Op een zekere ochtend raakte Steve Masters, CEO van Parts Unlimited, een bedrijf voor auto-onderdelen, gefascineerd door een krantenartikel over de revolutie rond Artificial Intelligence. De auteur garandeerde een drastische wijziging van onze wereld en een grotere impact op bedrijven dan de eerste digitale revolutie. Steve zag zichzelf als een innovatieve leider en had zelfs enkele ingekaderde quotes van Steve Jobs in zijn kantoor hangen.

Nog voor zijn tweede kop koffie belde hij Rebecca, zijn CIO, om te kijken hoe snel ze aan de slag konden met AI. Rebecca zuchtte. Een uur geleden had het inventarisatiesysteem het begeven, het grootste deel van hun development projecten overschreed het budget ruimschoots en het aantal software engineers was beduidend laag. Artificial Intelligence was het laatste op haar to-do lijst.

Parts Unlimited had niet de nodige skills in-house, dus een AI-project moest uitbesteed worden. Op één of andere manier slaagde ze erin om €50.000 van het budget van het komende jaar te herverdelen om te besteden aan een AI consultancy agency. Ze vond enkele geschikte kandidaten en vroeg hen om een voorstel van een AI Proof of Concept te doen. Uiteindelijk koos ze voor het meest veelbelovende voorstel.

Niet veel later stond een team van experten klaar. Ze interviewden enkele managers, verzamelden heel wat data en gingen aan de slag. Na enkele maanden presenteerden ze hun resultaten. Hun model kon bij statische testen fouten in de montagelijnen ontdekken, en dat 15% accurater dan werknemers. De Powerpoint-presentatie zag er fantastisch uit. Steve was onder de indruk en feliciteerde Rebecca. Zodra de presentatie gedaan was, vertrokken de experten even snel als ze gekomen waren.

De presentatie en het verslag van 100 pagina’s dat erbij hoorde, werden gedeponeerd in de SharePoint van het bedrijf en nooit meer bekeken. Rebecca focuste zich opnieuw op het inventarisatiesysteem en het hele gebeuren werd snel vergeten. Het productierendement van Parts Unlimited was veel lager dan dat van de concurrentie, die de kracht van AI wel had weten te benutten. Bij de volgende vergadering moest Steve uitleggen waarom zijn investering in AI niet had gezorgd voor een betere foutdetectie.

Klinkt dit bekend in de oren? Veel te vaak is dit wat er gebeurt bij een eerste poging tot het implementeren van AI. De verwachtingen zijn hooggespannen door de mediahype, waardoor de teleurstelling alleen maar groter is na het project. Hier zijn enkele redenen voor. Ten eerste is AI de kers op de IT taart. Om AI op een zinvolle manier te kunnen integreren in een bedrijf, is een hoge mate van maturiteit in bedrijfsprocessen en het verwerken van data essentieel. Ten tweede zijn offline AI proof of concepts van nature gedoemd om te falen vanaf het begin.

De verwachtingen van AI zijn hooggespannen door de mediahype, waardoor de teleurstelling alleen maar groter kan zijn

Maar waarom kiezen bedrijven dan toch voor AI proof of concepts? Hoewel de concepten van AI al decennialang bestaan, is het grootschalig implementeren ervan nog maar enkele jaren mogelijk. Een nieuwe technologie staat gelijk aan veel onzekerheid en een beperkt aantal gespecialiseerde experten, wat grote investeringen betekent. Bedrijven zijn bang om veel belang te hechten aan iets dat slechts een hype zou kunnen zijn, maar ze zijn minstens even bang om een concurrentievoordeel te mislopen. Een proof of concept wordt gezien als de gulden middenweg: stakeholders bewijzen dat het bedrijf mee is met de laatste innovaties zonder al te veel te moeten investeren. Vanuit een business perspectief is dit heel logisch. Toch is de huidige standaard van AI proof of concepts niet in staat om een zeker nut te bewijzen.

Proof of concepts gaan er steeds op een gelijkaardige manier aan toe. Gebaseerd op de beschikbaarheid van data wordt er een use case gekozen dat het onderwerp van het project zal worden. Experten maken een grondige analyse van de data en passen aan waar nodig, zodat ze de voorwaarden zeker halen. Vervolgens wordt er een model gekozen dat het gewenste resultaat kan bieden. Het model wordt afgestemd op de data en wordt dan gebruikt om bestaande data te ordenen of om ontbrekende of toekomstige data te voorspellen. So far, so good.

Een proof of concept wordt gezien als de gulden middenweg: stakeholders bewijzen dat het bedrijf mee is met de laatste innovaties zonder al te veel te moeten investeren

Het probleem ligt bij wat men doet met het resultaat. Vaak eindigt dat in een statisch rapport, zonder enige real-time connectie met nieuwe data. Het is dus onmogelijk om het resultaat te meten van het proof of concept, aangezien het nooit gebruikt werd. Het gebrek aan integratie in de huidige IT-omgeving betekent dat het resultaat niet gebruikt kan worden om de efficiëntie te verhogen, business processen te verbeteren of waarde toe te voegen aan het bedrijf.

Maar er is een betere manier. Een manier die een tastbare waarde kan toevoegen zonder de helft van het IT budget nodig te hebben. Het PoC wordt gebruikt om een schatting te maken van de totale waarde die een bepaalde technologie aan jouw bedrijf kan toevoegen, maar zelf is het dus niet waardevol. Het Minimum Viable Product, ofwel het MVP, is een beter alternatief. De focus ligt hierbij niet op bewijs aanleveren, maar effectief een stukje van de waarde toevoegen. En waarde is de reden dat je investeert in deze technologie, toch?

De focus van een AI MVP zou moeten liggen bij volledige integratie met bestaande data services in plaats van een alleenstaand offline rapport. Laten we even teruggrijpen naar het verhaal van Parts Unlimited. In plaats van al hun tijd te investeren in het creëren van een model met hoge accuraatheid, zou het veel waardevoller zijn geweest als de consultants hun model echt hadden gebruikt in één van de montagelijnen. De theoretische accuraatheid kon misschien lager zijn, maar het bewijst een zekere meerwaarde vanaf dag 1 en alle betrokkenen hebben ervaren hoe het is om te werken met AI. Hierna is het makkelijker om uit te breiden en een accurater model te creëren.

Bedrijven moeten begrijpen dat als ze willen dat hun AI inspanningen iets opleveren, ze minstens evenveel moeten investeren in interne opleiding en voorbereiding van data, systemen en mensen als in de AI experten zelf. Om van AI concurrentievoordeel te maken, zijn een visie en engagement een must. Dat is de enige weg die naar een succesvol AI project en bedrijfswaarde op lange termijn leidt.