Gebaseerd op zijn ervaring bij In The Pocket en zijn achtergrond in UX-design, deelt Peter waardevolle inzichten voor organisaties die AI willen implementeren. Dit artikel sluit aan bij de missie van onze studio om impactvolle digitale producten te creëren, met praktische adviezen om veelvoorkomende AI-uitdagingen te overwinnen. Peter’s unieke visie maakt dit artikel onmisbaar voor iedereen die wil slagen in de complexe wereld van AI-adoptie

Het is nu of nooit

2023 was het jaar om met AI te experimenteren.

Dit jaar moet je de eerste resultaten zien.

Maar zoals je inmiddels weet, is dat gemakkelijker gezegd dan gedaan. En je bent niet de enige die worstelt. Gartner heeft GenAI voor het eerst in de “trough of disillusionment” geplaatst: de fase waarin de interesse afneemt omdat experimenten geen resultaat opleveren. Waar blijven die grote productiviteitswinsten dankzij AI? Teams die verantwoordelijk zijn voor AI-projecten in zowel grote als kleine organisaties hebben moeite om de verwachte zakelijke waarde van GenAI te realiseren.

Iedereen ziet de potentie, maar het blijkt ongelooflijk moeilijk om die te benutten. Bijna 90% van de AI-projecten faalt tegenwoordig, volgens Dan Saffer, assistent-professor aan het Human-Computer Interaction Institute van Carnegie Mellon. Dat zijn niet echt goede kansen. Maar we moeten niet zomaar opgeven. Organisaties zoals Klarna en Bunq bewijzen dat het mogelijk is. Sterker nog, we weten waarom AI-projecten vaak mislukken, dus we kunnen het beter doen. Laten we jouw winnende strategie ontwikkelen.

Do or die, GenAI?

Voordat we dieper ingaan op hoe we jouw winnende strategie kunnen creëren, is het belangrijk om te begrijpen waarom iedereen moeite heeft met het realiseren van rendement op hun AI-investering, zodat we van onze fouten kunnen leren.

1. De scope van AI-projecten is te groot, en de verwachtingen van GenAI zijn simpelweg te hoog. GenAI gaat je bedrijf niet van de ene op de andere dag volledig transformeren.
2. De benodigde data is ofwel niet aanwezig, of van zeer slechte kwaliteit. Veel bedrijven beschikken over enorme hoeveelheden data. Waar, maar die stapel is vaak waardeloos of irrelevant in plaats van het beloofde goud.
3. AI wordt uitsluitend als een technisch probleem gezien, terwijl het momenteel meer een UX-probleem is dan een technologieprobleem. Er wordt te weinig aandacht besteed aan hoe gebruikers met je product omgaan.
4. AI wordt gepositioneerd als het product zelf, in plaats van als een middel om een doel te bereiken. Gebruikers maakt het niet uit welke technologie je gebruikt om hun problemen op te lossen. Als het hen niet helpt hun doel te bereiken, is het nutteloos.
5. De focus ligt te veel op het behalen van een hoge modelnauwkeurigheid, bijvoorbeeld “we moeten 80% nauwkeurigheid halen voordat we dit kunnen lanceren”, in plaats van te kijken naar de relatieve winst die het oplevert in vergelijking met de huidige benchmarks.

Als je zelf recent een AI-product hebt gebouwd, kun je deze lijst waarschijnlijk aanvullen met nog meer punten.

Jouw winnende strategie

Laten we nu kijken hoe we AI om kunnen zetten in ROI. Generative AI, en meer specifiek Large Language Models (LLM’s), zijn algemene technologieën. Ze kunnen je veel vertellen over verschillende onderwerpen. Maar om de voordelen te oogsten, moet je de scope beperken en alle slimme capaciteiten richten op een specifiek probleem waarvoor je de output kunt afstemmen en controleren.

Benedict Evans vergelijkt het met een elektrische motor:

Hier hebben we een technologie voor algemeen gebruik, maar de manier waarop je deze inzet, is door deze te splitsen in specifieke gereedschappen en ervaringen. Het zou een paradox lijken, maar dat zou een verkeerd niveau van abstractie kunnen zijn. Elektrische motoren zijn technologieën voor algemeen gebruik, maar je koopt geen doos elektrische motoren bij de bouwmarkt – je koopt een boormachine, een wasmachine of een blender.

Dus je moet op zoek naar oplossingen met één doel. Er zijn 4 belangrijke elementen voor een winnende AI-strategie:

1. Een goed gedefinieerde challenge met zakelijke waarde
2. Een toegewijd, cross-functioneel team van begin tot eind
3. Eerst de technische haalbaarheid valideren
4. Houd je focus op de lange termijn

1. Kies de juiste challenge

Alles valt of staat met een goede challenge. Net als elke organisatie, heb je altijd wel veel problemen op te lossen. Maar niet alle problemen zijn gelijk. Begin met een lijst van pijnpunten waar jij of je organisatie momenteel mee worstelen. Frustrerende, tijdrovende, moeilijke, kostbare en/of omslachtige processen die een flinke belasting zijn.

Houd er rekening mee dat automatisering niet de heilige graal is. Onderzoek in plaats daarvan hoe AI de menselijke capaciteiten kan aanvullen in plaats van het proces volledig te automatiseren. Gebruik ons “Levels of Automation”-raamwerk om te bedenken hoe je de twee soorten intelligentie het beste kunt combineren.

‍

Het ideale probleem dat je wilt oplossen voldoet aan de volgende kenmerken:

1. Significante business value: Het gebruik van AI moet je organisatie helpen om aanzienlijk te verbeteren. Dit sluit projecten uit die puur zijn om mee te doen aan de hype.
2. Algehele strategische afstemming: Het oplossen van dit probleem moet aansluiten bij de bredere strategische doelstellingen van je bedrijf, zodat het in de toekomst relevant blijft.
3. Deel van een losgekoppeld proces: Het probleem moet duidelijk afgebakend kunnen worden en makkelijk te scheiden van andere processen, zodat je snel resultaten kunt behalen.
4. Directe toegang tot gebruikers: Ga voor een probleem waar je direct toegang hebt tot (potentiële) gebruikers, zodat je snel kunt valideren en bijsturen.‍
5. LLM-vriendelijke context: Trainen van modellen is moeilijk en duur. Kies een probleem waar een LLM kan helpen. Profiteer van de zware investering van bedrijven zoals OpenAI, Google en Anthropic.

💡Maak een lijst van de meest veelbelovende problemen die je wilt oplossen en gebruik het Data Strategy Canvas om de beste keuze te maken.

‍

2. Verzamel een toegewijd, mensgericht team

Een succesvol AI-product creëren is geen taak die je zomaar bij je IT-team kunt neerleggen of die je businessunits alleen kunnen doen. Voor AI-projecten is een cross-functioneel team dat nauw samenwerkt vereist. Naast de experts binnen je organisatie heb je UX-designers, onderzoekers en ML-engineers nodig vanaf het begin tot het einde. Geweldige AI-producten worden gecreëerd door businessmensen die een basisbegrip hebben van AI, samen met AI-experts die begrijpen hoe het bedrijfsleven werkt. Hier komt de magie samen.

Als je uitdaging ethische of juridische gevoeligheden betreft (bijv. de AI-wet), betrek dan ook specialisten op dat gebied. Je team moet het probleem vanuit alle relevante perspectieven kunnen bekijken en een oplossing opbouwen die de grootste risico’s minimaliseert.

AI-producten zijn net zozeer een UX-probleem als een technisch probleem.

Je team moet mensgericht zijn, met de focus op de mensen voor wie je het probleem oplost. Dit is voor een AI-product nog belangrijker. Je hebt vanaf het begin direct contact nodig met de mensen voor wie je het product maakt, of het nu gaat om externe klanten of interne teams. Je kunt de krachtigste AI-modellen hebben, maar als niemand ze begrijpt of vertrouwt, is het waardeloos.

💡Creëer een cross-functioneel, mensgericht team dat de focus houdt op de uitdaging en de mensen voor wie je het oplost.

3. Valideer eerst de technische haalbaarheid, daarna de bruikbaarheid

Wanneer je team het probleem begrijpt en de uitdaging is gedefinieerd, wil je beginnen met een technisch proof of concept (POC). Je moet eerst de technische haalbaarheid valideren, voordat je verder gaat. Bij andere projecten begint men vaak met de gebruikservaring, maar voor een AI-product is het mogelijk dat je probleem nog te complex is om op te lossen met de huidige technologie. Of het kan te duur zijn. Je ontdekt dit tijdens de POC.

💡 Valideer eerst de technische uitdaging en – als dat lukt – voer vervolgens doorlopende gebruikersonderzoeken uit en blijf prototypen en testen met echte gebruikers.

4. Bereid iedereen voor op een marathon, niet op een sprint

AI-producten zijn zelden vanaf het begin een succes. Het potentieel is er, de technologie werkt, en er zijn enkele eerste tekenen van succes, maar je bent er nog niet. Stilstaan op dit punt zal je product richting de ondergang sturen. Het bouwen van een AI-product is een marathon. Het kost tijd om de technologie goed te krijgen en de gebruikerservaring te verbeteren.

Bereid je stakeholders van begin af aan voor op een lange termijn in plaats van een korte sprint.

‍

💡Dus waar wacht je op? Maak 2024 het jaar van AI’s eerste ROI in jouw organisatie.

‍