Een directiecomité zou een investering in een nieuwe productielijn waarschijnlijk niet goedkeuren zonder een volledig dossier: een duidelijke sponsor, expliciete aannames, een verwacht rendement, vergeleken alternatieven en een onderbouwde return on investment.
AI-initiatieven ontsnappen vaak aan die discipline.
Ze worden gefinancierd in kleine bedragen - hier een licentie, daar een pilot, elders een externe leverancier - meestal ondergebracht in IT-kosten of innovatiebudgetten, waarbij elk afzonderlijk bedrag onder de drempel blijft die een grondige evaluatie zou uitlokken.
Afzonderlijk blijven die initiatieven onder de radar. Samen vormen ze een reële investering - die zelden als zodanig wordt bestuurd.
Er is echter één belangrijk verschil met een nieuwe fabriek, en dat speelt in het voordeel van AI: zodra de bouw van een productielijn is gestart, wordt ze doorgaans afgemaakt. Een AI-initiatief kan meestal vroeg en tegen relatief lage kosten worden stopgezet.
Een goedkope uitstapmogelijkheid is zeldzaam bij investeringsbeslissingen. Maar ze heeft alleen waarde wanneer de stopcriteria vastliggen vóór de eerste euro wordt uitgegeven. Veel ondernemingen geven die optie prijs zonder daar ooit bewust over te beslissen.
Deze verspreide stroom van initiatieven omzetten in expliciete allocatiebeslissingen - starten, voorbereiden, uitstellen of schrappen - vergt een gedisciplineerde methode.
Vertrek van de onderneming, niet van de technologie
De vraag “waar kunnen we AI inzetten?” komt vaak terug en leidt meestal tot hetzelfde resultaat: een lange lijst van opportuniteiten die moeilijk te vergelijken en te prioriteren zijn.
Een nuttiger benadering is om de vraag anders te formuleren:
Welke beslissingen moeten we sneller en nauwkeuriger nemen om onze prestaties te verbeteren? Welke gebeurtenissen zouden minder zwaar doorwegen op onze kosten wanneer we ze vroeger konden voorzien? Welke concrete acties kunnen onze marktpositie versterken?
De antwoorden verschillen van onderneming tot onderneming. Voor de ene zal de prioriteit bij marge liggen, voor de andere bij werkkapitaal, beschikbaarheid van installaties, continuïteit van bevoorrading, klantenrisico of prognosenauwkeurigheid.
Geen van deze vragen vermeldt artificiële intelligentie - en precies daarin ligt hun kracht. Ze vertrekken van het gewenste resultaat, niet van het middel.
Artificiële intelligentie vormt geen zelfstandige strategie.
Een initiatief heeft pas waarde wanneer het een beslissing, proces of resultaat voldoende verbetert om de ingezette middelen en risico’s te rechtvaardigen.
Het gebruik van een geavanceerd AI-model biedt op zichzelf geen garantie op waarde.
Dit ogenschijnlijk evidente principe wordt vaak omzeild wanneer een project vertrekt van een beschikbare oplossing of een overtuigende leverancier, waarna het businessprobleem wordt gereconstrueerd om het initiatief te verantwoorden.
Vier ambitieniveaus die niet door elkaar mogen worden gehaald
Voor elke beoordeling moet elk initiatief eerst op het juiste ambitieniveau worden geplaatst. Die niveaus vereisen niet dezelfde data, investeringen of governance.
Het eerste niveau is automatisering: repetitieve en terugkerende taken aan een machine toevertrouwen - aanvragen classificeren, gegevens uit documenten halen of routinematige invoer verwerken.
Het tweede niveau is optimalisering: een bestaand operationeel of commercieel proces verbeteren - servicegraad, rendement van een productielijn, upselling of cross-selling. Het onderscheid met automatisering is duidelijk: bij automatisering voert de machine de taak uit; bij optimalisering blijft de organisatie het proces aansturen, maar verbeteren de parameters ervan.
Het derde niveau is besluitkwaliteit: eerder anticiperen, beter afwegen en risico’s sneller detecteren. Vraagprognoses, leveranciersrisico en voorspellend onderhoud behoren tot deze categorie.
Het vierde niveau is transformatie: een proces, organisatie of businessmodel ingrijpend wijzigen.
Dat laatste niveau is ook het zeldzaamste, en dat is geen toeval. De kenmerken die een probleem geschikt maken voor AI - herhaalde beslissingen, data die bij elke gebeurtenis worden opgebouwd en een meetbare impact - zijn net de kenmerken waaraan een transformatie, die per definitie uniek en sterk afhankelijk van oordeel is, het minst voldoet.
Transformatie blijft in de eerste plaats een strategische aangelegenheid. AI is één instrument onder meerdere.
Deze hiërarchie beschermt tegen twee tegengestelde fouten: lokale automatiseringswinsten voorstellen als strategische transformatie, en een transformatieproject starten terwijl data, processen en organisatie er nog niet klaar voor zijn.
Veel teleurstellingen rond AI-initiatieven vinden hun oorsprong in deze eerste verwarring.
Een methode in drie stappen
Het ambitieniveau bepalen volstaat niet. Initiatieven moeten vervolgens onderling worden vergeleken, aan reële data worden getoetst en in duidelijke beslissingen worden omgezet.
Om die overgang te structureren, heeft Nobilys een methode in drie stappen ontwikkeld, ondersteund door een eigen analysekader.
Ze vereist geen zwaar programma of nieuwe infrastructuur. Ze vertrekt van wat de onderneming al heeft: haar prioriteiten, de ideeën van haar teams en haar data.
Kaderen
De economische prioriteiten en beperkingen worden samen met het management vastgelegd. Ideeën en bestaande initiatieven worden opgehaald bij de teams, omdat zij weten waar beslissingen met te weinig informatie worden genomen, welke taken buitensporig veel tijd vergen en welke gebeurtenissen nuttig zouden zijn om eerder te voorspellen.
Die input moet wel worden gestructureerd.
Een use case omschreven als “AI inzetten in aankoop” is niet beoordeelbaar. Geformuleerd als “leveranciersrisico vroeger detecteren om productiestilstanden en spoedaankopen te verminderen” wordt hij wel evalueerbaar.
Tegelijk wordt de werkelijke toestand van het dataprofiel van de onderneming vastgesteld: historiek, diepgang en kwaliteit.
De kwaliteit van de strategie hangt rechtstreeks samen met de kwaliteit waarmee de problemen worden geformuleerd.
Beoordelen
Elke use case wordt in een werksessie geëvalueerd volgens de drie dimensies van het kader.
De eerste is verwachte waarde, gekoppeld aan observeerbare resultaten - marge, kosten, voorraden, servicegraad of vermeden verliezen - en gewogen volgens de frequentie van het probleem. Een zeer nauwkeurige voorspelling voor een zeldzame gebeurtenis, of voor een gebeurtenis waarop geen actie mogelijk is, kan minder waard zijn dan een onvolmaakt model dat een frequente en economisch belangrijke beslissing verbetert.
De tweede is haalbaarheid. Dat is niet de beschikbaarheid van de technologie, want die bestaat in de meeste gevallen al. Het gaat om de beschikbaarheid van de voorwaarden om ze nuttig in te zetten: toegankelijke en bruikbare data, de juiste competenties en de mogelijkheid om de oplossing in het bestaande proces te integreren.
De derde is uitvoeringsrisico: het aantal betrokken functies, de vereiste proceswijzigingen, de aanvaarding door gebruikers, de duidelijkheid van het business ownership en het vermogen om van pilot naar uitrol te gaan.
Twee initiatieven met een vergelijkbare verwachte impact kunnen een sterk verschillende kans op succes hebben.
Deze derde dimensie maakt het verschil tussen een workshopmatrix en een volwaardig beslissingsinstrument.
Verifiëren en besluiten
Een matrix die in een vergaderzaal wordt opgesteld, blijft een weergave van de overtuigingen van de organisatie.
Voor de best gepositioneerde initiatieven moeten de data zelf worden getest: proefextracties, reële historieken, het aandeel ontbrekende gegevens, de consistentie van definities en de frequentie van de gebeurtenissen die men wil voorspellen.
Die confrontatie corrigeert veronderstellingen in beide richtingen.
Een initiatief dat eenvoudig lijkt, kan onhaalbaar blijken door een ontoereikende historiek. Een ander, aanvankelijk als moeilijk beschouwd, kan haalbaar blijken omdat de data al goed gestructureerd zijn.
Zo ontstaat de definitieve matrix en wordt een strategische discussie omgezet in een onderbouwde investeringsbeslissing.
Het management ontvangt de roadmap - en beslist.
Starten, voorbereiden, uitstellen, schrappen
Aan het einde van het proces krijgt elk initiatief een duidelijke beslissing.
Starten
De verwachte impact is voldoende, de haalbaarheid is bevestigd op basis van reële data en het uitvoeringsrisico is beheersbaar.
Het initiatief gaat naar een proof-of-valuefase, met stopcriteria die vastliggen vóór de eerste euro wordt ingezet.
Voorbereiden
Het potentieel is hoog, maar een essentiële voorwaarde ontbreekt - datakwaliteit, historische diepgang, processtabiliteit of duidelijke verantwoordelijkheid.
De onmiddellijke prioriteit ligt dan bij het opbouwen van die voorwaarden, niet bij het model.
Uitstellen
De case is relevant, maar nog geen prioriteit gezien de beschikbare middelen of de maturiteit van de organisatie.
Uitstel is een expliciete, gedateerde en gemotiveerde beslissing.
Schrappen
De verwachte impact is te laag, het risico is buiten verhouding of een eenvoudigere oplossing bestaat.
Klassieke automatisering, een proceswijziging of de beslissing om niets te veranderen kan soms meer waarde opleveren, sneller en met minder risico.
Een geloofwaardige strategie moet kunnen besluiten dat AI niet het juiste antwoord is - en benoemen wat dat wel is.
De laatste twee beslissingen zijn het minst populair en vaak het meest waardescheppend.
Ze maken middelen, aandacht van de business en steun van het management vrij voor het beperkte aantal initiatieven dat geloofwaardig bewijs kan leveren.
Te veel pilots tegelijk versnipperen al die elementen.
Een geslaagde pilot is niet degene die een indrukwekkende demonstratie oplevert. Het is degene die het management in staat stelt om op basis van voldoende bewijs te beslissen: stoppen, bijsturen, voortzetten of uitrollen.
De business draagt het resultaat
Voor elk geselecteerd initiatief moet een business owner verantwoordelijk zijn voor het economische resultaat - niet alleen voor de uitvoering van het project.
Het datateam kan het model ontwikkelen. IT kan de infrastructuur beveiligen. Een leverancier kan de oplossing leveren.
Maar zolang de business niet verantwoordelijk is voor de verbeterde beslissing en de gecreëerde waarde, blijft AI perifeer, ongeacht de technische kwaliteit.
Conclusie
Een strategie voor artificiële intelligentie wordt niet gemeten aan het aantal verzamelde ideeën, gestarte pilots of aangekochte licenties.
Ze wordt gemeten aan de kwaliteit van de keuzes die ze mogelijk maakt - inclusief de keuze om te stoppen.
Aan het einde van het proces beschikt de onderneming niet over nog een extra verhaal over AI.
Ze beschikt over een geprioriteerde portefeuille, duidelijk aangewezen verantwoordelijken, expliciete voorwaarden en een heldere volgorde van uitvoering.
Ze beschikt over een plan.
Christian Cirino - Nobilys Group
