlijke AI-tools voor het werk gebruikten, terwijl slechts 40% officiële AI-abonnementen had aangeschaft.

Dit schaduwgebruik laat zien wat daadwerkelijk werkt: flexibele tools die zich binnen gesprekken aanpassen, ook al kunnen ze geen kennis tussen sessies vasthouden. Vooruitdenkende organisaties bestuderen deze patronen voordat ze investeren in enterprise-alternatieven.

Wat succesvolle adopters onderscheidt

De 5% van de organisaties die de zogenoemde "GenAI Divide" overbruggen, hanteren vergelijkbare aanpakken. Ze behandelen AI-leveranciers eerder als zakelijke dienstverleners dan als softwarebedrijven, eisen diepgaande workflowaanpassing en meten succes aan operationele resultaten in plaats van technische benchmarks.

Cruciaal is dat ze prioriteit geven aan systemen met leervermogen. Uit het onderzoek bleek dat 66% van de bestuurders AI wil die leert van feedback, terwijl 63% contextbehoud tussen interacties eist.

Externe samenwerkingen blijken twee keer zo succesvol als interne ontwikkeling. Hoewel 60% van de organisaties AI intern probeert te bouwen, bereikt slechts 33% de implementatiefase, tegenover 66% bij samenwerkingen met leveranciers. Gespecialiseerde aanbieders kunnen hun middelen richten op het oplossen van de uitdagingen rond adaptief leren waar interne teams mee worstelen.

Werkelijke impact meten

Organisaties die het leerprobleem oplossen, vinden rendement op onverwachte plekken. Hoewel 50% van de AI-budgetten naar sales en marketing gaat, komen de meest opvallende besparingen vaak voort uit automatisering van backofficeprocessen.

Het onderzoek documenteerde meetbare resultaten:

Frontoffice: 40% snellere leadkwalificatie, 10% betere klantretentie

Back office: $2-10 miljoen jaarlijkse besparing door het beëindigen van BPO-contracten, 30% lagere kosten voor externe bureaus, $1 miljoen bespaard op uitbestede compliance

Opvallend is dat succesvolle implementaties hun ROI realiseerden via lagere externe uitgaven en niet via inkrimping van het eigen personeelsbestand.

De evolutie van de infrastructuur

De AI-sector pakt de leerkloof aan met nieuwe technische frameworks. Microsoft 365 Copilot beschikt inmiddels over persistent geheugen, terwijl de geheugenbèta van OpenAI's ChatGPT op vergelijkbare trends in consumententools wijst.

Opkomende protocollen zoals Model Context Protocol (MCP) en NANDA maken AI-systemen mogelijk die context behouden over interacties heen en samenwerken met andere systemen. Eerste experimenten laten klantenserviceagents zien die complete vragen end-to-end afhandelen en financiële verwerkingssystemen die beter worden door gebruik.

Het venster dat sluit

De adoptie van AI in de enterprise nadert een kantelpunt. Organisaties die nu investeren in lerende systemen bouwen overstapkosten op die maandelijks verder oplopen. Zoals een CIO in de financiële dienstverlening het uitlegde: "Het systeem dat het beste leert van en zich aanpast aan onze specifieke processen, wint uiteindelijk onze business. Zodra we tijd hebben geïnvesteerd in het trainen van een systeem om onze workflows te begrijpen, worden de overstapkosten prohibitief."

Het onderzoek wijst op een duidelijke scheidslijn die ontstaat tussen organisaties die adaptieve AI-systemen uitrollen en organisaties die blijven hangen in statische tools die voortdurend opnieuw getraind moeten worden.

De AI-strategie op de proef stellen

Voorafgaand aan de volgende AI-investering adviseren onderzoekers een eenvoudige toets: leert dit systeem van feedback uit de organisatie en verbetert het zijn prestaties in de loop van de tijd? Zo niet, dan sluit de organisatie zich mogelijk aan bij de 95% van de bedrijven die ontdekken dat AI zonder leervermogen weinig waarde op lange termijn oplevert.

Early adopters boeken al resultaten met deze aanpak. Eli5, gespecialiseerd in AI-systemen met leervermogen, heeft adaptieve oplossingen geïmplementeerd voor organisaties zoals Pacmed en Esomar. Deze implementaties laten zien hoe AI-systemen die organisatiekennis vasthouden en zich door gebruik verder ontwikkelen, de duurzame waarde kunnen leveren die statische implementaties keer op keer niet weten te realiseren.

Het bewijs wijst erop dat geheugen en aanpassingsvermogen (en niet ruwe rekenkracht) bepalen welke AI-investeringen een duurzaam concurrentievoordeel opleveren. Organisaties die vandaag kiezen voor lerende systemen, positioneren zich aan de winstgevende kant van de GenAI-kloof.

* Bron: De GenAI-kloof: de stand van AI in het bedrijfsleven 2025S