AI in je organisatie: van doel naar toepassing
Elke organisatie weet ondertussen: we moeten iets met AI doen. Soms is er enkel de ambitie en het enthousiasme om aan de slag te gaan met AI. Misschien ligt de plek zelfs al vast: in de zoekfunctie op de website, een chatbot die klanten snel een antwoord kan geven of een tool die moet helpen om interessante leads binnen te brengen. De wens is duidelijk: een organisatie die efficiënt én concurrentieel kan blijven. Een organisatie waar de potentiële voordelen van AI in elke afdeling verkend worden en waar innovatie en verbeteringen meerwaarde realiseren: zowel intern als extern.
Starten bij de technologie zorgt niet automatisch voor duurzame verandering
Ervaring leert ons dat organisaties vaak starten aan hun AI-implementatie op een van deze startpunten. Elk van deze startpunten is waardevol en nodig maar zorgt niet meteen voor een organisatie-brede adoptie van de technologie of een uniforme aanpak.
- AI tool licenties uitrollen voor iedereen: Er wordt capaciteit aangekocht, op korte termijn wordt er geëxperimenteerd, maar daarom is er nog geen vraag binnen de teams in de organisatie. Na een half jaar merken we dat er grote verschillen zijn in de adoptie van team tot team en ontstaat er een grote gap tussen medewerkers qua kennis en enthousiasme.
- Een AI-beleid schrijven: Een vaak technisch onderlegd team stippelt een beleid uit. Dat beleid houdt rekening met alle mogelijke risico’s en zet veiligheid voorop. Het beleid geeft een eerste deel van een kader maar helpt medewerkers nog niet bij het inschatten van wat effectief waardevol AI-gebruik is.
- Een werkgroep laten uitzoeken wat mogelijk is: De doelstelling is er, nu is het aan enkele medewerkers om dit te concretiseren. Helaas is, zonder concrete vraag, het resultaat vaak een exhaustieve inventaris van mogelijkheden, maar zonder concrete richting.
- Een piloot opstarten bij de afdeling die staat te trappelen: Een gemotiveerd team in de organisatie zet effectief iets op dat werkt en waardevol is: dit is alvast een eerste succes. De impact van dit succes op de AI-transitie van de hele organisatie is echter beperkt: de rest van de organisatie leert maar beperkt van de opgedane kennis en de adoptie verspreid zich nog niet breder.
Elk van deze startpunten levert iets op. Teams leren de technologie kennen, krijgen zicht op wat werkt en bouwen de ervaring op die je nodig hebt om later structureel te schalen. Wat ze niet doen, is die ervaring naar de hele organisatie brengen. Wil je de maturiteit van je organisatie structureel verhogen? Dan moeten we ook de context rond de technologie bekijken. De drie volgende insteken zijn een mooie aanvulling op AI licenties, een eerste beleid, een analyse van de mogelijkheden en enkele concrete AI experimenten. Drie thema's die er voor zorgen dat een organisatie echt klaar is om AI op een waardevolle manier te integreren in de huidige werking.
Hoe wordt 'het werk' vandaag gedaan?
Je kan niet inschatten wat AI voor je organisatie betekent zonder te begrijpen waarom mensen doen wat ze doen. Wat doen ze, waarom net op die manier, en hoe zouden ze dat idealiter willen kunnen doen? Daarboven staat de vraag wat de organisatie wil bereiken, los van welke technologie dan ook.
Die 'waarom' is belangrijk. Bijna elke manier van werken heeft een reden: een regel, een systeem dat het niet anders toelaat, of een gewoonte die niemand meer in vraag stelt. Zonder die vraag te stellen, loop je het risico dat je een omweg automatiseert in plaats van de oorzaak aan te pakken.
De omwegen die mensen zelf gebouwd hebben zijn daarbij het meest waardevolle startpunt: het Excel-bestand naast het officiële systeem of het mapje met sjablonen dat iemand privé bijhoudt. Een medewerker of team maakte kostbare tijd vrij omdat het een probleem was dat het oplossen waard was.
What data is circulating? And where does it sometimes go wrong?
Here we try to map out what data is produced, where it comes from, and who uses it. When people think of information, they often only think of databases and systems. But it can just as easily be about knowledge, quotes, emails, reports, presentations, or product sheets.
It's also important to look at where things sometimes go wrong, where data or information is incomplete or doesn't even exist yet. This gives insight into the things that take up a lot of time, where colleagues do duplicate work, or have to wait on each other. It points to where the current way of working falls short. Employees themselves almost always already know where the problems lie; it just has never been mapped out this way before.
How can AI help us with this?
Only now does AI come into the picture. By placing the bottlenecks in the work alongside the data and information flows, we can make a distinction: which problems genuinely lend themselves to AI, and which are actually a process, information, or agreement problem that doesn't need any technology at all? By making smart choices here, an organisation can invest in the problems where AI really can add value.
Work out with the relevant teams what the impact of a solution could be: how much time is freed up, which errors disappear, and, perhaps most importantly, what the customer notices from it.
Not everything will, of course, already be in place to move straight to implementation. Sometimes information is missing, people lack certain skills, or agreements between teams still need to be defined. These questions are often skipped, but discussing and addressing them is crucial, since they determine the success of a project.
Welke data circuleert er? En waar loopt het soms mis?
Hier proberen we in kaart te brengen welke data wordt geproduceerd, waar het vandaan komt en wie het gebruikt? Mensen denken bij informatie vaak enkel aan databanken en systemen. Maar het kan evengoed gaan over kennis, offertes, mails, verslagen, presentaties of productfiches.
Belangrijk is ook om te kijken waar het soms misloopt, waar data of informatie onvolledig is of zelfs nog niet bestaat. Dit geeft een inzicht in de dingen die veel tijd kosten, waar collega's dubbel werk leveren of op elkaar moeten wachten. Het wijst aan waar de huidige manier van werken tekortschiet. Bij de medewerkers zelf is het bijna altijd al gekend waar de problemen zitten, het is alleen nog nooit op deze manier in kaart gebracht.
Hoe kan AI ons hiermee helpen?
Nu pas komt AI in beeld. Door de knelpunten in het werk naast de data en informatie stromen te leggen kunnen we een onderscheid maken: welke problemen lenen zich echt voor AI, en welke zijn eigenlijk een proces-, informatie- of afsprakenprobleem waar geen technologie voor nodig is? Door hier slim te kiezen kan een organisatie investeren in de problemen waar AI wel een meerwaarde kan bieden.
Werk samen met de respectievelijke teams uit wat de impact van een oplossing kan zijn: hoeveel tijd komt er vrij, welke fouten verdwijnen, en (misschien nog het belangrijkste) wat merkt de klant ervan?
Niet alles zal uiteraard al voor handen zijn om zomaar tot implementatie over te gaan. Soms ontbreekt er informatie, missen mensen bepaalde vaardigheden of moeten afspraken tussen teams nog bepaald worden. Deze vragen worden vaak overgeslagen, maar ze bespreken en aanpakken is cruciaal aangezien ze het succes van een project bepalen.
Waarom zou je ook investeren in een bredere analyse?
Het gros van de impact van een project ontstaat volgens ons al voor het bouwen begint. Welk probleem kiezen we? Met welke informatie en verwachtingen starten we er aan?
Deze aanpak brengt in kaart waar zaken mislopen, waarom ze mislopen én waar AI een meerwaarde kan bieden. Niet alle knelpunten uit deze analyse vragen kostelijke technologie maar door deze aan te pakken schep je een voedingsbodem voor de adoptie van veranderingen, met of zonder AI.
Zo verzekeren we dat de investeringen die je maakt in AI, wel degelijk een oplossing bieden aan de oorzaak van een echt probleem en er geen nieuwe creëeren.
De technologische ontwikkelingen gaan enorm snel. De tool en de technische opzet die je vandaag kiest, is over een jaar misschien al weer overbodig of verouderd. Je mensen, je informatie en je afspraken niet. Wie daar vandaag in investeert, bouwt niet één AI-toepassing maar legt de basis voor elke volgende oplossing die nodig is.
