Hoe bepaal je het rendement van AI-investeringen?
Hoe meet je het rendement van AI-investeringen? Nu de uitgaven aan AI snel toenemen, is dit een van de meest besproken onderwerpen in directiekamers. Koko Visser en Luuk van Maasakkers van Valcon delen vijf principes die inzicht geven in hoe rendabel AI-investeringen in de praktijk werkelijk zijn.
1: Breng de kosten volledig in kaart
Het meten van ROI begint met inzicht in de totale kosten van AI-ontwikkeling. AI-investeringen vallen doorgaans uiteen in twee categorieën: fundamentele investeringen en use case-gedreven investeringen.
De fundamentele fase omvat frameworks, interne richtlijnen en softwarelicenties die de basis vormen voor alle AI-initiatieven. Dit zijn meestal eenmalige investeringen die veel tijd en kapitaal vooraf vereisen, maar toekomstige toepassingen sneller en efficiënter mogelijk maken.
Use case-gedreven investeringen zijn variabeler en groeien mee met het aantal toepassingen dat in productie wordt genomen. Elke use case brengt ontwikkelkosten met zich mee voor engineers en domeinexperts, evenals de specifieke IT-infrastructuur die voor de oplossing nodig is.
Na implementatie blijven er doorgaans doorlopende kosten bestaan voor cloudcomputing, onderhoud en voortdurende verbeteringen. Daarnaast vereisen veranderprogramma’s die medewerkers leren werken met nieuwe processen vaak extra investeringen.
2: Definieer succescriteria per use case
Uiteindelijk hangt ROI sterk af van de specifieke toepassing. Het meten van rendement is immers slechts zo effectief als de use case zelf robuust is.
Of het nu gaat om een fraudedetectiemodel, een systeem voor assetmonitoring of een AI-gestuurde klantenserviceassistent: iedere use case heeft andere doelstellingen en vraagt daarom om eigen succescriteria. De belangrijkste vraag is niet: ‘Wat is de ROI van AI?’, maar: ‘Hoe ziet succes eruit voor deze specifieke toepassing?’
“Achter ieder zakelijk succes schuilt een lijst van minder succesvolle investeringen.”
Dat vereist vooraf duidelijkheid over de relevante parameters en over de organisatorische veranderingen die nodig zijn om de waarde van AI daadwerkelijk te benutten. Organisaties moeten weten welke processen worden beïnvloed, welke beslissingen naar verwachting verbeteren en waar de impact in de loop van de tijd zichtbaar moet worden. Zonder antwoorden op deze vragen wordt het moeilijk om het daadwerkelijke rendement vast te stellen.
3: Gebruik een ROI-benchmark om use cases te prioriteren
In theorie zouden organisaties AI-initiatieven moeten prioriteren op basis van de hoogste verwachte ROI om maximaal rendement te behalen. De uitdaging is echter dat verschillende AI-toepassingen waarde creëren op uiteenlopende dimensies die lastig met elkaar te vergelijken zijn.
Een klantenserviceassistent kan bijvoorbeeld de behoefte aan handmatig werk verminderen en de klanttevredenheid verhogen, terwijl een fraudedetectiesysteem vooral risico’s verlaagt en naleving van regelgeving verbetert. Indirecte opbrengsten, zoals hogere klanttevredenheid en betere compliance, zijn moeilijker te kwantificeren, maar kunnen investeringen zeker rechtvaardigen.
Een objectieve vergelijking vraagt daarom om een integraal beoordelingskader met indicatoren die zowel directe als indirecte opbrengsten meetbaar maken. Zodra deze parameters zijn vastgesteld, kan vóór implementatie een ROI-benchmark worden bepaald.
Deze benchmark fungeert als referentiepunt voor de beoordeling van de resultaten na ingebruikname en moet zowel de ambitie van de use case als de relevante wet- en regelgeving weerspiegelen.
4: Wees wendbaar: stuur bij of stop tijdig
Achter ieder zakelijk succes schuilt een lijst van minder succesvolle investeringen. Wanneer initiatieven niet het verwachte rendement opleveren, is het belangrijk om te begrijpen waarom.
Soms kan een andere aanpak het verschil maken. Zo ontwikkelden wij voor een grote industriële organisatie een chatbot ter ondersteuning van engineers. Hoewel de antwoorden zeer nauwkeurig waren, bleek een responstijd van twee minuten te lang voor praktisch gebruik. Door de oplossing aan te passen en een bewuste afweging te maken tussen maximale kwaliteit en snellere antwoorden, werd de chatbot alsnog succesvol.
“Organisaties die ROI-denken structureel integreren in hun AI-initiatieven zijn beter in staat om voorbij de experimenteerfase te komen.”
Soms blijken de obstakels om een initiatief rendabel te maken echter onoverkomelijk. In die gevallen is het verstandig om tijdig te stoppen, verdere verliezen te beperken en de opgedane lessen toe te passen op andere AI-projecten die nog in ontwikkeling zijn.
5: Monitor het rendement over een langere periode
Het rendement van AI laat zich niet meten vanuit enkel een momentopname. Organisaties moeten erkennen dat AI-systemen zich in de loop van de tijd ontwikkelen en vaak steeds meer waarde opleveren naarmate adoptie en volwassenheid toenemen.
Zo ontwikkelden wij voor een spoorwegmaatschappij een computer vision-oplossing om beschadigde dwarsliggers te detecteren. Door de grote variatie in schadebeelden en het beperkte aantal beschikbare voorbeelden behaalde het eerste prototype onvoldoende nauwkeurigheid en bleef veel menselijke inspectie noodzakelijk.
Door voortdurende iteratieve verbeteringen nam de nauwkeurigheid geleidelijk toe. Uiteindelijk presteerde de oplossing beter dan menselijke inspecteurs en kon zij binnen enkele dagen duizenden kilometers spoor inspecteren. Dit verhoogde de spoorveiligheid en verminderde de benodigde inspectiecapaciteit met 17 fte. Die resultaten werden niet direct gerealiseerd, maar ontstonden geleidelijk in de tijd.
ROI als stuurinstrument
Door deze vijf principes toe te passen, wordt ROI meer dan een achteraf gegeven rechtvaardiging van investeringen. Het wordt een stuurinstrument dat helpt bij het prioriteren van use cases, het ontwerpen van AI-oplossingen en het nemen van beslissingen over opschaling.
Organisaties die ROI-denken structureel integreren in hun AI-initiatieven zijn beter in staat om voorbij de experimenteerfase te komen en AI-adoptie om te zetten in duurzame bedrijfswaarde.
Over de auteurs: Koko Visser is Head of AI bij Valcon. Luuk van Maasakkers is Data & AI Principal bij Valcon.
