SoftwareOne experts: ‘Het eerste AI-project móet slagen’

Met AI wordt al decennia gewerkt, vaak vooral door experts op dat gebied. Met de komst van ChatGPT en diverse andere GenAI-projecten is het gebruik van AI veel toegankelijker geworden. Met als gevolg dat meer mensen binnen een organisatie daarmee aan de gang gaan. Toch is dat niet per se wat je wil, menen Stefan Hartmans en Carmela Tol van SoftwareOne. Beiden zijn solution specialist bij SoftwareOne en ondersteunen organisaties bij hun AI-projecten.

“De AI-apps schieten als paddenstoelen uit de grond, waardoor heel veel shadow IT ontstaat. Organisaties hebben geen idee meer wat er allemaal aan AI-applicaties is en wordt gebruikt”, verklaart Tol. Dergelijke kleine projecten leveren vaak ook niet de waarde op die AI in potentie kan bieden. “Dan ben je alleen maar wat aan het proberen, zonder dat er echt een plan achter zit. Je gaat dan nooit echt iets bereiken wat de waarde van AI laat zien. Daarom is het belangrijk dat je dit als organisatie oppakt. Je wil het grotere geheel zien en dat het project in de hele organisatie gedragen wordt”

Bovendien wordt bij kleinere projecten, gestart door werknemers of afdelingen zelf, niet altijd over security nagedacht, waarschuwt Hartmans. Met mogelijk flinke gevolgen: verkeerd gebruik van AI kan in theorie leiden tot datalekken of hallucinerende AI dat verkeerde resultaten geeft. “Als je het gesprek hierover centraliseert en de verschillende kennisgebieden bij elkaar zet, dan weet je zeker dat je ook dat soort onderwerpen niet vergeet.”

Bekijk het vanuit use cases

De experts van SoftwareOne starten bij een AI-project daarom met het inventariseren van use cases voor de organisatie. “Je wil echt de focus leggen op: welke problemen moet AI helpen oplossen? Of welke waarde moet het toevoegen? Ga je dan als eerste focussen om dat goed te implementeren en goed in elkaar te zetten”, zegt Tol. “Anders loop je het risico dat je heel veel geld en tijd van mensen investeert, maar het niet zijn waarde kan laten zien of het niet gebruikt wordt. Met als gevolg dat een organisatie niet snel bereid is om in nieuwe AI-initiatieven te investeren. De eerste kennismaking met AI moet succesvol zijn.”

Daarbij helpt het enorm om de verschillende stakeholders bij elkaar te brengen, vanuit alle lagen van een organisatie. ”Je ziet vaak dat verschillende afdelingen met verschillende dingen bezig zijn en niet van elkaar weten waar de ander aan werkt”, zegt Hartmans. “Als je dat bij elkaar brengt, weet je wat er speelt en kun je elkaar daarin versterken.”

Idealiter worden er een aantal use cases gevonden, waar vervolgens op geprioriteerd kan worden. Wat is bijvoorbeeld het meest waardevol om mee te beginnen? “Of begin juist heel klein met laaghangend fruit en laat dat zijn toegevoegde waarde zien”, voegt Tol toe. “Als zo’n project succesvol is, heb je al meer de weg geplaveid voor de overige use cases.”

Data op orde

Een bekende valkuil, ook wel ‘garbage in, garbage out’ genoemd, draait om data. Met ‘garbage in, garbage out’ wordt bedoeld dat wanneer de data die in een AI gevoerd wordt niet goed is, er ook geen goede output uitkomt. “Dus zorg dat je je data goed op orde hebt”, zegt Tol. “Zorg voor datamanagement, datakwaliteit en deze zaken ook bijhoudt. Als je voorspellingen wil doen, doe dat dan op basis van de relevante data die daarvoor nodig is. Werk niet met oude data, want dan haal je nooit de juiste resultaten.”

Ook vanuit security-oogpunt is datamanagement en -classificatie belangrijk, benadrukt Hartmans. “Als je een AI gebruikt voor bijvoorbeeld HR, dan moet je daar niet allerlei specifieke informatie van werknemers over arbeidsvoorwaarden uit kunnen halen. Je moet goed nadenken over hoe je dat soort (privacy)gevoelige data afschermt.”

Awareness onder gebruikers

Het maken van een AI-systeem is slechts één onderdeel van het proces. Als er eenmaal iets staat, moet het daadwerkelijk gebruikt worden. “Als er geen gedegen adoptieplan staat om te zorgen dat je gebruikers het gaan gebruiken en er de waarde van inzien, dan is het allemaal voor niets geweest”, zegt Tol.

Belangrijk is ook dat organisaties zich heel bewust moeten zijn van mogelijke risico’s en zaken die potentieel mis kunnen gaan. “Als je die scherp hebt, dan kun je de juiste maatregelen treffen om de risico’s te mitigeren”, aldus Tol. “Denk aan AI die mogelijk hallucinerende antwoorden kan genereren. Als je je bewust bent van het feit dat dit potentieel kan gebeuren, kun je de juiste maatregelen treffen om dit te voorkomen.” Het is echter niet de bedoeling dat er angst gezaaid wordt, benadrukt Hartmans. “We willen alleen dat organisaties bewustmaken van de risico’s.”

Wanneer is het geslaagd?

Als een eerste AI-project niet slaagt, is de kans groot dat een organisatie niet meer wil investeren in andere projecten, ook al kan daar wel waarde mee behaald worden, aldus Tol en Hartmans. Maar wanneer is een project geslaagd? “Op het moment dat wij met een klant een use case hebben gedefinieerd, adviseren we om eerst een proof of concept te doen. Vooraf bepalen we dan wanneer die proof of concept succesvol is. Wat zijn de succescriteria? Als de proof of concept succesvol is bevonden, dan kun je beslissen om het verder in productie te nemen”, aldus Tol. “Maar begin klein, met een proof of concept en ga pas door als dat zich bewezen heeft toegevoegd aan de organisatie waar het voor bedoeld was.”

Net zo belangrijk is de realisatie dat ook AI niet onfeilbaar is en er altijd dingen fout kunnen gaan. “Je moet je als organisatie wel heel erg bewust zijn en accepteren dat als je gaat innoveren, je ook fouten gaat maken. De kans bestaat ook dat projecten niet slagen. Dat hoort bij innoveren.”

Benieuwd hoe SoftwareOne haar klanten helpt met het implementeren en adopteren van AI? Meer informatie is hier beschikbaar.

Auteur: Eveline Meijer