Bijna derde van organisaties vindt trainen van GenAI lastiger dan gedacht

Het onderzoek, dat uitgevoerd is door Opinium Research onder 1.200 senior managers in de VS, het VK, Frankrijk, Duitsland, Australië en Singapore, wijst naar herkenbare en diverse knelpunten.

Respondenten noemen een gebrek aan mensen met de juiste vaardigheden (29 procent), tools die onbedoeld meer tijd kosten om taken af te ronden (18 procent), en hallucinaties (16 procent) als terugkerende issues. Hallucinaties zijn foutieve of verzonnen uitkomsten van AI‑modellen die overtuigend klinken, maar niet kloppen—een risico als modellen zonder goede data of context worden ingezet.

Goede data is en blijft het grootste probleem

Een kernoorzaak is volgens praktijkexperts de datakwaliteit. Markus Demirci, CEO van Rollio AI, wijst op versnipperde informatie uit legacy‑systemen en ontbrekende context. Modellen die “autonome” taken moeten uitvoeren hebben duidelijke kaders en bedrijfscontext nodig om tot betrouwbare antwoorden te komen. Zonder dat blijven ze, aldus Demirci, op het niveau van “huilende baby’s”: signalen zonder betekenisvolle duiding.

Ook de fit tussen generieke modellen en specifieke bedrijfsdomeinen speelt mee. Brian Shannon, CTO bij Flexera, stelt dat de meeste grote taalmodellen ontworpen zijn voor algemene problemen, terwijl ondernemingen juist wél afgebakende, sectorspecifieke vraagstukken willen oplossen. Die kloof vergroot het risico op teleurstelling wanneer organisaties direct brede AI toepassen op specialistische processen.

Doorzetters komen er wel

Ondanks de opstartproblemen slaat het tij vaak om. 82 procent van de ondervraagde managers zegt (zeer) tevreden te zijn over de uiteindelijke output van hun GenAI‑toepassingen. Die ontwikkeling past bij de bredere trend waarin bedrijven na pilots en iteraties de technologie beter laten aansluiten op processen, data en meetbare doelen.

Volgens Shannon helpt een strakkere doelstelling en meting om waarde zichtbaar te maken: niet “we gaan AI gebruiken”, maar bijvoorbeeld “we verhogen de omzet van productlijn X met 10 procent door AI‑ondersteuning”, en toetsen dat tegen een tijdpad. Voldoet het resultaat niet, dan is dat volgens Demirci juist informatief: bijsturen voorkomt dat organisaties tien keer zoveel investeren in een fout spoor.

Het ABBYY‑rapport schetst zo het dubbele gezicht van GenAI in de praktijk: invoeren en trainen kosten vaak meer moeite dan gedacht, maar bij goede data, duidelijke context en gerichte doelen stijgt de tevredenheid snel.