AI implementeren in een mkb-organisatie: waar begin je?

Kort antwoord: begin niet bij een tool, maar bij één concrete taak die veel tijd kost of vaak misgaat. Kijk dan of AI die taak beter of sneller kan doen, of de data daarvoor op orde is en welke gegevens daarbij je organisatie verlaten. Test het eerst op kleine schaal, meet het resultaat en beslis daarna pas of je het breder invoert. Zo voorkom je dat AI een dure proef blijft die niemand gebruikt.

Hieronder lees je hoe je een goede eerste toepassing kiest, wat er met je data moet gebeuren en hoe je mensen meeneemt.

Begin bij een taak, niet bij een tool

De vraag "wat kunnen we met AI?" levert vooral lange lijstjes op. Een betere vraag is: welk werk kost ons nu veel tijd, terwijl het steeds op dezelfde manier gaat? Denk aan het beantwoorden van terugkerende klantvragen, het samenvatten van lange documenten, het indelen van binnenkomende mails, of het controleren van facturen op afwijkingen.

Schrijf per taak op:

• wie het nu doet en hoeveel tijd het ongeveer kost;
• wat er misgaat als het fout gaat;
• welke informatie nodig is om de taak goed te doen;
• wie het resultaat controleert.

Dat lijstje is je vertrekpunt. Het maakt meteen zichtbaar welke taken geschikt zijn: herhaalbaar, met duidelijke invoer en een resultaat dat een mens snel kan beoordelen.

Vier soorten toepassingen

AI is een verzamelnaam. In een mkb-organisatie kom je meestal deze vier soorten tegen:

1. Schrijven en samenvatten. Een taalmodel helpt bij conceptteksten, samenvattingen van verslagen of vertalingen. Snel in te zetten, met weinig voorbereiding. Een mens leest altijd mee.
2. Vragen beantwoorden uit je eigen documenten. Een assistent die vragen beantwoordt op basis van je handleidingen, contracten of kennisbank, met een verwijzing naar de bron. Dan moeten je documenten wel actueel en goed geordend zijn.
3. Indelen en herkennen. Mails, tickets of documenten automatisch een categorie geven, of gegevens uit facturen en formulieren halen. Werkt goed als je veel stukken van dezelfde soort hebt.
4. Voorspellen met cijfers. Op basis van historische data een verwachting maken, bijvoorbeeld van de vraag naar een product of de kans dat een factuur te laat wordt betaald. Dit vraagt de meeste data, en die data moet betrouwbaar zijn.

Hoe verder je in dit rijtje komt, hoe meer het resultaat afhangt van de kwaliteit van je eigen data.

Kiezen: waarde tegen haalbaarheid

Zet de taken uit je lijstje op twee assen. Verticaal: hoeveel levert het op als het werkt? Horizontaal: hoe haalbaar is het met de data en processen die je nu hebt?

• Veel waarde, goed haalbaar: hier begin je.
• Veel waarde, nog lastig: eerst de basis op orde brengen, vaak de data. Dit is je tweede stap.
• Weinig waarde, goed haalbaar: prima om erbij te doen, maar geen prioriteit.
• Weinig waarde, lastig: laten liggen.

Een goede eerste toepassing is bovendien zichtbaar (mensen merken het verschil) en omkeerbaar (als het tegenvalt, ga je zonder schade terug naar de oude werkwijze).

Je data op orde

Voor toepassingen die met je eigen gegevens werken, bepaalt de data het resultaat. Een assistent die antwoorden haalt uit verouderde documenten geeft verouderde antwoorden. Een voorspelling op onvolledige cijfers is niet beter dan een gok.

Stel daarom vooraf deze vragen:

• Waar staat de data? In welke systemen, en kun je er automatisch bij?
• Is die compleet en actueel? Wie houdt die bij, en hoe vaak?
• Betekenen begrippen overal hetzelfde? Een "klant" in het CRM is niet altijd dezelfde als een "klant" in de boekhouding.
• Wie mag wat zien? Een AI-toepassing mag niet meer tonen dan de gebruiker zelf mag inzien.

Dit is het terrein van de data engineer: bronnen koppelen, data opschonen en op één plek klaarzetten. Een centrale opslag met lagen in je eigen omgeving is vaak een goede basis voor zowel dashboards als AI; zie Datalake of datawarehouse.

Afspraken over gegevens

Bij elke AI-dienst die je niet zelf beheert, gaat er informatie naar een andere partij. Maak daarom vooraf afspraken:

• Welke gegevens gaan erheen? Gebruik alleen wat nodig is. Laat persoonsgegevens weg als de taak ook zonder kan.
• Waar worden ze verwerkt en bewaard? Binnen de EU of daarbuiten, en hoe lang.
• Gebruikt de aanbieder je gegevens om zijn model te trainen? Lees de voorwaarden van het abonnement dat je afneemt; die verschillen per aanbieder en per abonnement.
• Is er een verwerkersovereenkomst? Bij persoonsgegevens hoort die er te zijn.
• Wie in je organisatie mag welke AI-diensten gebruiken? Een korte, duidelijke richtlijn voorkomt dat medewerkers zelf allerlei gratis diensten gaan proberen met bedrijfsgegevens.

Dit is algemene uitleg, geen juridisch advies. Bij twijfel laat je een privacyverantwoordelijke of jurist meekijken.

Een proef in vier stappen

1. Nulmeting. Meet hoe de taak nu gaat: tijd, fouten, doorlooptijd. Zonder dat startpunt kun je later niets zeggen over het effect.
2. Klein beginnen. Eén team, één taak, een paar weken. Maak voor elk resultaat een mens verantwoordelijk.
3. Meten en verzamelen. Wat ging goed, wat ging fout, waar moest iemand corrigeren? Vraag de gebruikers ook wat ze ervan vinden.
4. Besluiten. Opschalen, aanpassen of stoppen. Stoppen is een prima uitkomst als het niet werkt; dan heb je goedkoop iets geleerd.

Mensen meenemen

Een AI-toepassing is pas geslaagd als mensen ermee werken en erop vertrouwen. Dat vraagt meer dan een inlogscherm:

• Leg uit wat het wel en niet kan. Taalmodellen kunnen overtuigend klinkende fouten maken. Wie dat weet, controleert beter.
• Betrek de mensen die de taak nu doen. Zij weten waar de uitzonderingen zitten.
• Train kort en praktisch. Laat zien hoe je goede vragen stelt en hoe je een antwoord controleert.
• Spreek af wie verantwoordelijk is. AI doet een voorstel; een mens beslist.

Veelgemaakte fouten

• Te groot beginnen. Een organisatiebreed AI-programma zonder één werkende toepassing levert vooral vergaderingen op.
• Data overslaan. De toepassing werkt in de demo, maar niet op je echte, rommelige gegevens.
• Geen eigenaar. Niemand voelt zich verantwoordelijk voor de kwaliteit van de antwoorden.
• Privacy achteraf. Eerst alles invoeren en later uitzoeken of dat mocht.
• Niet meten. Zonder nulmeting weet je niet of het iets heeft opgeleverd.

Samengevat

• Begin bij één taak die veel tijd kost en steeds op dezelfde manier gaat.
• Kies op waarde en haalbaarheid; begin waar beide hoog zijn.
• Hoe meer een toepassing met je eigen data werkt, hoe belangrijker het is dat die data op orde is.
• Maak vooraf afspraken over welke gegevens waarnaartoe gaan.
• Test eerst op kleine schaal, meet en beslis daarna.

Wil je verkennen waar AI in jouw organisatie iets toevoegt, en waar niet? Op AI-strategie lees je hoe we dat samen met je bepalen. Verloopt een taak in vaste stappen, dan kan een workflow of een agent helpen, met menselijk handelen op de momenten die ertoe doen; zie AI-automatisering. Op Werkwijze lees je hoe we het in vijf fasen inrichten in je eigen omgeving, van kennismaken en in kaart brengen tot blijven verbeteren. Je data blijft daarbij standaard bij jou, tenzij we samen iets anders afspreken en dat vastleggen.