Van AI-experiment naar schaalbare oplossing: hoe neem je concrete stappen?

Steeds meer organisaties zijn klaar voor de volgende fase met AI. Ze hebben geëxperimenteerd met tools zoals Copilot of ChatGPT, de eerste minimum viable products (MVP’s) opgezet en proofs of concept (POC’s) gedraaid.

Veel AI-experimenten leiden tot enthousiasme. Maar zodra een experiment goed verloopt en je het groter wilt aanpakken, ontstaan er nieuwe uitdagingen. Denk aan governance, compliance, security, datakwaliteit en adoptie. De vraag is dus: hoe schaal je AI op een verantwoorde én effectieve manier?

We gingen om de tafel met Megan Bloemsma, AI-lead bij Wortell. In deze blogpost lees je haar visie en advies!

Eerste stap richting langetermijndenken: neem bedrijfsdata mee

“Ik merk dat veel organisaties op een kantelpunt beland zijn,” zegt Megan. “Ze willen AI als langetermijnonderwerp zien en praktisch maken. Maar het is lastig om te bepalen welk pad ze dan het best kunnen bewandelen.”

Megans advies? Start met het meenemen van bedrijfsdata. Wat zij hiermee bedoelt, illustreert ze met een voorbeeld: “Stel, je vraagt aan Copilot of ChatGPT welke trends eraan komen en hoe jij hierop kunt inspelen. Als je het land of de regio specificeert, krijg je best een aardig antwoord. Maar wat als je invoert: ‘Welke trends kunnen we verwachten op basis van onze CRM-data en notities van klantgesprekken?’ Dan wordt het antwoord nog véél specifieker, omdat de AI-tool zo kan filteren welke kansen er voor jou en jouw klanten bestaan binnen het bredere scala van trends.”

Van voorbereidingen naar praktijkinzichten

Bedrijfsdata meenemen is een goede eerste stap om een schaalbare AI-oplossing op te zetten. Maar waar begin je? “Het is belangrijk om je data veilig en compliant toe te voegen aan AI,” legt Megan uit. “Daarvoor wil je eerst inzicht krijgen in de data die je hebt. Vervolgens schoon je alles op: je classificeert gegevens of categoriseert ze opnieuw. Daarmee leg je een stevige basis, van waaruit je verder kunt optimaliseren.”

Moet je nog méér voorbereidingen treffen om een AI-oplossing breder uit te rollen in de organisatie? “Dat kan,” zegt Megan, “maar ik geloof ook dat je gewoon ergens moet beginnen. Je kan duizend voorbereidingen treffen en nog niet veel wijzer zijn. Uiteindelijk brengen praktijkinzichten je verder. Wanneer je een veilige basis hebt gelegd, is het vaak verstandig om eens te testen hoe alles in de praktijk verloopt. Dat doe je stap voor stap. Kijk na het toevoegen van bedrijfsdata bijvoorbeeld eens op een ietwat grotere schaal wat je AI-tool nu voor output geeft. Soms zie je dat slechts één bron, zoals salesdata, echt verrijking biedt. Dan geef je die vervolgens prioriteit. Misschien kom je er wel achter dat de staat van data slechter is dan je dacht. In dat geval kun je het verbeteren van datakwaliteit bovenaan de agenda zetten.”

Doorzetten voor een positief domino-effect

In het snel ontwikkelende landschap moet je het uitrollen van een AI-oplossing eigenlijk niet meer zien als een eenmalig project. Megan: “Het is een doorlopend proces. Met iedere stap die je zet, krijg je nieuwe inzichten. Deze gebruik je om verder te optimaliseren. Zet je door, dan zie je een positief domino-effect ontstaan. Mijn advies luidt daarom vooral: begin ergens, zorg dat je een veilige aanpak hanteert en wéét dat dit proces geen einddatum heeft!”

Een goede start maken? Test je AI-volwassenheid met de AI Scan om een helder beeld te krijgen van waar je staat en waar je verbeterpotentieel zit.