De hype en de realiteit: Waarom AI vaak minder oplevert dan verwacht
De hype rond AI blijft enorm, maar vooralsnog vallen de resultaten voor veel organisaties tegen. Dit ligt volgens Mathijs van Bree niet zozeer aan de technologie zelf, maar eerder aan de manier waarop AI wordt georganiseerd. In een nieuwe whitepaper legt de Principal Consultant AI van Team Rockstars uit waar het mis gaat én wat je kunt doen om wél waarde uit AI te halen.
Het is alweer enkele jaren geleden dat de komst van ChatGPT het begin van het AI-tijdperk aankondigde. Inmiddels maken vrijwel alle organisaties wel gebruik van de innovatieve technologie. Tegelijk blijft de écht indrukwekkende impact vaak uit.
Mathijs van Bree, Principal Consultant AI bij Team Rockstars, schetst in de whitepaper een patroon dat zichtbaar is in diverse sectoren: er wordt volop geëxperimenteerd met AI, maar de meeste organisaties weten deze pilotfase niet achter zich te laten.
Zo beschikken ze over een uitgebreid portfolio van pilots, proof-of-concepts en kleinschalige AI-toepassingen. Die leveren lokaal vaak wel voordelen op, maar groeien zelden uit tot organisatiebrede oplossingen.
Lees ook: Waarom zoveel AI-projecten niet uit de pilotfase komen.
Van Bree wijst hierbij op een studie van onderzoeksinstituut MIT waaruit blijkt dat 95% van de AI-pilots geen grote financiële waarde oplevert. Hierdoor ontstaat een situatie waarin bestuurders veel AI-activiteit zien, maar moeite hebben met het identificeren van de opbrengsten.
Gebrek aan meetbaarheid
Dat is deels een meetkwestie. Vaak ontbreekt simpelweg een systematische aanpak om de meerwaarde van AI te kwantificeren.
“AI-projecten starten vaak vanuit enthousiasme of technologische nieuwsgierigheid”, stelt Van Bree. “Pas later ontstaat de vraag wat de investering daadwerkelijk heeft opgeleverd. Een veelvoorkomend probleem is dat er geen monitoring heeft plaatsgevonden waarmee de impact van het project objectief kan worden vastgesteld.”
“Zolang processen, verantwoordelijkheden en besluitvorming niet worden aangepast, blijft de impact van AI beperkt.”
Waar organisaties wél meten, ontstaat vaak een realistischer beeld van de opbrengsten. Als voorbeeld haalt Van Bree een AI-tool aan binnen een grote infrastructuurorganisatie.
“Medewerkers krijgen automatisch een conceptantwoord op basis van gevalideerde kennis. In een grootschalige pilot met tienduizenden berichten leidde dit tot een kwaliteitsverbetering van circa 70% en een tijdsbesparing van gemiddeld 9 minuten per e-mail, onderbouwd met A/B-tests”, schetst hij.
Verwachtingen vaak te hoog
Ook onrealistische verwachtingen spelen vaak een rol in de tegenvallende resultaten. Veel managers denken dat AI complete processen kan overnemen, terwijl de technologie tot op heden vooral functioneert als ondersteuning voor medewerkers.
“Het verschil tussen de reusachtige belofte van AI en de dagelijkse realiteit zorgt ervoor dat resultaten sneller als teleurstellend worden ervaren”, aldus Van Bree.
Bovendien leveren AI-toepassingen die relatief eenvoudig te realiseren zijn vaak beperkte winst op. Toepassingen met de grootste potentiële impact vereisen daarentegen ingrijpende veranderingen in processen en systemen, waardoor ze veel moeilijker van de grond komen.
Productiviteit stijgt, processen veranderen niet
Het past binnen het bekende beeld: veel organisaties zetten AI vooral nog in als hulpmiddel voor individuele medewerkers. Denk aan tools die professionals helpen met het sneller vinden van antwoorden, het samenvatten van documenten en het opstellen van teksten.
Deze AI-oplossingen leveren weliswaar productiviteitswinst op, maar ze zorgen niet automatisch voor fundamentele procesverbeteringen. En precies daardoor blijven de organisatiebrede voordelen uit.
“Zolang processen, verantwoordelijkheden en besluitvorming niet worden aangepast, blijft de impact van AI beperkt”, aldus Van Bree.
Data en governance als rem
Andere bekende obstakels waar AI-opschalingsprojecten regelmatig op vastlopen, zijn gebrekkige data en problemen op het gebied van compliance, toegangsrechten en governance.
“Het gaat om het bouwen van een organisatie die AI kan laten werken.”
Van Bree noemt een voorbeeld uit de publieke sector. Een AI-tool voor een overheidsorganisatie liep jarenlang vast doordat deze informatie uit meerdere systemen moest combineren. Een beperktere variant, die uitsluitend beleidsdocumenten gebruikte, kon daarentegen binnen enkele weken worden uitgerold.
Het laat volgens Van Bree vooral zien dat de complexiteit van AI-projecten nogal eens wordt onderschat.
Van technologieproject naar organisatievraagstuk
Zo zijn de obstakels talrijk, maar is het beeld dat ze samen schetsen behoorlijk eenduidig: het probleem zit doorgaans in alles behalve de AI zelf. “AI faalt niet. Wij falen in hoe we ermee omgaan”, vat Van Bree het samen.
Hij benadrukt dat organisaties AI minder als technologieproject en meer als organisatievraagstuk moeten gaan benaderen. “Waarde ontstaat pas als AI wordt gekoppeld aan concrete procesproblemen, de resultaten systematisch worden gemeten en organisaties investeren in adoptie, governance en operationeel beheer.”
Om organisaties hierbij te helpen, heeft Team Rockstars een eigen model ontwikkeld. Het Rockstars Return on AI-model kijkt niet alleen naar de financiële opbrengsten van AI, maar ook naar de strategische waarde, de impact op medewerkers en de mate waarin een organisatie in staat is om AI-oplossingen daadwerkelijk te implementeren en op te schalen.
Van experimenteren naar operationaliseren
Volgens Van Bree bevindt het AI-adoptieproces zich momenteel in een nieuwe fase. Waar de afgelopen jaren vooral in het teken stonden van experimenteren, draait het nu steeds meer om operationaliseren.
De belangrijkste uitdaging is daarbij niet langer het ontwikkelen van slimme AI-oplossingen, maar het leggen van een fundament dat het mogelijk maakt om die oplossingen effectief te gebruiken. “Het gaat om het bouwen van een organisatie die AI kan laten werken”, besluit Van Bree.
