Bedrijven vragen vaak waar artificiële intelligentie in de onderneming kan worden ingezet.

Veel minder vaak stellen ze de vraag die daaraan vooraf zou moeten gaan:

Welke beslissingen worden werkelijk beter wanneer ze door een model worden ondersteund - en welke niet?

Een AI-initiatief verbetert nooit een proces in abstracte zin. Het verbetert een beslissing: welke openstaande vordering eerst moet worden opgevolgd, welk voorraadniveau moet worden aangepast, welke onderhoudsinterventie moet worden gepland of welke transactie moet worden goedgekeurd.

Wanneer de verkeerde beslissing wordt gekozen, kan geen enkele technische verfijning die fout nog compenseren.

Het eerste werk bestaat dus uit het selecteren van de juiste beslissingen - vóór de data, vóór de modellen en vóór de leveranciers.

Drie families van beslissingen

Beslissingen binnen een onderneming verschillen op meerdere punten. Hun frequentie is een van de nuttigste onderscheidende criteria.

Strategische beslissingen

Een overname doen, een onderneming herstructureren, een vestiging sluiten, een nieuwe markt betreden of het businessmodel wijzigen.

Deze beslissingen zijn zeldzaam, uniek en sterk afhankelijk van de context. Ze worden elk één keer genomen, in omstandigheden die zich doorgaans niet op exact dezelfde manier herhalen.

Daarom zijn ze weinig geschikt voor automatisering. AI beschikt hier niet over de herhaling en de historische massa waarop haar voorspellende kracht steunt.

Dat betekent echter niet dat ze niet kunnen worden ondersteund.

Een specifiek daarvoor ontworpen model kan een strategische beslissing verrijken met scenario’s, de aannames van een investeringsdossier testen of een aanbeveling confronteren met invalshoeken die mogelijk over het hoofd zijn gezien.

AI neemt de beslissing niet. Ze verbetert de voorbereiding ervan.

Tactische beslissingen

Personeelsbezetting, commerciële resourceallocatie, voorraadplanning, selectie van leveranciers die extra opvolging vereisen, en afwegingen tussen klanten of producten.

Deze beslissingen vertalen de strategie naar de dagelijkse aansturing. Ze keren terug, steunen op data en hebben een reële economische impact.

Ze zijn goede kandidaten voor AI, meestal met menselijke supervisie.

Operationele beslissingen

Een bestelling valideren, een serviceticket routeren, een transactie goedkeuren of onderhoud prioriteren.

Bedrijven nemen deze beslissingen dagelijks, telkens wanneer een proces zich voordoet.

Afzonderlijk wegen ze vaak beperkt door. Door hun volume hebben ze samen een aanzienlijke impact.

Omdat ze frequent, talrijk en data-intensief zijn, behoren ze tot de meest vruchtbare toepassingsgebieden voor AI.

Aan het uiterste van dit spectrum bevinden zich microbeslissingen: één beslissing per klant, aangepast aan elke interactie - welke prijs aanbieden, welk product voorstellen, welke opvolgactie activeren.

Door hun frequentie, volume en gecumuleerde waarde zijn dit de meest natuurlijke kandidaten van allemaal.

Dat vraagt om een andere blik.

De grootste waarde van AI ligt niet noodzakelijk bovenaan de organisatie, bij de zeldzame en prestigieuze beslissing. Ze ligt vaak in de massa van bescheiden, herhaalde beslissingen die de organisatie bijna ongemerkt neemt.

Vijf vragen om een beslissing te beoordelen

Frequentie alleen volstaat niet.

Vooraleer een beslissing als een serieuze AI-kandidaat wordt beschouwd, moeten vijf vragen expliciet worden beantwoord.

Komt de beslissing vaak genoeg voor?

Herhaling levert twee zaken tegelijk op: voldoende historische voorbeelden om een model te laten leren en voldoende volume om de investering te rechtvaardigen.

Een zeldzame beslissing biedt doorgaans geen van beide.

Beschikken we over de relevante data?

Niet over data in het algemeen - elke onderneming heeft data - maar over de specifieke signalen waarvan deze beslissing afhangt, met voldoende historiek en consistentie om bruikbaar te zijn.

Dit is het criterium dat de meeste op het eerste gezicht evidente kandidaten uitsluit.

Kunnen de alternatieven en het gewenste resultaat duidelijk worden gedefinieerd?

Een beslissing die geschikt is voor AI hoeft niet eenvoudig te zijn. Vaak is het tegendeel waar.

Een triviale beslissing die met een eenvoudige businessregel kan worden genomen, rechtvaardigt de investering niet.

De waarde ontstaat bij niet-triviale beslissingen: beslissingen die op veel signalen steunen, meerdere onvolmaakte uitkomsten kennen en meer informatie vergen dan een mens snel en consistent kan verwerken.

Die complexiteit moet wel structureerbaar blijven.

De input moet identificeerbaar zijn. De alternatieven moeten benoembaar zijn. Het gewenste resultaat moet expliciet zijn. Aanvaardbare fouten moeten begrensd kunnen worden.

Complex, maar afbakenbaar.

Wat niet kan worden geformuleerd, kan niet worden gemodelleerd. Wat te eenvoudig is, hoeft niet te worden gemodelleerd.

Is de impact meetbaar?

Het effect van de beslissing moet aan een concrete indicator kunnen worden gekoppeld: marge, cash, kosten, service, doorlooptijd, kwaliteit, risico, conversie of benutting van activa.

Zonder meetbaarheid kan de onderneming de waarde van het model niet aantonen en ook niet beslissen of het moet worden behouden.

Kan de organisatie op het resultaat handelen?

Dit is het vaakst vergeten criterium - en het meest doorslaggevende.

Voorspellen dat een klant waarschijnlijk vertrekt, heeft alleen waarde wanneer de onderneming die klant nog kan behouden.

Een storing voorspellen heeft alleen waarde wanneer een interventie nog kan worden gepland.

Een risico op leveringsonderbreking detecteren heeft alleen waarde wanneer de onderneming haar bevoorrading of voorraadrespons kan aanpassen.

De waarde ligt niet in de score. Ze ligt in de beslissing die dankzij die score kan worden aangepast.

Een juiste voorspelling waarop niemand handelt, heeft geen waarde.

Een beslissing die aan alle vijf criteria voldoet, is een serieuze kandidaat.

Een beslissing die op één criterium tekortschiet, moet worden gepauzeerd. Vaak zullen een businessregel, klassieke automatisering of sterkere operationele discipline het gewenste resultaat sneller en met minder risico opleveren.

De vraag die overblijft nadat de beslissing is geselecteerd

Een positief antwoord op de vijf vragen toont aan dat een beslissing geschikt is voor AI.

Het bepaalt nog niet hoe AI in die beslissing moet worden geïntegreerd.

Daarvoor is een zesde vraag nodig:

Is de kost van een fout verenigbaar met het voorziene niveau van menselijke controle?

Eén foutieve transactie tussen duizenden kan mogelijk zonder grote schade worden gecorrigeerd.

Een onterecht geweigerde kredietaanvraag of een zware onderhoudsinterventie die ten onrechte wordt uitgevoerd, niet.

Afhankelijk van de gevolgen van een fout kan dezelfde beslissing - ook wanneer ze aan de eerste vijf criteria voldoet - een andere aanpak vereisen.

De echte keuze is dus niet eenvoudigweg “AI of geen AI”.

Het gaat om drie mogelijke werkingsmodellen.

Automatiseren

De beslissing wordt zonder menselijke tussenkomst genomen omdat ze frequent, goed gestructureerd en de kost van een geïsoleerde fout beperkt is.

Ondersteunen

AI formuleert een aanbeveling en een verantwoordelijke manager valideert de beslissing.

Dit is de juiste aanpak voor veel tactische beslissingen, waarbij het menselijk oordeel het laatste woord behoudt.

Informeren

AI ondersteunt de besluitvorming met scenario’s, analyses of een gestructureerde toetsing van aannames, zonder zelf deel te nemen aan de beslissing.

Dit is het juiste model voor strategische keuzes, waarbij het oordeel moet worden versterkt en niet vervangen.

Het verwarren van deze drie modi is op zich een bron van mislukking.

Automatiseren wat ondersteund had moeten blijven, leidt tot verlies van controle.

Alleen informeren waar automatisering mogelijk was, laat waarde onbenut.

De vraag is dus niet of de onderneming “aan AI doet”.

De vraag is welke beslissingen ondersteuning door AI verdienen, en met welke mate van autonomie.

Deze selectie lijkt eenvoudig. De vijf criteria kunnen in vijf minuten worden gelezen.

Ze eerlijk toepassen op veertig of vijftig use cases uit de organisatie, die onderling afwegen en vervolgens de sterkste kandidaten toetsen aan reële data, is veel veeleisender.

Weinig directieteams doorlopen die oefening volledig op eigen kracht.

Niet omdat ze onvoldoende competent zijn, maar omdat organisaties zelden onpartijdige beoordelaars zijn van hun eigen ideeën.

Teams verdedigen de use cases die ze zelf hebben voorgesteld. Degelijke prioritering vergt een blik die niets hoeft te verdedigen.

Eén vraag volstaat vaak om het verschil zichtbaar te maken:

Hoeveel AI-initiatieven lopen vandaag in uw onderneming - en voor hoeveel daarvan kunt u de precieze beslissing benoemen die ze moeten verbeteren, samen met de business owner die verantwoordelijk is voor het economische resultaat?

Wanneer het antwoord onduidelijk is, is het probleem niet technologisch.

Het is een prioriteringsprobleem.

Dat is precies het doel van een prioriteringsdiagnose: selecteren vóór er wordt geïnvesteerd, onderscheiden wat moet worden geautomatiseerd, ondersteund of alleen geïnformeerd, en de directie een duidelijke volgorde van beslissingen voorleggen.



De eerste stap vraagt niets meer dan een ernstig gesprek.

Christian Cirino — Nobilys Group