Wanneer AI juist geen goed idee is

De meeste artikelen over AI gaan over wat er kan. Dit gaat over wanneer je het niet moet doen. Dat is nuttiger, want een project dat niet had moeten beginnen, kost je geld, tijd en het vertrouwen van je team. Hieronder zes situaties waarin AI het verkeerde gereedschap is, en wat dan wel werkt.

Wanneer is AI het verkeerde gereedschap?

AI is goed in taken met veel herhaling, veel variatie in de invoer en een acceptabele foutmarge. Denk aan tekst lezen, samenvatten, indelen en voorstellen doen. Het is slecht in taken die precies en voorspelbaar moeten zijn, waar de regels vastliggen, of waar één fout niet is terug te draaien.

Vraag jezelf daarom eerst af: is dit een taak met oordeelsvorming, of een taak met regels? Bij regels is gewone automatisering sneller, goedkoper en betrouwbaarder. Dat is minder spannend en het werkt elke keer hetzelfde.

1. Je proces is geen proces, maar een gewoonte

Vraag drie collega's hoe ze een aanvraag afhandelen. Krijg je drie verschillende antwoorden, dan heb je geen proces. Dan heb je gewoonte, en daar valt niets van te automatiseren.

Wat je dan wel doet: het proces eerst uitschrijven en de verschillen oplossen. Vaak blijkt de helft van de stappen overbodig. Die helft schrappen levert direct meer op dan welk model dan ook. Automatiseren komt daarna.

2. Het volume is te klein om iets terug te verdienen

Een taak die twee keer per week voorkomt en tien minuten kost, is samen ruim zestien uur per jaar. Daar krijg je geen koppeling, geen model en geen onderhoud voor. En onderhoud stopt nooit: systemen veranderen, API's veranderen, je eigen proces verandert.

Wat je dan wel doet: die taak laten staan, of hem oplossen met een sjabloon, een formulier of een instelling in software die je al hebt. Zoek de processen met hoog volume op. Hoe je die rangschikt, staat in ons artikel over de businesscase van AI en bij wat handmatig werk kost.

3. De fout mag niet gemaakt worden

Een model geeft een uitkomst met een waarschijnlijkheid, geen garantie. Bij een verkeerd ingedeelde mail is dat geen probleem. Bij een medicatiedosering, een betaling of een besluit met juridische gevolgen wel.

Wat je dan wel doet: het model gebruiken om voor te bereiden en niet om te beslissen. Laat het samenvatten, klaarzetten en signaleren. De beslissing blijft bij een mens, met de onderbouwing zichtbaar in één scherm. Dat is ook wat de EU AI Act verwacht bij toepassingen met hoog risico.

4. Je data staat op zes plekken, in zes vormen

Dezelfde klant met drie schrijfwijzen. Artikelnummers die niet overeenkomen tussen webshop en ERP. Een uurregistratie waar de helft van de omschrijvingen leeg is. Een model dat hierop wordt losgelaten, produceert keurige onzin, en dat is lastiger te herkennen dan een lege cel.

Wat je dan wel doet: eerst de bron op orde brengen en bepalen welk systeem de waarheid heeft per gegeven. Dat is saai werk en het is de voorwaarde voor alles wat daarna komt. Bij ons zit dat in de eerste fase van de AI-implementatie: toegang, data, koppelingen en eigenaarschap.

5. Er is al een pakket dat dit doet

Veel bedrijven willen iets laten bouwen voor een probleem dat hun huidige software al oplost. Het is alleen nooit ingericht, of niemand weet dat de functie bestaat.

Wat je dan wel doet: eerst de licenties en instellingen die je al betaalt tegen het licht houden. Pas als er een aantoonbaar gat zit, ga je bouwen. Wanneer eigen software wel logisch is, staat bij software op maat.

6. Niemand in de organisatie is eigenaar

Een AI-toepassing is geen project met een einddatum. Iemand moet de uitkomsten bekijken, correcties doorvoeren en beslissen wanneer er iets verandert. Is die persoon er niet, dan zakt de kwaliteit langzaam weg zonder dat iemand het merkt.

Wat je dan wel doet: eerst de eigenaar aanwijzen, met tijd in de agenda. Geen eigenaar, geen project. Dat is een harde regel en hij bespaart je veel.

Hoe herken je vooraf een project dat gaat stranden?

Er zijn een paar signalen die je bijna altijd ziet voordat het misgaat.

• De aanleiding is de techniek: iemand zag een demo en wil er iets mee.
• Er is geen nulmeting, dus achteraf is niet vast te stellen of het beter is geworden.
• De scope is een afdeling in plaats van een taak.
• De mensen die het werk nu doen, zijn niet betrokken bij het ontwerp.
• Er is budget voor bouwen, maar niet voor beheer.

Herken je er drie of meer, stop dan en begin opnieuw bij de vraag wat er beter moet.

Wat doe je dan wel?

Zet je processen naast elkaar en scoor ze op vier dingen: hoe vaak het voorkomt, hoeveel tijd het kost, hoe erg een fout is en hoe moeilijk de systemen te koppelen zijn. De processen die vaak voorkomen, veel tijd kosten, een kleine foutimpact hebben en goed bereikbaar zijn, doe je eerst.

Dat is de kern van de AI Opportunity Audit: vijf dagen, één getal, drie kansen. En als de uitkomst is dat AI hier nu niets oplevert, dan staat dat ook in het rapport. Wat de audit precies inhoudt, staat bij de AI Opportunity Audit.