Drie overwegingen om ervoor te zorgen dat je AI écht intelligent is

Bij alle ophef over AI valt het me op dat onze aandacht veel te snel uitgaat naar de meest extreme argumenten. Utopia aan de kant van de ‘believers’. Doemscenario’s aan de kant van de tegenstanders. Je zou kunnen zeggen dat het vooral deze buitengewone visies zijn die ons momenteel bezig houden. Dat is niet verwonderlijk. ‘Operationele verbetering’ klinkt niet zo opzienbarend als ‘vervanging van de mens door machines’.

Pakken we het verkeerd aan?

Het eindspel voor AI is nog lang niet in zicht, deels omdat we het paard achter de wagen spannen. Een van de belemmeringen van AI is dat vaak betrouwbare gegevens ontbreken om de AI-modellen te trainen. Zelfs de meest digitaal geavanceerde bedrijven werken met te veel ongelijksoortige technologieën en databronnen van sterk wisselende kwaliteit. Op het vlak van IT Ops zijn de meeste CMDB's eenvoudigweg niet nauwkeurig en volledig genoeg om een AI-model te voeden.

Vergis je niet, generatieve AI is echt in staat om buitengewone dingen te doen. Het kan een advocatenexamen afleggen en met vlag en wimpel slagen. Het kan in enkele seconden een ondernemingsplan opstellen. Het kan fraude detecteren en risico's beheren met een hoge mate van automatisering. Maar het kan niets van dit alles zonder betrouwbare, real-time gegevens. En het kan niet zonder goede vangrails om gegevens te beschermen.

Daarom is het zo belangrijk om juist ook de gewone dingen goed te doen. Hier zijn drie dingen waar je aan moet denken voordat je AI op grote schaal wil inzetten.

1. Eenvormigheid van data

Samenwerking tussen afdelingen is ongelooflijk belangrijk. Om de machine optimaal te laten werken, moet iedereen op dezelfde manier werken en denken. Elk van de interne koninkrijkjes, afdelingen genoemd, zal zich moeten conformeren aan bepaalde richtlijnen die bepalen hoe ze informatie verzamelen, opslaan en verwerken. Ze moeten ophouden zelfstandig te opereren en te doen alsof ze alleen op de wereld zijn. AI zal aantonen of je een probleem hebt met gegevensbeheer en waar dat probleem zich bevindt. Het grootste probleem met tegenstrijdige en kwaliteit slechte(re) datasets is vaak dat het juist mensen zijn die verantwoordelijk zijn voor de onbetrouwbaarheid van de data. Niet de machine.

2. Kwaliteit van data

Voor je start met AI moet je weten waar je deze technologie voor gaat gebruiken, maar vooral ook wat je ermee wil bereiken. Dat betekent dat je ook moet beslissen welke data je nodig hebt om dat doel te bereiken en waar je die data vandaan haalt. Grote taalmodellen (Large Language Models of LLM’s) als ChatGPT zijn afhankelijk van enorme datasets. Tussen haakjes: dat is één van de redenen waarom AI pas recent doorbrak, hoewel het principe al vele decennia bestaat.

Een domein als marketing kan heel veel bereiken met AI, maar moet goed weten welke data het model moeten voeden. Meestal maakt marketing gebruik van eigen data, gegevens die gedeeld worden door andere bedrijven, en gekochte data. Voor deze drie bronnen is het cruciaal dat de kwaliteit optimaal is. Als je belemmerd wordt door oude, verslechterde en onnauwkeurige gegevens, zal je AI dat ook zijn. De cruciale vraag is alleen: weet je als organisatie of de door jouw ingezette AI met data van mindere kwaliteit werkt? En zo ja, welke datasets zijn dat dan? Daarom benadrukt iedereen zowel datahygiëne, integriteit van data en governance van data.

3. Een holistisch zicht

Nog maar een jaar geleden voerde het MIT een onderzoek uit waaruit bleek dat 94% van de organisaties AI al op de een of andere manier gebruikt. Toch was slechts 14% van hen van plan om tegen 2025 het gebruik van AI volledig te integreren in de hele organisatie. Dit suggereert dat de meeste bedrijven weliswaar een goed beeld hebben van AI, maar helaas alleen in kleine delen van de organisatie. De vrees bestaat dat generatieve AI gewoon weer een project wordt dat elke afdeling kan opzetten zonder centrale strategie of interne specialisatie. Met het risico dat AI een buitenbeentje wordt zonder de controles die wel gelden voor specialistische domeinen, zoals cyberbeveiliging of compliance. Start je met AI? Zorg er dan voor dat er binnen de organisatie ook een holistisch zicht is op alle projecten die lopen en die elkaar mogelijk voor de voeten gaan lopen.

Het succes van elk AI-project hangt af van de kleine, gewone details, niet van de buitengewone beweringen en voorspellingen waar we vaak over horen. Het begint en eindigt allemaal met data. Daarom zouden we allemaal moeten bijdragen aan de ‘I’ in ‘AI’ en ons moeten afvragen of die intelligentie wel te vertrouwen is.