We zijn onlangs gaan samenwerken met een nieuwe klant die geen gebrek had aan AI-ideeen. In onze eerste meeting kregen we een grote print-out gepresenteerd van alle use cases die hun team had bedacht, netjes verdeeld in kwadranten voor impact versus gereedheid. Er werd een stuurgroep opgezet die de verschillende delen van het bedrijf vertegenwoordigt om de zaken vooruit te helpen. Maar ondanks de sterke start en het duidelijke budget, is er nog geen uitblinkende AI-casus geweest die intern echt voor momentum zorgde.
Het team zelf benoemde hier al een probleem; voor geen van de stuurgroepleden was data & AI hun core business, en als bedrijf met intensief klantcontact is er altijd wel iets urgents dat elke dag aandacht nodig heeft. Maar is dat anders voor andere bedrijven? Data & AI initiatieven zullen altijd naast de dagelijkse operatie bestaan.
Hoe kom je van al deze eerste ideeen naar die eerste use case die de dagelijkse workflow raakt en intern het verschil maakt? Hier zijn enkele vragen die volgens ons goede gespreksopeners zijn om de discussie op gang te brengen.
Maken we Eilanden of Hoekstenen?
In het begin draait alles om het laten zien van tastbare resultaten, en bij voorkeur zo snel mogelijk. Dus de natuurlijke neiging is om voor laaghangend fruit te gaan. Een AI notuleer-app die naar meetings luistert en het handmatig maken van notulen vervangt. Een chatbot waar je documenten kunt uploaden en de data erachter kunt bespreken. Een app die foto's kan verwerken en veelvoorkomende patronen kan vinden.
Het zijn allemaal mogelijke mooie manieren om AI voor het eerst in de dagelijkse workflow te introduceren. Maar deze voorbeelden zijn Eilanden, geen Hoekstenen. Ze richten zich op een klein gebied en optimaliseren een stukje van een proces. Ze zijn echter niet verbonden met de algehele bedrijfskennis of -historie. Ze werken niet over verschillende domeinen heen. En het is behoorlijk lastig om dit te vertalen naar een grote business case en grote vervolginvesteringen te rechtvaardigen.
Wat zijn onze Hoeksteen use-cases?
Hoeksteen AI use-cases stellen je in staat om iets kleins te doen dat eenvoudig uitgebreid kan worden. Van de ene stap in het proces naar de andere gaan. Iets implementeren dat werkt in de ene afdeling naar de volgende. Meer data inbrengen om de impact te laten groeien. De focus uitbreiden van intern naar leveranciers of afnemers.
Wat is er nodig om een Hoeksteen te bouwen?
1) Het begint altijd met je interne data
Dit is waar alle unieke kennis over je bedrijf ligt en waar de basis wordt gelegd om dingen over verschillende functies heen toe te passen, omdat je financien, sales, klant- en andere data kunt combineren. Het grootste potentieel is om iets te bouwen dat een verschil maakt in kostenbesparingen of omzetpotentieel, omdat het alle historische en dagelijkse kennis in het bedrijf gebruikt.
2) Elke AI-tool die je implementeert is zowel een databron als een bestemming
Veel AI-tools zullen toegang vragen tot diverse systemen, waaronder je CRM voor klantdata, bestanden, agenda of andere tools die het team gebruikt. Maar dit heeft een paar problemen:
- Datafragmentatie: Data is verspreid over meerdere tools die niet met elkaar communiceren, waardoor er eilanden ontstaan die maar een ding oplossen. En het wordt lastig om te controleren welke exacte data waarheen gaat.
- Kennissilo's: AI-gegenereerde data blijft beperkt tot een specifieke tool en is niet geintegreerd met alle andere kennis binnen je bedrijf, het blijft in een silo.
Door AI-tools te gebruiken, kun je deze instrumenten gelijktijdig inzetten als zowel de bron als de bestemming voor je data. Je kunt de gegenereerde data extraheren, opslaan en samenvoegen met je interne data. Stuur een specifieke set interne data naar de tool voor verwerking, maar op een gecontroleerde manier die je in staat stelt om domeinkennis bij te dragen en de waarde ervan te maximaliseren.
3) De infrastructuur die je gebruikt maakt het mogelijk om klein te beginnen en uit te bouwen
Een van de redenen waarom veel IT-projecten over het algemeen mislukken, is dat ze erg groot en complex zijn om te implementeren. Hetzelfde geldt voor dataprojecten. Om een hoeksteen AI use-case te bouwen, heb je data-infrastructuur nodig die de hele flow doet van dataverzameling, cleaning, klaarmaken voor AI en opslag.
Om niet in weer een jarenlang project te belanden, is het belangrijk om dit op een lichtgewicht manier op te zetten op een beperkte set van je data. In eerste instantie kun je deze eerste casus snel en tegen een verstandig budget uitrollen, waardoor je snel waarde & ROI laat zien aan alle stakeholders. Door de juiste schaalbare tooling te selecteren, kun je dit nog steeds eenvoudig uitbreiden naar de volgende projecten zodra de waarde van het eerste project glashelder is.
Hoe bouw je die eerste Hoeksteen AI use-case?
1) Maak een ontwerp voor de infrastructuur
De meeste gesprekken beginnen vanuit de behoeften van de gebruiker. "Als we deze coole AI-tool implementeren, kunnen we XYZ doen". Maar vanuit ons oogpunt moet het top-down en bottom-up zijn, rekening houdend met het perspectief van je interne data, wat zal leiden tot meer evenwichtige en haalbare projecten.
Dit betekent eerst een heel goed begrip krijgen van alle verschillende tools die worden gebruikt en de data die hier wordt opgeslagen. Breng vervolgens een duidelijk beeld in kaart van de data die je hebt waar AI mee kan werken. Op basis van het overzicht kan een ontwerp worden gemaakt dat erop gericht is om zoveel mogelijk domein- en interne kennis bij AI-modellen te krijgen.
Als laatste stap moet het ontwerp een echte Lego-mindset hebben. Zeker omdat het nog vroeg is en er elke week nieuwe technieken en tools worden gelanceerd. Door kleine stukjes te gebruiken die kunnen worden vervangen door alternatieven wanneer je van een lean eerste use-case naar meer schaal & hogere kwaliteit gaat.
2) Selecteer een use-case met een duidelijke €€-waarde
Het eerdere voorbeeld van een AI die automatisch meetingnotulen maakt is nuttig, maar behoorlijk lastig te vertalen naar tastbare besparingen of opbrengsten. Ja, teamleden zullen blij zijn dat ze niet handmatig notulen hoeven te schrijven. Maar wat is de echte financiele impact daarvan? Bovendien zullen voor deze generieke use-cases waarschijnlijk in de nabije toekomst betere kant-en-klare oplossingen verschijnen.
Vergelijk dit met het gebruik van je interne data en historie om mogelijk te maken:
- Salesteams om voorstellen in 50% minder tijd te schrijven, zodat ze meer deals kunnen sluiten.
- Inkoopteams om de voorraad met 30% te verminderen.
- Klantenservice om 70% van de tickets automatisch af te handelen met een kleiner team.
Dit zijn slechts een paar voorbeelden, maar ze hebben allemaal een tastbare financiele impact. Die impact maakt het mogelijk dat er meer use-cases volgen op grotere schaal, met een bewezen casus en intern enthousiasme als drijvende krachten.
3) Begin met een team, en slechts een paar databronnen
De genoemde voorbeelden delen twee aanvullende overeenkomsten: ze richten zich op een enkel team en vereisen slechts een deel van de complete bedrijfsdata om te werken. Dit betekent dat je kunt beginnen met een relatief kleine investering in technologie en middelen.
Pak dingen stap voor stap aan en vertak naar meerdere teams en meer databronnen, omdat je geen Eiland hebt gebouwd. Je hebt een Hoeksteen gebouwd.
