Er wordt enorm veel geschreven en gezegd over de AI-revolutie. Voorstanders en tegenstanders vallen over elkaar heen om argumenten aan te dragen waarom AI cruciaal is voor je bedrijf, of juist heimelijk wordt overschat. Maar, wat ik persoonlijk veel te weinig zie, zijn verhalen over daadwerkelijke implementaties van AI-technologie binnen organisaties.
En daarmee doel ik dan niet op het gebruik van ChatGPT op de marketingafdeling om teksten mee te schrijven, maar op de implementatie van AI in de kernprocessen van organisaties.
Werk jij in een organisatie die overweegt om AI een belangrijke rol te geven in de core processen van de operatie? Dan zijn de in dit artikel omschreven learnings wellicht bruikbaar voor je.
Automatisering
Toen ik in 2024 aan boord kwam bij Franke Media, ruim een jaar na de overname door Waterland PE, was de boodschap duidelijk: we zijn de grootste in Nederland en België, maar we willen internationaal opschalen.
Dat was een uitdaging, aangezien we zowel technologisch niet klaar waren voor internationalisatie, en ook geen lokale teams hadden om onze websites te beheren. De mogelijke sleutel tot succes en schaalbaarheid: automatisering middels de inzet van AI.
Al zo’n 12+ maanden werken we met een kernteam aan AI-oplossingen die de repetitieve werkzaamheden binnen ons redactieproces ondersteunen met AI. We ervaren dagelijks wat de mogelijkheden maar ook beperkingen van AI zijn voor het automatiseren van kernprocessen. En, onderweg leren we erg veel bij.
De schitterende quote ‘de reis is de bestemming’ klinkt wellicht als een cliché, maar is absoluut van toepassing in ons geval.
In dit artikel deel ik een aantal van onze learnings. Ter informatie en inspiratie. Mijn dank gaat uit naar Rachel, Noah en Stijn voor hun support aan dit stuk, alsmede de rest van het team dat actief betrokken is bij het testen van de toepassingen.
Kanttekening: we zijn er nog niet, we zitten nog midden in het project, dus dit artikel beschrijft learning tot zo ver.
Implementatie, integratie en optimalisatie zijn je grootste uitdagingen
Econoom Vilfredo Pareto zei het al: 80% van het resultaat komt voort uit 20% van de inspanningen. We kennen deze 80/20 ‘regel’ allemaal, en hij is zeer zeker van toepassing bij het implementeren van AI in de kernprocessen van je organisatie.
Techniek is in rap tempo een ‘commodity’ geworden en daarmee ook allang niet meer de grootste uitdaging binnen automation projecten. 80% van onze oplossing stond binnen 2-3 weken na de kick-off van het project. Waak er dus voor dat je bij het uitrollen van AI binnen je organisatie, niet overmoedig wordt.
In het begin lijk je enorme stappen te maken en onderschat je wellicht de complexiteit. Loop niet te snel de polonaise. Met 80% van de oplossing kun je nog altijd niks. De resterende 20%, bestaande uit implementatie, integratie en optimalisatie, is cruciaal en vele malen complexer.
Daar ligt de echt sleutel tot succes. Hou hiermee rekening in je roadmap. Zorg dat je ruim voldoende tijd inruimt voor deze onderdelen, om niet ontmoedigt te worden.
Het gras is niet groener bij de buurman
De ontwikkelingen binnen AI gaan enorm snel. Er komen steeds meer LLM’s ter beschikking, en de giganten in het speelveld lanceren ook eens in de paar maanden nieuwe versies. Het ligt voor de hand om er vanuit te gaan dat de nieuwe versies altijd beter zijn, maar dit is in praktijk niet altijd het geval.
Nieuw is niet altijd beter, dus ga niet als kip zonder kop aan de slag met het implementeren van de nieuwe versies in je AI-automatisering.
Test de systemen goed, bepaal of het een vooruitgang is door prompts te testen in een testomgeving, en wees selectief met nieuwe versies. De verschillende LLM’s hebben overigens allemaal hun sterke punten, dus in plaats van je oplossing te baseren op 1 van de LLM’s, werkt het in praktijk beter om de resultaten van meerdere LLM’s te combineren.
AI is het instrument, maar je team maakt de muziek
‘Garbage in is garbage out’: een cliché dat we allemaal kennen. Dit gaat in hoge mate ook op voor AI. Sommige publicaties gaan in op de observatie dat kleuters nog altijd sneller kunnen leren dan AI. Of dat zo is, interesseert me om eerlijk te zijn niet zoveel, ik ga liever af op ervaringen.
Onze observaties tonen aan dat AI geweldig werk kan doen, MAAR wel de juiste voeding/input en coaching nodig heeft. Net als bij het opvoeden van een kleuter. En daar heb je toch echt menselijke ervaringen en begeleiding voor nodig.
Kortom, AI kan een geweldig instrument zijn, maar je team maakt de muziek. Om tot succesvolle AI-processen te kunnen komen, is het cruciaal om in detail uit te werken wat jouw huidige proces tot een succes heeft gemaakt.
Bij ons heeft het 10 jaar geduurd om een proces te optimaliseren middels menselijke ervaringen en door gebruik te maken van diverse databronnen. Dat is het werkelijke goud van een AI-automatiseringsproject. De input. De basis. De learnings.
Deze menselijke factor, in combinatie met de ongekende dataprocessing mogelijkheden van AI, maken het tot een wonderlijke combinatie.
AI brengt ongekende schaalbaarheid
Vaak wordt er naar AI gekeken als een forse bedreiging voor de arbeidsmarkt. Als een manier om te besparen op personeelskosten. En, laten we elkaar niet voor de gek houden, deels is het dat ook.
Als vooraanstaande ondernemers zoals Jack Dorsey aankondigen 40% van het personeel te laten gaan vanwege AI, dan is dat niet voor niks, wat we er ook van vinden. Je ogen daarvoor sluiten is het gevaarlijkste wat je als maatschappij kunt doen.
Maar, er is meer dan dat. Waar ik persoonlijk een nog veel grotere meerwaarde zie voor AI, is in schaalbaarheid. Meer doen, met hetzelfde team. Dit zit dus meer op groei, dan op krimp. De AI-oplossingen waar we binnen ons bedrijf aan werken, zorgen voor een ongekende internationale schaalbaarheid, die zonder de komst van AI nooit mogelijk was geweest.
Bankzitters scoren niet
Het is verleidelijk om op de achtergrond te werken aan je AI-oplossingen. Maar, je gaat pas echt leren als je ideeën het levenslicht zien. Dan begint het pas. Vanaf de bank kun je niet scoren, Johan Cruijff zou het gezegd kunnen hebben.
Onze voornaamste learning gedurende de afgelopen 12 maanden, is dat je in een testomgeving op kleine schaal een geweldige oplossing kunt uitwerken, maar dat de praktijk er toch echt anders uitziet.
Ga dus zo snel mogelijk live met je MVP (Minium Viable Product), wacht niet te lang. Ga live, hetzij met deelelementen van je totaaloplossing, en ga op grote schaal ervaren wat het in praktijk doet (en niet doet).
Gebruik daarbij je team, met alle learnings die ze hebben vergaard gedurende jarenlange ervaring, om de oplossingen te testen en van feedback te voorzien. Al doende leert men.
Amor fati: accepteer het lot
Zonder nu echt als een filosoof te willen klinken: ‘Amor fati.’ Het implementeren en integreren van AI-technologie in de kernprocessen van je organisatie is geen ‘walk in the park’. Het is niet iets dat je kunt sturen, want in elke hoek zitten uitdagingen.
Door het proces te accepteren, krijg je veel meer gedaan. Verwacht dan ook niet een homerun te slaan, maar probeer elke dag een honk te stelen. Elke dag een stapje maken en elke dag vooral aanpassen aan de omstandigheden en opgedane ervaringen.
Ik hoop dat onze learnings relevant voor je zijn. Zoals gezegd, zitten wij nog midden in ons implementatie proces, en hebben we nog veel te leren, maar wellicht kunnen onze ervaringen ook jou helpen bij het uitrollen van je eigen AI-oplossingen.
