Van “80 losse use cases” naar “denken in processen”: zó pak je AI-experimenten goed aan
AI is een hot topic en iedereen zoekt naar manieren om er optimaal gebruik van te maken. Vaak is dat best een uitdaging, want de mogelijkheden zijn zo goed als eindeloos. Juist daarom komt één vraag nu overal terug: ‘Hoe prioriteren we onze AI use cases?’
Van sneller betalingen ontvangen tot bankfraude opsporen: de gemiddelde organisatie identificeert al gauw tientallen tot honderden use cases die er interessant uitzien. Vaak ontstaat er dan een kwadrant: je zet 80 use cases af tegen hun waarde en impact, kiest er één of twee uit en gaat aan de slag. Begrijpelijk, maar tegelijkertijd erg tijdrovend.
Bovendien brengt deze aanpak een risico met zich mee: als je na veel wikken en wegen uiteindelijk één use case uitkiest en de rest laat liggen, gooi je de opgetelde waarde van alle andere use cases over de schutting.
Is er geen slimmere aanpak te bedenken?
Eén proces, meerdere use cases
Kijk eens naar de waardeketen van je organisatie. Waarom besta je en welke processen liggen daaraan ten grondslag? Als dát het uitgangspunt is, verandert de AI-aanpak drastisch. Zodra je in processen gaat denken, besef je namelijk dat één proces meestal meerdere use cases bevat.
Neem het proces rondom het oplossen van IT-incidenten: je ontvangt een melding, bijvoorbeeld: “Medewerkers kunnen niet meer inloggen.” Je luistert naar de vraag, je implementeert een oplossing en je meldt het incident af. Dit proces bestaat uit diverse stappen. En in elke stap schuilt een potentiële use case. Voeg je al deze use cases bij elkaar, dan heb je één keten waarin je meerdere use cases kunt draaien.
Wat als je deze use cases nu eens bundelt en ze oppakt als één project? In dat geval faciliteert AI ineens een heel proces. Zo voorkom je dat je een resultaat behaalt dat op zichzelf fantastisch is, maar weinig waarde toevoegt voor de organisatie. Je realiseert procesverbetering.
‘Process mining’ = datagedreven beslissingen nemen
Hoe pak je dit concreet aan? In ieder geval niet door willekeurig een proces onder handen te nemen zonder het eerst geanalyseerd te hebben.
Ons advies: begin met inzicht in het proces. Met een techniek die we process mining noemen, analyseer je historische data om patronen zichtbaar te maken. Zo zie je wat goed gaat, waar verbetering mogelijk is en waar onnodige vertraging of verspilling ontstaat. Meer dan eens blijkt dat de bottleneck níet op de verwachte plek zit.
Om bij het bovengenoemde voorbeeld te blijven: stel dat je eerste ingeving is om de voorkant van het proces efficiënter te maken, zoals de eerste reactie, de classificatie en het doorzetten van een melding. Uit de analyse kan echter blijken dat de grootste vertraging pas later in het proces ontstaat. Tickets blijven bijvoorbeeld te lang openstaan of worden na afronding regelmatig heropend.
Dan is het veel zinvoller om juist dáár AI-agents in te zetten. Denk aan een agent die voorspelt welke tickets buiten de afgesproken oplostijd dreigen te vallen, zodat je op tijd kunt bijsturen. Zo boek je concrete winst: een kortere doorlooptijd, betere naleving van SLA-afspraken en meer tickets die binnen 48 uur worden opgelost.
Waar liggen jouw procesuitdagingen?
Ga je met AI aan de slag, focus je dan niet éérst op de beste AI-tool of use case. Kies een proces uit waarvan je weet dat het meer waarde kan opleveren. Meet waar de grootste uitdagingen zitten en los díe gericht op met AI. Daarbij pak je meestal meerdere use cases mee. En zo creëer je écht waarde.