BLOG – Vrijwel elke organisatie realiseert zich dat generatieve ai (gen-ai) geen tijdelijkheid meer is, maar een strategische ontwikkeling die serieuze aandacht verdient. Of het nu gaat om tools zoals ChatGPT en Copilot, of om gen-ai-maatwerkoplossingen die zich laten integreren in bestaande bedrijfsprocessen en applicaties: de vraag is allang niet meer óf, maar hóé je als organisatie hiermee aan de slag gaat.
Toch is ‘hoe’ in de praktijk precies waar de uitdaging ligt. Veel organisaties voelen de druk ‘iets met gen-ai te willen’, maar weten niet goed waar te beginnen. Er is twijfel over de juiste aanpak, een gebrek aan diepgaande kennis, zorgen over compliance, kosten, veiligheid en ethiek, en vaak simpelweg keuzestress door het snelgroeiende aanbod aan tools, modellen en platformen. Dat leidt tot uitstelgedrag, waarbij het risico bestaat dat kansen worden gemist.
Wat opvalt, is dat veel organisaties die worstelen, vasthouden aan het idee dat ze eerst dé perfecte use-case moeten vinden. Eén toepassing die technisch haalbaar, organisatie breed relevant én direct rendabel is. Die zoektocht naar de heilige graal van gen-ai klinkt logisch, maar blijkt in de praktijk zelden succesvol. Neem nu het implementeren van gen-ai in je klantinteractie-chatbot. Cruciaal dat de output in lijn is met de company tone of voice en gelijk tijdig doodeng om dit als eerste use-case in te zetten. Juist omdat gen-ai zich niet altijd laat voorspellen en zich in elke context anders gedraagt, is het belangrijker om ervaring op te doen dan om vooraf alles uit te denken. Het leerproces is belangrijker dan de perfecte use-case.
Succes
Organisaties die nu al succesvol zijn met gen-ai hebben één ding gemeen: ze zijn gestart. Vaak klein, soms onhandig, maar altijd met de intentie om te leren. En dat leidt tot succes.
Experimenteren leidt tot waardevolle inzichten. Niet alleen over wat er technisch kan, maar ook over de impact op mensen, processen en zelfs hele bedrijfsstrategieën. Want gen-ai verandert niet alleen wát we doen, maar brengt ook nieuwe zaken. Uiteindelijk raakt het alle lagen van je organisatie. Een iteratieve aanpak – fail fast, learn faster – is dus geen risico, maar een strategisch verstandige route.
Begin
Hoe begin je dan wél? Met kleine praktische, afgebakende use-cases bij voorkeur niet in het primaire proces. Denk aan zaken als:
- Het inlezen van ongestructureerde data uit diverse soorten documenten en deze omzetten naar gestructureerde data, eventueel met een menselijke interventie check voor het de achterliggende systemen in gaat;
- Semantisch zoeken in bedrijfsdata, gewoon in natuurlijke taal om grote hoeveelheden ongestructureerde of complexe data te kunnen doorgronden;
- Automatische ondersteuning bij het schrijven van teksten, softwarecode of product-omschrijvingen;
- Het samenvatten en consolideren van rapportages met behulp van gen-ai.
Dit soort toepassingen zijn overzichtelijk, controleerbaar en leveren snel leermomenten op zonder grote risico’s met negatieve impact zelfs als de eerste resultaten niet perfect zijn.
Leerroute
Cloudplatformen zoals AWS met diensten als Amazon Bedrock maken deze leerroute laagdrempeliger dan ooit. Zonder grote investeringen of complexe infrastructuur kun je experimenteren met verschillende foundation models van Anthropic tot Meta, van Amazon Nova tot Mistral. Ook bieden dergelijke platformen controls en guardrails om de risico’s rondom gen-ai onder controle te houden
Modelvrijheid, gecombineerd met vele additionale features tegen een pay-per-use-model, maakt het mogelijk snel en kostenefficiënt ervaring op te bouwen. Je ontwikkelt zo niet alleen technologische voorsprong, maar ook de interne vaardigheden en mindset die nodig zijn om gen-ai duurzaam te benutten.
Kortom, wacht niet op die ene perfecte toepassing. Begin klein, leer snel, en bouw stap voor stap je organisatie om tot een ai-ready-organisatie want in de wereld van gen-ai geldt: het leerproces is waardevoller dan de use-case waarmee je begon.
Jeroen Jacobs, commercial director Cloudar
Van ongestructureerde data naar gestructureerde data met de mogelijkheden van AI klinkt meer als een zoekmachine die handig is met de context. Over de data zullen we het maar niet hebben want Google Dorking 2.0 gaat inderdaad om leren van fouten. De leermomenten zonder grote risico’s met negatieve impact gaan tenslotte om de keerzijde van AI omdat de techniek ook tegen je gebruikt kan worden. Een soort van social engineering die informatie geeft die niet gegeven had mogen worden doordat taal een wapen wordt. Kortom, hoeveel fouten zullen er gemaakt worden als het gaat om:
1. Prompt hardening door de vragen te beoordelen op hun werkelijke merites.
2. Context isolation door een principle of least privilege voor AI Agents.
3. Test niet eenmalig maar doorlopend op de potentiële zwakheden van je AI.
4. Zorg dat je kunt bewijzen dat niet jouw AI model voor de problemen zorgt.
5. Log daarom dus elke vraag die gesteld wordt en het antwoord erop.
Jeroen vergeet dat de controls en guardrails om een data architectuur gaat als we kijken naar de verrassingen in alle ongestructureerde data met Google Dorking 1.0. Het waardevolle leerproces gaat om slimmer dan de machine te zijn want de dure les van vertrouwen gaat om de menselijkheid.