De AI-investeringsval: waarom build vs buy de verkeerde vraag is

Het gemiddelde AI-project bij grote bedrijven loopt 2,7 keer over budget, en meer dan 80 procent van de organisaties rapporteert geen meetbare EBIT-impact op bedrijfsniveau ondanks brede adoptie van AI, volgens McKinsey's State of AI 2025-rapport. De diepere val is niet dat bedrijven slecht zijn in AI. De val is dat de meeste de AI-investeringsbeslissing behandelen als een binaire keuze tussen zelf bouwen of een kant-en-klare tool kopen, en die keuze maken voordat ze begrijpen wat ze daadwerkelijk nodig hebben.

De meeste interne AI-teams en agencies stappen dit kruispunt op met hetzelfde script. De CTO wil bouwen. De CFO wil kopen. Inkoop draait een leverancierslijst, engineering scopt een eigen platform, en zes maanden later heeft het bedrijf of een onafgebouwd prototype waar niemand eigenaar van is, of een SaaS-abonnement dat het verkeerde probleem oplost. Beide kosten kapitaal. De bedrijven die AI-investeringen wel goed doen, zijn niet beter in kant kiezen. Ze zijn beter in volgorde aanbrengen.

De echte faalcijfers

Het zichtbare deel van de faalrate is al stevig. Gartner voorspelde dat 30 procent van de generatieve AI-projecten eind 2025 zou worden afgeblazen na de proof of concept. Latere surveys leggen de lat hoger: ongeveer de helft van de generatieve AI-pilots haalt nooit productie, weggevaagd door slechte datakwaliteit, zwakke risicocontroles of onduidelijke businesswaarde.

Het verborgen deel is erger. Kostenoverschrijdingen liggen gemiddeld op 380 procent bij opschaling versus de pilotprognose, en infrastructuurbeperkingen alleen al verklaren 64 procent van de schaalmislukkingen. De meeste teams budgetteren voor het model en de engineers. Ze budgetteren niet voor de integraties, de monitoring, de toegangscontroles, de juridische review, of de versie van het model die ze achttien maanden later moeten inruilen.

Daar zit de val. Bedrijven framen de beslissing als bouwen versus kopen, terwijl de echte vraag is of ze überhaupt een betrouwbare manier hebben om waarde te meten voordat ze zich aan een van beide paden vastleggen.

Waarom bouwen duurder is dan je denkt

De pitch om te bouwen is verleidelijk: eigen IP, eigen roadmap, geen lock-in. De realiteit is dat een custom AI-build in 2026 tussen de 50.000 en 100.000 dollar kost voor een basis-MVP, en 250.000 tot 400.000 dollar of meer voor een volledig multi-agent systeem. Een eerste custom project, zoals een LLM-aangestuurde supportchatbot, landt typisch tussen 30.000 en 80.000 dollar.

Dat zijn de launchcijfers. De post-launchcijfers zijn waar de buildeconomie uit elkaar valt. Brancheanalyses laten consistent zien dat circa 65 procent van de totale softwarekosten ontstaat na de eerste oplevering. Voor AI specifiek is die ratio slechter, omdat modellen driften, prompts opnieuw afgesteld moeten worden, datasets ververst moeten worden, en onderliggende providers prijzen aanpassen of API's uitfaseren. Een budgetoverschrijding van 2,7 keer is geen verhaal over slecht inschatten. Het is de standaardkostvorm van een systeem dat niemand had geplant te onderhouden.

Bouwen is de juiste zet als de AI-capaciteit de kern-onderscheidende factor van het bedrijf is, als kant-en-klare opties echt niet aan de eis voldoen, en als het bedrijf gedurende meerdere jaren 2 of meer toegewijde engineers kan financieren. Buiten die voorwaarden is bouwen meestal een trage en dure manier om iets na te maken dat al bestaat.

Waarom kopen vaker faalt dan zou moeten

Kopen oogt goedkoper. De meeste mkb-bedrijven geven 500 tot 5.000 dollar per maand uit aan kant-en-klare AI-tools, en enterprise-abonnementen bij grote vendors lopen op naar 5.000 tot 50.000 dollar per maand. Vergeleken met een zescijferige build oogt SaaS als een afrondingsfout.

Vervolgens loopt de rekening op. Per-seat pricing schaalt met adoptie. Per-call pricing schaalt met verkeer. Vendor-roadmaps bewegen in richtingen die niet matchen met wat het bedrijf nodig heeft. Een Gartner-survey uit 2025 onder marketingtechnologie-leiders vond dat 45 procent zei dat AI-agents van vendors niet de beloofde businessprestaties waarmaakten. Het kooppad wordt op twee manieren duur: de variabele gebruikskosten op schaal, en de verborgen kosten van koers wijzigen wanneer de vendor het probleem niet meer oplost.

Kopen is de juiste zet wanneer snelheid van valideren belangrijker is dan maatwerk, wanneer de use case generiek genoeg is dat een vendor met honderden klanten er al voor heeft geoptimaliseerd, en wanneer het bedrijf niet betrouwbaar kan specificeren wat het nodig heeft. Buiten die voorwaarden wordt de SaaS-rekening de echte opportunity cost.

Waar agencies het erger maken

Agencies versterken beide faalmodi. De bouw-georienteerde agency wil het grootste project scopen dat op de brief lijkt, want omzet schaalt met engineeringuren. De koop-georienteerde reseller wil het hoogste tier-abonnement, want commissie schaalt met dealgrootte. De klant eindigt met de duurste versie van het pad waar de agency toevallig in gespecialiseerd is, ongeacht of dat pad past bij de use case.

Gartner voorspelt dat meer dan 40 procent van de agentic AI-projecten eind 2027 gecancelled wordt, met als oorzaak oplopende kosten, onduidelijke businesswaarde en gebrekkige risicocontroles. Agencies zijn geen onschuldige toeschouwers in die statistiek. Veel van die projecten zijn als transformatieprogramma verkocht terwijl het onderliggende probleem opgelost had kunnen worden met een tool van 200 dollar per maand en drie weken procesherontwerp. De cancellatie komt op het moment dat de klant dat doorheeft. De schade is de twaalf maanden aan agency-facturen daartussenin.

Het signaal dat een agency daadwerkelijk is ingericht om het probleem op te lossen in plaats van haar eigen facturen te maximaliseren, is simpel. Ze zijn bereid een kant-en-klare tool aan te bevelen wanneer die past, en ze hebben een geschreven drempel voor wanneer ze een klant zouden adviseren een custom build te stoppen. Als de agency die twee antwoorden niet klaar heeft, is de klant het product, niet de afnemer.

De hybride volgorde die wel werkt

De bedrijven die in 2026 AI het effectiefst uitleveren, behandelen build versus buy niet als een eenmalige beslissing. Ze behandelen het als een volgorde. Ze kopen eerst om de use case met echte gebruikers te valideren tegen laag risico. Ze meten gebruik, retentie en de echte kostencurve, niet de geprognosticeerde. Pas wanneer gebruik boven het economische break-evenpunt komt, of wanneer de vendor niet snel genoeg kan bewegen op eisen, geven ze opdracht voor een custom build.

De break-evenrekensom is concreter dan de meeste teams beseffen. Als de geprognosticeerde SaaS-uitgave boven circa 10.000 dollar per maand uitkomt en blijft groeien, betaalt een custom build van 150.000 dollar zich typisch binnen 15 maanden terug. Onder die lijn is bouwen bijna altijd een slechtere kapitaalsbesteding dan het saaie SaaS-abonnement.

De volgorde keert ook de faalmodus om. Een faalrate van 49 procent van pilot naar productie is catastrofaal als de pilot een custom build is, want de uitgave is verzonken. Dezelfde faalrate is acceptabel als de pilot een SaaS-abonnement is, want opzeggen is één klik. Buildverplichtingen horen na gevalideerde vraag te komen, niet ervoor.

De praktische les

De investeringsval zit niet in build of buy kiezen. De val is een van beide kiezen voordat het bedrijf een gekwantificeerd, geobserveerd antwoord heeft op twee vragen: hoeveel zal dit gebruikt worden, en wat kost het per gebruikseenheid. Zonder die twee getallen zijn beide beslissingen gokken in het donker.

Voor elke AI-investering van significante omvang hoort het team te kunnen noemen: de verwachte maandelijks actieve gebruikers, de verwachte kosten per actieve gebruiker, de verwachte omzet of bespaarde kosten per actieve gebruiker, en wat elk van die getallen zou moeten zijn voordat het project faalt. Als het team die vragen niet kan beantwoorden, is het project nog niet klaar voor een build, en nog niet klaar voor een buy. Het is klaar voor een 30 dagen durende, goedkope pilot met de vendor die het snelst levert.

De AI-investeringsval sluit zich rond bedrijven die vertrouwen verwarren met commitment. Vertrouwen komt voort uit data die het team daadwerkelijk in productie heeft geobserveerd. Commitment komt daarna pas. De meeste mislukte AI-projecten hadden die twee stappen omgedraaid.