Waarom u geen AI inzet

Stel je het volgende scenario voor. Een (omvangrijk) team bij een groot bedrijf schrijft klantendocumenten in antwoord op verzoeken van klanten. Ze vragen hulp aan het automatiseringsteam om hun repetitieve taken te verminderen. Het automatiseringsteam schakelt een AI-bedrijf in, dat een ML-model ontwikkelt dat de klantdocumenten automatisch genereert en menselijke tussenkomst vrijwel overbodig maakt. Het prototype werkt verbazingwekkend goed en zowel het AI-bedrijf als het automatiseringsteam staan te popelen om het in productie te nemen, omdat de kostenbesparingen en de snelheid en kwaliteit van de respons aan klanten aanzienlijk zullen verbeteren.

Klinkt als een succesverhaal, toch? Nou, in dit geval, en ook in andere gevallen die ik heb gezien, slaagde het bedrijf erin de nederlaag uit de kaken van de overwinning te grijpen. De oplossing werd niet geïmplementeerd. Het is waarschijnlijk niet het einde van het verhaal en hopelijk wordt de oplossing in de toekomst alsnog uitgerold, maar het bedrijf ondervindt een aanzienlijke vertraging bij het plukken van de vruchten van wat een eenvoudige en voor de hand liggende implementatie had moeten zijn.

Het patroon dat ik heb gezien is dat als AI wordt gebruikt om een of ander product te verbeteren en het geen invloed heeft op bestaande organisatorische eenheden of bestaande processen, de inzet van het ML/DL-model snel en vrij naadloos verloopt. Op het moment echter dat bestaande organisaties of teams in hun bestaan worden bedreigd of worden gevraagd om aanzienlijk kleiner te worden of wanneer bestaande werkprocessen moeten worden aangepast om de voordelen te realiseren, komt alles snel tot stilstand en beginnen velen in de organisatie terug te krabbelen.

Ontwikkelingsstadia van de invoering van ML/DL

In een eerdere post presenteerde ik de fasen die bedrijven doorlopen wanneer ze ML/DL toevoegen aan producten. Zoals de figuur laat zien, is de eerste fase experimenteren en prototypen. Elk bedrijf waar ik mee werk heeft een groot aantal van deze initiatieven lopen. Maar wanneer we succesvolle prototypes en proofs of concept willen omzetten in daadwerkelijke implementatie, lopen we tegen wegversperringen aan.

De eerste en meest voor de hand liggende wegversperring is dat je nu AI-engineering nodig hebt om ervoor te zorgen dat je een industriesterke, productiekwaliteit inzet van AI hebt en, zoals ik in een eerdere post heb besproken, dat vereist een reeks oplossingen, architectuur, infrastructuur en processen die vaak niet worden herkend door datawetenschappers en mensen zonder een technische achtergrond.

Het tweede en belangrijkste obstakel is dat AI de mogelijkheid biedt om de kosten aanzienlijk te verlagen en tegelijkertijd de snelheid en kwaliteit te verbeteren. Feit is dat voor de meeste bedrijven salarissen de belangrijkste kostenpost zijn. Dus om de vruchten van AI te plukken, moeten de mensen die nu het werk doen dat zal worden vervangen door ML/DL-modellen worden herschikt of ontslagen.

Dit ligt zo voor de hand dat het bijna pijnlijk is om het op te schrijven en me geen idioot te voelen, maar ik blijf situaties tegenkomen zoals het scenario waarmee we begonnen. Iedereen houdt van AI en het staat bovenaan de hype-cyclus. Iedereen heeft het over alle geweldige kansen en voordelen die AI voor hun organisatie en de maatschappij als geheel met zich meebrengt. Maar als het dicht bij huis gebeurt, is de bereidheid om te veranderen en de vruchten ervan te plukken ineens ver te zoeken.

Dit is een probleem, want de concurrentie zit niet stil. We moeten het pijnlijke proces doorlopen om de vruchten ervan te plukken door de kosten te verlagen, processen opnieuw te ontwerpen, mensen anders in te zetten en je organisatie af te stemmen op de voordelen die AI kan bieden. Zoals ik al eerder schreef, gaat het er niet om wat AI voor je kan doen; de vraag is hoe je je hele organisatie, bedrijfsmodellen, producten, klantbetrokkenheidsmodellen en manieren van werken herontwerpt om ze af te stemmen op digitalisering, wat software, data en AI betekent. Dit is de enige manier om het potentieel van AI volledig te benutten en de enige manier om op de lange termijn concurrerend te blijven.

In de startupgemeenschap worden grote bedrijven vaak dinosaurussen genoemd, d.w.z. traag, vastgeroest en dus rijp voor disruptie. Wees geen dinosaurus!