Wanneer loont AI in een bedrijfsproces? En wanneer niet...

Voorbij de hype

Vrijwel elke organisatie onderzoekt op dit moment wat AI kan betekenen. De druk is voelbaar: concurrenten experimenteren, leveranciers beloven besparingen, de directie wil iets zien.

En toch stranden veel AI-projecten. Zelden door de technologie. Meestal door timing, door onduidelijke verwachtingen, of doordat niemand had nagedacht over wie het model gaat beheren zodra de consultant weer weg is.

Dit artikel geeft een eerlijk beeld van wanneer AI in een bedrijfsproces structureel waarde oplevert, en wanneer uitstellen de verstandigere keuze is.

Vier criteria waaraan een geschikt proces voldoet

1. Hoog volume en herhaling. De taak wordt vaak uitgevoerd, met vergelijkbare input. Documentclassificatie, kredietbeoordelingen, routinematige goedkeuringen. Vuistregel: bij lage aantallen per maand is de businesscase meestal te dun, omdat de inrichtings- en beheerkosten niet meebewegen met het volume.

2. Definieerbare beslisregels. De criteria voor een goede beslissing zijn op te schrijven. Een handige test: laat een aantal ervaren medewerkers onafhankelijk van elkaar dezelfde gevallen beoordelen. Komen ze tot dezelfde uitkomst, dan is het proces geschikt. Verschillen ze structureel van mening, dan heeft u geen AI-vraagstuk maar een beleidsvraagstuk.

3. Schone, gestructureerde data. Een model is zo goed als zijn data. Zijn uw procesgegevens vervuild met uitzonderingen en handmatige correcties, dan leert het model precies die afwijkingen aan en reproduceert het ze met grote zekerheid. Dit is de belangrijkste reden om met process mining te beginnen: dat legt bloot hoe schoon uw data werkelijk is.

4. Traceerbaarheid als eis. Als elke beslissing achteraf uitlegbaar moet zijn voor een auditor of toezichthouder, dan is Narrow AI de juiste keuze en generatieve AI niet. Meer daarover in ons artikel over Narrow AI en eigenaarschap.

Vier situaties waarin u beter wacht

De onderliggende processen zijn niet geanalyseerd. U weet niet hoe het proces werkelijk loopt, welke uitzonderingen er zijn en welke velden betrouwbaar gevuld worden. AI toevoegen aan een rommelig proces maakt het proces rommelig én snel. Begin met meten.

De beslisregels zijn onduidelijk. Als uw eigen mensen niet eenduidig kunnen omschrijven wat een goede uitkomst is, kan een model dat ook niet leren. Het produceert dan een uitkomst die niemand kan verdedigen.

Het volume is te laag. Voor beslissingen die enkele keren per maand voorkomen, is menselijk oordeel goedkoper, sneller in te richten en beter uit te leggen.

Het eigenaarschap is niet belegd. Wie is verantwoordelijk als het model een fout maakt? Wie past de drempelwaarden aan als de regelgeving verandert? Wie merkt het als de prestaties langzaam verslechteren omdat de werkelijkheid is opgeschoven? Is daar geen antwoord op, dan is de organisatie er nog niet klaar voor, hoe goed het model ook is.

De volgorde die wel werkt

De AI-implementaties die standhouden volgen vrijwel allemaal dezelfde volgorde.

Eerst process mining: begrijp hoe het proces werkelijk verloopt en stel vast welke stappen zich lenen voor automatisering of voorspelling. In deze fase valt vaak al op dat een deel van het gewenste AI-resultaat te bereiken is met een simpele regel. Dat is geen teleurstelling, dat is winst.

Dan BPM: automatiseer het proces en bouw de structuur waarbinnen een model kan opereren. Zonder die structuur heeft een voorspelling nergens om op aan te haken.

Dan pas AI: voeg intelligente beslissingen toe op de plekken waar dat aantoonbaar geld of tijd bespaart. Begin met één afgebakend model, meet drie maanden lang wat het doet, en breid daarna uit.

Deze volgorde is niet toevallig de kern van wat Dex-IT doet. Het is de volgorde waarbij het minst misgaat.

Hoe u de businesscase rekent

Zet vier posten tegenover elkaar voordat u begint:

Wat kost het nu? Aantal gevallen per maand, gemiddelde behandeltijd, uurtarief, plus de kosten van fouten en herstelwerk.

Wat blijft er over? Reken met een realistisch automatiseringspercentage. Een model dat het merendeel van de gevallen afhandelt en de rest doorstuurt naar een mens is een goed resultaat; volledige automatisering is geen realistisch uitgangspunt.

Wat kost de inrichting? Data ontsluiten, model bouwen, inbedden in de workflow, testen.

Wat kost het beheer? Monitoring, periodiek hertrainen, aanpassen bij gewijzigde regels. Reken jaarlijks op een substantieel deel van de bouwkosten. Deze post wordt het vaakst vergeten en is het vaakst de reden dat een pilot nooit productie haalt.