Van AI-experiment naar schaalbare waarde
Veel organisaties zijn op dit moment aan het experimenteren met AI. Dat begint vaak klein. Een medewerker probeert een nieuwe tool, bouwt een agent of kijkt hoe AI een onderdeel van zijn werk kan ondersteunen. Maar vanaf wanneer is iets eigenlijk een experiment? En hoe zorg je ervoor dat succesvolle experimenten uiteindelijk ook op schaal waarde opleveren?
Een experiment is vooral iets wat in een kleinere setting gebeurt, waarbij de uitkomst nog onzeker is. Een mooi voorbeeld daarvan is een arbodienstverlener waar een bedrijfsarts begon met experimenteren met AI. De vraag was simpel: kan AI meeluisteren tijdens gesprekken, automatisch samenvattingen maken, een dossier opbouwen en zelfs terugkoppelingsbrieven opstellen?
Technisch bleek dat goed mogelijk. Maar daarmee ben je er nog niet.
Eerst bepalen welke waarde je zoekt
Organisaties kijken vaak te snel naar de technologie en te weinig naar het doel dat ze willen bereiken.
Veel mensen herkennen het wel: een nieuwe AI-tool uitproberen, kijken welke plaatjes je kunt genereren of testen of een tool zelfstandig een website kan bouwen. Leuk, maar wat heb je dan eigenlijk getest?
Een experiment wordt pas echt interessant als duidelijk is in welk proces je AI wilt inzetten en welke waarde je wilt realiseren. Pas dan kun je ook bepalen wanneer de kwaliteit goed genoeg is.
Een samenvatting van een gesprek kan bijvoorbeeld voor verschillende doelen worden gebruikt. Voor eigen dossiervorming gelden andere eisen dan voor een brief richting een werkgever of werknemer. Hetzelfde AI-model kan dus heel verschillende toepassingen hebben, met verschillende kwaliteitseisen.
Tijd besparen is niet hetzelfde als waarde creëren
Veel AI-initiatieven beginnen vanuit het idee van efficiency. Minder administratieve lasten, minder handwerk en dus tijdswinst.
Maar wat gebeurt er vervolgens met die gewonnen tijd?
Dat blijkt vaak een interessanter gesprek dan de tijdsbesparing zelf. Een CFO kijkt misschien direct naar kostenbesparing of extra omzet. Andere professionals zien juist kansen om meer tijd aan klanten, cliënten of patiënten te besteden.
Daarnaast is de praktijk vaak weerbarstig. Stel dat een medewerker tijdens een consult van dertig minuten drie minuten administratie bespaart. Kun je die drie minuten daadwerkelijk benutten? Kun je daardoor een extra afspraak inplannen? Of stijgt vooral de kwaliteit van het gesprek?
Dat zijn vragen waarop organisaties vaak nog geen eenduidig antwoord hebben wanneer ze hun eerste experimenten starten.
Experimenteren kost eerst tijd
Een veelgemaakte fout is de verwachting dat er direct rendement ontstaat.
In de praktijk kost experimenteren juist vaak extra tijd. Mensen moeten leren werken met nieuwe tools en ontdekken welke toepassingen wel en niet werken. Daardoor lijkt de investering in het begin soms groter dan de opbrengst.
Dat is niet erg. Er hoort een leerpad bij. De tijd die je in het begin investeert, moet zich uiteindelijk later terugverdienen.
Van één experiment naar honderd
Wanneer organisaties steeds meer AI-initiatieven starten, ontstaat een nieuwe uitdaging: hoe schaal je succesvolle experimenten op?
Daarbij speelt technologie een belangrijke rol. Wat op de laptop van één medewerker werkt, werkt niet automatisch voor de rest van de organisatie. Organisaties doen er daarom goed aan vroeg na te denken over een AI-platform dat opschaling mogelijk maakt.
Juist daar lopen veel organisaties tegenaan. Ideeën zijn er genoeg, maar de infrastructuur om ze breed beschikbaar te maken ontbreekt vaak nog.
Als er vervolgens tientallen of honderden experimenten zijn, moet je keuzes maken. Welke initiatieven leveren de meeste waarde op? Welke passen bij de strategie? En welke verdienen een plek in het bredere portfolio?
In veel organisaties zie je daarbij een onderscheid ontstaan tussen toepassingen die medewerkers zelf kunnen bouwen en gebruiken, en toepassingen die centraal ontwikkeld en beheerd moeten worden omdat ze een groter deel van de organisatie ondersteunen.
Niet alles hoeft AI te worden
De focus van AI verschuift voortdurend. Eerst waren er vooral AI-teksten, daarna kwamen AI-video's en inmiddels zien we steeds meer agents.
Tegelijkertijd groeit bij sommige mensen ook een zekere AI-vermoeidheid. Denk aan de standaard LinkedIn-berichten en geautomatiseerde salesmails die allemaal op elkaar beginnen te lijken. Juist doordat iedereen dezelfde hulpmiddelen gebruikt, neemt het onderscheidend vermogen af.
Dat leidt tot een bredere vraag: willen we eigenlijk wel overal AI gebruiken?
Een misschien wat verassende vergelijking is die met kunstgras. Kunstgras is ten opzichte van ‘gewoon’ gras praktisch, vraagt weinig onderhoud en werkt prima in sommige situaties. Maar midden in de polder, bij een oude boerderij, voelt het toch wat misplaatst en is de vorm misschien behouden, maar de functie totaal anders.
Hetzelfde lijkt ook voor AI te gelden. Er zijn genoeg processen waarin de menselijke factor niet zo belangrijk is. Daar kan AI enorm veel waarde toevoegen. Tegelijkertijd zijn er genoeg situaties, zowel privé als professioneel, waar het menselijke contact juist essentieel blijft.
De menselijke factor blijft belangrijk
Ook in het adviesvak verandert AI het werk. Het maken van documenten, analyses en presentaties wordt steeds makkelijker ondersteund door AI.
Maar de echte waarde zit vaak niet in wat er op papier staat. Het gaat om het creëren van draagvlak, het begeleiden van veranderingen en het daadwerkelijk laten landen van oplossingen in een organisatie.
Juist dat onderdeel wordt belangrijker naarmate AI beter wordt in het produceren van content.
Blijf experimenteren, maar wel met een doel
Blijf vooral experimenteren. Experimenteren helpt om de mogelijkheden van AI te ontdekken en creatief na te denken over nieuwe toepassingen.
De organisaties die uiteindelijk de meeste waarde uit AI halen, zijn niet per se de organisaties met de meeste experimenten. Het zijn de organisaties die vooraf helder hebben welke waarde ze zoeken, bewust kiezen wat ze wel en niet willen opschalen en kritisch blijven kijken waar AI daadwerkelijk iets toevoegt.
Want uiteindelijk gaat het niet om AI zelf. Het gaat om wat je ermee bereikt.
