Het beste AI-model bepaalt niet per definitie wie vooroploopt. Krachtige AI-technologie is voor organisaties steeds breder beschikbaar. Het verschil ontstaat in de uitvoering. Een model moet niet alleen een taak kunnen volbrengen, maar ook betrouwbaar functioneren met de data, systemen, processen en mensen die een organisatie al heeft. Pas in de dagelijkse praktijk blijkt of AI meer is dan een veelbelovend experiment.
Twee jaar na de doorbraak van generatieve AI is experimenteren voor veel organisaties niet meer de grootste uitdaging. Een pilot opzetten of toegang krijgen tot een krachtig model is eenvoudig. Het is veel complexer om een AI-toepassing betrouwbaar, veilig en schaalbaar te integreren in de dagelijkse bedrijfsvoering. Daarvoor zijn teams nodig die begrijpen wat AI kan en waar en hoe de technologie binnen een organisatie waarde kan toevoegen.
Van experiment naar de praktijk
Een AI-demo kan indrukwekkend zijn, maar is nog geen implementatie. Bedrijven werken al met bestaande applicaties, databronnen, beveiligingsregels en processen. Bovendien hebben medewerkers hun eigen routines en verantwoordelijkheden. AI moet binnen die werkelijkheid functioneren. Modellen moeten worden gekoppeld aan de juiste systemen en data, en de uitkomsten moeten betrouwbaar genoeg zijn voor het proces dat ze ondersteunen of overnemen. Ook security, governance en kosten moeten vanaf het begin worden meegenomen. Uiteindelijk moeten de investeringen bovendien opwegen tegen de waarde die de toepassing oplevert.
Daar ligt momenteel nog een belangrijke drempel voor enterprise-AI. Organisaties kunnen relatief eenvoudig experimenteren, maar hebben meer moeite om AI op schaal in productie te brengen. Dan moeten modellen, data, infrastructuur en bedrijfsprocessen samenkomen in een toepassing die betrouwbaar werkt. Die ‘last mile’ vraagt niet alleen om technische expertise, maar om verschillende disciplines die goed samenwerken.
AI vraagt multidisciplinaire teams
Een succesvol AI-team bestaat daarom uit meer dan AI-specialisten. Engineers zorgen dat toepassingen aansluiten op bestaande applicaties en infrastructuur en ook buiten een afgebakende pilot betrouwbaar functioneren. Data-experts zorgen dat de juiste informatie beschikbaar, bruikbaar en betrouwbaar is. Een beter model compenseert tenslotte geen slechte databasis.
Daar komt domeinkennis nog bij. Een toepassing in financiële dienstverlening heeft een andere context dan een toepassing in zorg, retail of industrie. Regelgeving en risico’s verschillen, maar ook processen, klantverwachtingen en de manier waarop medewerkers beslissingen nemen. Zonder die kennis is het moeilijk om te bepalen waar AI daadwerkelijk waarde kan toevoegen.
Ook de organisatorische kant hoort in het team thuis. Activiteiten kunnen verdwijnen, worden geautomatiseerd of anders worden ingericht. Er zijn duidelijke afspraken nodig over verantwoordelijkheid, menselijk toezicht en de manier waarop medewerkers met AI-uitkomsten werken.
De combinatie van deze disciplines is een voorwaarde voor succes. De opkomst van zogenoemde forward-deployed engineers onderstreept deze ontwikkeling. Deze technische experts werken dicht op de business en de gebruiker, vertalen bedrijfsproblemen naar technologische mogelijkheden en verbeteren toepassingen op basis van wat in de praktijk werkt. De functietitel zelf is minder belangrijk dan het achterliggende profiel. AI vraagt steeds vaker om professionals die zowel de technologie als de context waarin die technologie moet functioneren doorgronden. Daardoor bewegen engineering en business steeds dichter naar elkaar toe.
Eerst het probleem, dan het model
Een bredere kijk op AI verandert ook de aanpak van projecten. Een vergelijking van modellen heeft weinig zin zolang niet duidelijk is wat een organisatie ermee wil bereiken. Het bedrijfsprobleem en de gebruiker zijn daarom een logischer vertrekpunt dan de technologie. Bij FirstService Residential begon EPAM daarom niet met de technologie, maar met de behoeften van bewoners en medewerkers. Op basis daarvan ontwikkelde het team een cloudgebaseerde generatieve AI-assistent via sms, die interacties stroomlijnde en de bewonerservaring verbeterde.
Die volgorde is belangrijker naarmate het aanbod van AI-technologie groeit. Niet iedere toepassing heeft hetzelfde model nodig. Soms weegt nauwkeurigheid het zwaarst, soms snelheid, security of kosten. Verschillende modellen zijn bovendien binnen één architectuur naast elkaar inzetbaar. Het gaat daardoor steeds meer om het vermogen per toepassing de juiste technologie te selecteren en te combineren. Een flexibele architectuur maakt het mogelijk om modellen en platforms tegen elkaar af te zetten op kwaliteit, snelheid, security, governance en kosten. Bovendien is het zo eenvoudgier om later van technologie te wisselen als behoeften, mogelijkheden of commerciële voorwaarden veranderen.
Het is duidelijk dat AI geen los technologieproject is, maar een doorlopend engineering- en organisatievraagstuk. Het is zaak dat teams een toepassing kunnen bouwen en deze kunnen blijven aanpassen als technologie, bedrijfsbehoeften of regelgeving veranderen. De volgende fase van enterprise-AI wordt daarom niet bepaald door toegang tot het nieuwste model. De voorsprong ontstaat bij organisaties die technologische mogelijkheden sneller vertalen naar toepassingen die in de praktijk werken. Daarvoor zijn niet alleen betere modellen nodig, maar vooral betere teams.
Dit is een ingezonden bijdrage van EPAM Systems. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.