‘Mogen wij een onsje AI?’ Een praktisch stappenplan voor je eerste AI-project

Stap 1 is voor een AI-project dus precies hetzelfde als voor ieder ander project. Samen met de klant bepalen we waar we de meeste waarde zien van de beschikbare technologie. Het is belangrijk om deze vraag niet alleen vanuit je bedrijfs- of organisatiebelang te stellen, maar ook vanuit het perspectief van de gebruiker. Want een AI-toepassing is pas succesvol als je medewerkers of klanten hem ook echt gebruiken en er het nut van zien.

Wat AI-projecten wel uniek maakt, is hun afhankelijkheid van data. Bij het zoeken naar businesscases zoeken we dus altijd meteen naar data. Want wat je kunt bereiken met AI hangt vooral af van welke data je hebt om het algoritme mee te voeden.

In de meeste organisaties vinden we trouwens heel veel bruikbare data. Veel meer dan klanten in eerste instantie zelf dachten dat ze hadden.

Hebben we een idee en een businesscase, dan brengen we het proces en de data verder in kaart. In veel processen zien we dat medewerkers de hele dag uit alle hoeken en gaten data bij elkaar aan het zoeken zijn. Ze openen bijvoorbeeld het CRM, de bedrijfswebsite, technische documentatie en een gebruikershandleiding om antwoord te kunnen geven op technische vragen.

Om dat efficiënter te kunnen maken, inventariseren we welke databronnen ze gebruiken voor welk deel van hun werk. Dan duiken we in de techniek van die databronnen: hoe kunnen we ze ontsluiten? Hoe vaak verandert de informatie? Gaat het om interne of externe data? Moeten de data opgeschoond of ontdubbeld worden? Zo krijgen we een goed beeld van wat we moeten doen om AI effectief te maken in dit specifieke businessproces.

Zijn we nu klaar om met AI aan de slag te gaan? Nee, er is nog één belangrijke stap: het bij elkaar brengen van alle data op zo’n manier dat algoritmes er makkelijk mee kunnen werken. Zo’n data-opslag noemen we een data warehouse en tegenwoordig bouwen we die uitsluitend nog in de cloud. Cloud-omgevingen zoals Microsoft Azure bieden namelijk allerlei functies waarmee we snel, veilig en kosteneffectief met data kunnen werken.

Het bouwen van een data warehouse is daardoor technisch geen grote uitdaging, maar de impact op je organisatie is groot. Zodra er een data warehouse is, verandert namelijk de manier waarop je met informatie omgaat. Je beweegt definitief weg van de oude manier van ‘zoeken en rondvragen’, die in een klein bedrijf misschien werkt maar in een grote organisatie extreem inefficiënt en zelfs gevaarlijk is. Omdat je de kwaliteit van ‘informele’ informatievoorziening niet kunt controleren, laat staan garanderen, met ontevreden klanten als gevolg. Je maakt met een data warehouse de stap naar een 'bron van de waarheid' (‘single source of truth’) waar iedereen alles kan vinden, zonder te hoeven zoeken of bellen.

Dit is de laatste tijd nog urgenter geworden door de situatie op de arbeidsmarkt. Waar technische bedrijven zich vroeger konden veroorloven om HBO-ingenieurs op de helpdesk te hebben, zitten daar nu mensen zonder technische achtergrond die serieuze technische vragen moeten beantwoorden, onder tijdsdruk en met de hete adem van de klant in de nek. Deze mensen worden heel zwaar belast en zijn voor antwoorden vaak afhankelijk van senior medewerkers die de kennis hebben.

Alleen, die hebben het ook druk en zijn lang niet altijd snel beschikbaar. Wat je dus eigenlijk wilt, is de kennis uit het hoofd van je experts overbrengen naar je data warehouse. Dat klinkt misschien als science fiction, maar eigenlijk is het helemaal niet zo moeilijk. We halen daarvoor uit je CRM of ticketingsysteem alle antwoorden die jouw experts ooit naar klanten gestuurd hebben. Een AI-toepassing gebruikt die antwoorden als data om antwoorden op nieuwe vragen uit af te leiden.

Het bouwen van je data warehouse is een stap die je maar één keer hoeft te doorlopen. Voor ieder volgend AI-project voeg je nieuwe databronnen toe aan je bestaande data warehouse.

Tot en met stap 3 zijn we nog 'onder de oppervlakte' aan het werk geweest. We waren heel druk met nadenken, businesscases maken en data ontsluiten, maar voor de gebruiker is er nog niets verbeterd. Om gebruikers met AI te laten werken, en er dus rendement uit te halen, brengen we de AI nu in het werkproces van je mensen.

Hoe we dat doen, verschilt per toepassing. Het uitgangspunt is, dat we de AI in het proces inbrengen waar dat voor je medewerker of klant het meest logisch is. Soms ontwikkelen we daarvoor een mobiele app, soms integreren we hem met een chat-app zoals Teams of Slack en soms is er behoefte aan een invoegtoepassing in Outlook of een ander mailprogramma. We hebben daar geen vooraf bepaald idee over, omdat ons doel is om mensen te helpen hun werk beter en sneller te doen.

Bij het integreren en bewerken van data en het maken van AI-algoritmes kunnen we meestal de standaardfuncties van Microsoft Azure gebruiken, maar deze laatste stap is altijd maatwerk. Daarvoor hebben we dus ook altijd een aantal technische specialisten in het project die dat werk kunnen oppakken.

Tot zover de theorie. Laten we naar een praktijkvoorbeeld kijken. Bij een klant van ons integreerden we Azure OpenAI (de AI van Microsoft) in het serviceproces. We bouwden een data warehouse met daarin alle technische documentatie, handleidingen en eerdere klantcommunicatie en integreerden dat in de mailboxen van de servicemedewerkers.

Bij iedere klantmail die zij openen, krijgen ze nu van het systeem automatisch een kant en klare antwoordmail. Het enige wat ze hoeven te doen, is het antwoord controleren en waar nodig aanvullen.

Omdat we het algoritme voeden met een enorme hoeveelheid data van hoge kwaliteit, is 85% van de antwoorden correct. Bij 15% van de gegenereerde mails doet een medewerker nog een aanpassing. Maar ook dan is het overgrote deel van het zoekwerk al voor ze gedaan. De tijdswinst op deze afdeling met 60 mensen is enorm.

85% is trouwens wel een uitzonderlijke score. Bij het berekenen van de businesscase hanteren we liever 70%. Kan een AI ooit 100% van de vragen juist beantwoorden? Nee. En dat is het doel ook nooit. Het doel van dit project was om de eenvoudige, terugkerende vragen bij medewerkers weg te halen en ze de tijd te geven om zich met de complexere vraagstukken bezig te houden waarbij niet alleen technische kennis, maar ook empathie met de klant nodig is.

Het doel is ook nooit om medewerkers te vervangen door AI. Je kunt met een redelijk werkend AI-systeem al 40% tijd besparen op je serviceafdeling (wat in dit geval zou neerkomen op 24 FTE), maar het zou een denkfout zijn om dan mensen te gaan ontslaan. Onze klant was slim genoeg om dat niet te doen en zag in plaats daarvan dat tickets niet meer uitliepen, dat het serviceniveau steeg omdat de antwoorden kwalitatief beter en consistenter waren. Daarmee verbeterde ook de klanttevredenheid.

Met minder werkdruk en minder stress op de afdeling ging het verloop - en daarmee de kosten van werving en opleiding - drastisch omlaag. Mensen die langer blijven en minder stress hebben, krijgen meer kans om zich te ontwikkelen en kennis op te doen. Zo worden ze voor jou ook weer waardevoller.

Veel AI-toepassingen gaan over het beantwoorden van vragen op basis van data. Maar dat is absoluut niet de enige manier waarop je AI kunt gebruiken. AI kan ook een belangrijke functie hebben in het inspireren en snel op gang brengen van een creatief proces. Een designer die altijd begint met 5 AI-gegenereerde voorbeelden, ervaart minder stress en komt sneller tot een eigen ontwerp. Zo maak je ook iets ongrijpbaars als creativiteit effectiever, efficiënter en beter voorspelbaar.

Wat wil jij bereiken met AI?