BLOG – Ai staat op de agenda van elke boardroom, maar de stap van experiment naar structurele uitvoering blijkt voor veel organisaties nog te groot. Zo zegt nog niet eens de helft van de organisaties wereldwijd klaar te zijn voor grootschalige adoptie. Veel bedrijven worstelen nog met de vraag waar ai nu écht waarde oplevert.
Het antwoord ligt zelden in grootschalige, allesomvattende ai-programma’s die in een keer van scratch af aan worden opgebouwd. Een gefaseerde, return-on-investment (roi)-gedreven aanpak waarin waarde snel wordt bewezen, opgeschaald en uiteindelijk geïndustrialiseerd, levert meer succes op. Uit welke fases bestaat zo’n roi-gedreven aanpak?
- Fase 1: Bewijs snel waarde
De eerste fase draait om focus en discipline. In plaats van ai breed uit te rollen, selecteren organisaties ‘thin-slice’ use-cases voor veelvoorkomende processen die vaak een knelpunt vormen. Denk aan wachtwoordresets, orderstatusvragen, factuurbeoordelingen of het samenvatten van field service-notities.
Cruciaal in deze fase is het vastleggen van de nulmeting. In nauwe samenwerking met financiële afdeling worden verschillende parameters objectief vastgesteld, zoals sla’s, average handle time en klantbeoordelingsscores. Op basis daarvan worden drempelwaarden afgesproken. Dit voorkomt dat ai-initiatieven blijven hangen in ‘interessant, maar onduidelijk rendement’. Integendeel: het biedt objectief inzicht in de meerwaarde van een ai-use-case.
Daarnaast worden eenmalig randvoorwaarden ingericht, zodat elke nieuw use-case automatisch dezelfde beheerlaag krijgt. Denk aan toegangscontrole, prompt-hygiëne, menselijke verificatie en continue evaluatie. Door governance vooraf te regelen, kan de organisatie later sneller schalen.
- Fase 2: Schaal wat werkt, stop wat niet werkt
Waar fase 1 bewijst óf ai waarde kan leveren, draait fase 2 om hóé die waarde duurzaam wordt vergroot. Door continu te meten hoeveel waarde ai-oplossingen opleveren, wordt inzicht gecreëerd in waar de winst wordt geboekt. Menselijke verificatie is hierbij onmisbaar om hallucinatie en bias te voorkomen.
Opschaling gebeurt via dezelfdeworkflow. Organisaties breiden stap voor stap uit: van eenvoudige deflectie (vragen afvangen) naar het prioriteren en toewijzen van issues, samenvattingen en uiteindelijk (semi-)automatische afhandeling. Dit volgt het natuurlijke pad van eerst processen optimaliseren en daarna pas de stap zetten naar automatisering.
Om schaalbaarheid te waarborgen, wordt een herbruikbaar playbook vastgelegd: templates, prompt-packs, goedkeuringsflows en dashboards. Hierdoor kunnen use -ases snel worden gerepliceerd over meerdere landen en businessunits heen, met waar nodig varianten voor lokale dataopslag en compliance.
Use-cases die structureel onder de roi-drempels blijven, worden vervolgens bewust afgebouwd. Dit is geen falen, maar een teken van ai-volwassenheid.
- Fase 3: Van experiment naar productie
In de derde fase verschuift de focus van losse use-cases naar portfolio-discipline. Initiatieven worden geprioriteerd op basis van aantoonbare kpi-impact: productiviteit, efficiëntie, klantervaring en kostenreductie. Productiviteits- en efficiëntiewinst zijn hiervan de belangrijkste en zouden leidend moeten zijn in de ai-roadmap.
Minstens zo belangrijk is talent en verandermanagement. ai-adoptie piekt vooral binnen functies op HBO+-niveau, binnen deze groep is het potentieel dus het grootst. Door deze werknemers actief mede-eigenaar te maken van de ontwikkeling van ai-agents en -oplossingen, ontstaat vertrouwen én betere kwaliteit. Dit zorgt voor een vliegwiel voor verdere adoptie binnen de organisatie.
Tot slot worden risk en governance opgeschaald. Richtlijnen en compliance-processen worden gestandaardiseerd. Niet verrassend is dit voor de meeste organisaties de meest effectieve én meest gebruikte maatregel om ai veilig en verantwoord onderdeel te maken van de operationele werkzaamheden.
Van belofte naar structurele waarde
Een succesvolle ai-strategie is geen technologische sprint, maar een bedrijfsmatige discipline. Door klein te beginnen, scherp op roi te sturen en alleen op te schalen wat bewezen waarde levert, transformeert ai van een belofte naar een structurele motor voor productiviteit en groei. Organisaties die deze aanpak volgen, implementeren niet méér ai – ze realiseren vooral méér rendement.
Alex Hendrikse, business development lead EMEA North ServiceNow
Fase 1 gaat om het definiëren van de waarde omdat de governance van de use case om de valsheidscore van Jack gaat. De schaal van fase 2 is afhankelijk van fase 1 als de hallucinaties om de snelheid van de leugen gaan. De leugentesten van Jack falen op de vooringenomenheid van zijn prompting door het doorvragen naar het onverwachte. Fase 3 van het opschalen van de leugen gaat niet om de ROI maar de bruikbaarheid van AI binnen het proces want het realiseren van meer rendement gaat nog weleens ten koste van de integriteit.
Service kost geld dus als je daarop kunt bezuinigen met een chatbot dan haal je meer rendement, de AI van RTFM is volwassen maar nog niet zo menselijk dat je er verschil meemaakt. Klantervaring en kostenreductie gaan hierdoor om de valsheidscore van Jack als je zorg geeft aan wat klein is. Het woord geïndustrialiseerd is dan ook de start van een prompting discussie met een chatbot in plaats van de mens als we het MBA geleuter terugbrengen naar het menselijke pad van processen optimaliseren, meer rendement of meer vreugde?
Zoals gevraagd:
https://chatgpt.com/share/69b7c80d-b3f0-8006-bb75-33b9044b9082
PS. het heeft geen zin om met andere resultaten van ChatGPT (of iedere andere LLM) te komen zonder het delen van een link naar de chat.
Geleuter is hier inderdaad wel van toepassing.
In het artikel waarin niets specifieks mbt AI wordt vermeld.
Het gaat gewoon over business cases in het algemeen.
Doorgaan als het meer oplevert dan kost, anders niet. Duhh
Wat reacties betreft nog erger.
Hoezo waarde bewijzen als het antwoord toch altijd Betekenis-gedreven architectuur is en de prompting daarnaartoe gemanipuleerd wordt.
“interessante lens” of “blinde vlek” ?
Het meest merkwaardige is dat het artikel over volgende fases gaat
Fase 1: bewijs snel waarde
Fase 2: Fase 2: Schaal wat werkt, stop wat niet werkt
Fase 3: Van experiment naar productie
Hoewel ik meermaals naar concrete praktijksvoorbeelden heb gevraagd, lijkt de hele betekenis gedreven architectuur nergens toegepast.
Het gaat al dus al mis bij de eerste fase.
Interessante is overigens dat “toepassing” de betekenis van applicatie is.
Maar de reacties sluiten dus wel mooi aan op het artikel.
Een vliegwiel van geleuter.