Laten we het beestje meteen bij de naam noemen: veel AI-projecten eindigen als goedbedoelde, maar dure mislukkingen. Ondanks alle tijd en energie die erin wordt gestoken, is de conclusie vaak: ‘we hebben het geprobeerd, maar het werkt niet in de praktijk’.
Als consultant zie ik een paar patronen terugkeren die de kans op een mislukking vergroten. Laten we het positief draaien: als je deze misverstanden weet te vermijden, is de kans groter dat je AI-project slaagt.
Dit is echt een veel voorkomend misverstand. Teams beginnen met de vraag welke AI-technologie ze willen implementeren, terwijl ze eigenlijk zouden moeten beginnen met: waarom willen we dat eigenlijk?
Het gevolg: ze storten zich op Large Language Models, Retrieval-Augmented Generation en AI-agents zonder dat ze goed hebben nagedacht over de strategische context.
Het resultaat: dure technische oplossingen die niemand gebruikt.
Dit misverstand komt voort uit het eerste. Als je goed na gaat denken over het doel dat je wilt bereiken met AI, dan kom je er al gauw achter dat AI geen IT-project is, maar een strategisch innovatie-initiatief dat moet bijdragen aan je bedrijfsdoelstellingen.
Zoals we in de IT-sector al jaren ervaren, begint een digitale transformatie nooit met technologie, maar met een heldere langetermijnvisie. Als je weet wat je over een paar jaar wilt bereiken, kun je gaan bepalen welke technologie er nodig is om die doelstellingen te bereiken. Andersom werkt het niet.
Large Language Models en ChatGPT in het bijzonder, zijn zowel een zegen als een vloek voor AI. Ze zijn zó bekend en populair dat het wel lijkt alsof iedereen experimenteert met AI. Dat is ergens goed nieuws. Maar de keerzijde is dat er nogal eens wordt vergeten dat er veel meer AI-oplossingen zijn die misschien wel geschikter zijn voor het probleem dat je wilt oplossen.
Een goed voorbeeld hiervan is kennismanagement, oftewel het systematisch beheren van kennis binnen een organisatie. AI kan hier een rol bij spelen en ervoor zorgen dat de juiste kennis op het juiste moment bij de juiste mensen beschikbaar is. Verschillende soorten AI kunnen hier een rol in spelen:
De output van LLM’s is nogal variabel: als je twee keer dezelfde prompt geeft, is de kans groot dat je twee keer een ander antwoord krijgt. Bovendien volgen de nieuwe versies van LLM’s elkaar in rap tempo op. Hierdoor wordt nogal eens gedacht dat AI-oplossingen niet of nauwelijks kunnen worden getest of onderhouden.
Dat is een misverstand. Duurzame AI-oplossingen zijn wel degelijk mogelijk en wel met robuuste test- en onderhoudsaanpak. Met behulp van uitgebreide testscenario’s, geautomatiseerde validatie en strikt versiebeheer kun je de betrouwbaarheid van output waarborgen, ook bij modelveranderingen. Hier lees je hoe je met engineered prompts de output van taalmodellen voorspelbaar en betrouwbaar kunt maken.
Tenslotte: het succes van elke AI-implementatie wordt voor een belangrijk deel bepaald door waarde die wordt gecreëerd voor gebruikers. En niet alleen door kostenbesparingen of tijdswinst. Natuurlijk is het mooi als je met AI efficiënter kunt werken. Maar de kwalitatieve impact van AI – denk aan gebruikerstevredenheid – is minstens zo belangrijk.
Waarom? Het succes van de inzet van AI valt of slaagt met de bereidheid van je medewerkers om te leren en te veranderen. Dit vereist aandacht voor cultuurverandering, vaardigheidsontwikkeling en aanpassing van werkprocessen. En dus is de impact van AI op de tevredenheid van je medewerkers misschien wel een net zo belangrijke KPI om te meten als tijdswinst of kostenbesparing.