De AI-readinesschecklist: is uw bedrijf er echt klaar voor?

Er is een vraag die ik tegenwoordig minstens één keer per week krijg, meestal met een licht nerveus lachje erbij: "Dus... moeten wij iets met AI gaan doen?" Het is de verkeerde vraag, maar wel een eerlijke. De juiste vraag — degene die bijna niemand als eerste stelt — is rustiger en veel nuttiger: is dit bedrijf eigenlijk klaar om waarde uit AI te halen, of zouden we alleen maar geld verbranden om modern te lijken?

Ik zit nu al jaren tegenover eigenaren en managers van middelgrote bedrijven — fabrikanten, groothandels, dienstverleners, regionale ondernemingen met vijftig tot driehonderd mensen. Degenen die slagen met AI beginnen bijna nooit met de technologie. Ze beginnen door eerlijk te kijken naar de staat van hun eigen huis: hun data, hun processen, hun mensen, en hoe beslissingen daadwerkelijk worden genomen als niemand kijkt. De technologie is het makkelijke deel. Readiness is het deel dat bepaalt of u een resultaat krijgt of een spijtgevoel.

Dit is dus, grofweg, de checklist die ik doorloop voordat ik een bedrijf zou aanraden ook maar één euro aan iets te besteden. Het is geen volwassenheidsmodel met twaalf dimensies en een kleurrijke radargrafiek. Het is een set eenvoudige vragen die u onder het genot van een kop koffie kunt beantwoorden, gegroepeerd rond vijf dingen die echt voorspellen of AI voor u gaat werken — of u over zes maanden stilletjes voor schut zet in een stuurgroepvergadering.

Waarom "readiness" zwaarder weegt dan het model

Hier is de ongemakkelijke waarheid waar leveranciers niet mee zullen openen: het AI-model is zelden de reden dat een project mislukt. De modellen zijn inmiddels verbluffend goed, en ze worden om de paar maanden beter, of u nu iets doet of niet. Wat projecten om zeep helpt, is alles eromheen — de rommelige data die het krijgt, het proces waar het aan vastgeschroefd wordt, de mensen die nooit iets gevraagd werd, de onduidelijke eigenaar, de vage definitie van succes.

Ik heb bedrijven serieus geld zien uitgeven aan een slimme pilot die prachtig werkte in de demo en vervolgens stierf bij het eerste contact met de realiteit, omdat de benodigde data in drie incompatibele systemen en het hoofd van één persoon leefde. De pilot was niet verkeerd. Het bedrijf was er gewoon niet klaar voor. Readiness is geen hek dat u buiten AI houdt — het is wat bepaalt of uw investering aangroeit of verdampt.

Het goede nieuws is dat readiness te repareren is, en de meeste oplossingen zijn weinig glamoureus en goedkoop. U hebt geen datalake of een chief AI officer nodig. U moet eerlijk weten waar u staat op vijf fronten, en het ene of twee gaten dichten die anders het eerste project zouden laten zinken. Laten we ze doorlopen.

Pijler 1: uw data — is die goed genoeg om op te bouwen?

AI is niet beter dan wat u erin stopt, en hier worden middelgrote bedrijven het vaakst verrast. Niet omdat hun data slecht is — meestal is die prima voor de bedrijfsvoering — maar omdat "prima voor mensen" en "prima voor een machine" verschillende lat zijn. Een mens kan een licht inconsistente klantgegeven lezen en weten dat "Müller GmbH" en "Mueller G.m.b.H." dezelfde firma zijn. Een systeem heeft nodig dat u dat al besloten hebt.

U hebt geen perfecte data nodig. Niemand heeft perfecte data, en erop wachten is gewoon uitstelgedrag in een pak. Wat u nodig hebt, is data die toegankelijk, redelijk consistent en verbonden is met het proces dat u wilt verbeteren. Stel uzelf de eenvoudige vragen:

• Kunt u de data die u nodig zou hebben daadwerkelijk bereiken, of zit die opgesloten in een systeem waar slechts één leverancier uit kan exporteren?
• Wordt hetzelfde meestal op dezelfde manier vastgelegd — klanten, producten, statussen, datums?
• Weten uw kernsystemen van elkaars bestaan, of typt iemand het elke dag van het ene naar het andere over?
• Is er genoeg historie om van te leren, daar waar de taak überhaupt historie nodig heeft?
• Zou u het prettig vinden als een toezichthouder vraagt waar een bepaald getal vandaan komt?

Nog iets dat mensen onderschatten: data-eigendom. Als een cruciaal deel van wat u het model zou voeren in een externe tool zit waarvan het contract export verbiedt, dan is dat geen technisch probleem dat u kunt omzeilen — het is een commercieel probleem dat u eerst moet oplossen. Beter dat nu op papier te ontdekken dan drie maanden in een bouwtraject.

Pijler 2: uw processen — zijn ze stabiel genoeg om te automatiseren?

Er is een oude uitspraak in onze wereld: automatiseert u een chaos, dan krijgt u een snellere chaos. Het is een cliché omdat het meedogenloos waar is. AI op een chaotisch proces gegooid lost de chaos niet op — het schaalt die op, en nu bent u in hoog tempo in de war. Voordat u intelligentie boven op een proces kunt zetten, moet het proces stabiel genoeg zijn dat u het op de eerste dag aan een nieuwe medewerker zou kunnen uitleggen.

Dat betekent niet dat het elegant of volledig gedocumenteerd hoeft te zijn. Het betekent dat het echt en herhaalbaar moet zijn. De test is simpel: kunt u het tekenen? Als u drie mensen die het werk doen in een kamer zet en hen de stappen laat schetsen, tekenen ze dan ruwweg hetzelfde plaatje — of drie verschillende, elk vasthoudend dat het hunne de manier is waarop het "echt" gaat?

Regels versus oordeel

Het helpt ook te weten met wat voor soort proces u te maken hebt. Volgt het vaste regels — verplaats deze data daarheen, stuur die herinnering, markeer alles boven een drempel — dan hebt u misschien helemaal geen AI nodig; gewone automatisering is goedkoper en betrouwbaarder. AI verdient haar plek waar het werk echt rommelig en taal- of oordeelsgebonden is: een vrije-tekst-e-mail lezen en de order eruit halen, een eerste concept-antwoord opstellen, documenten sorteren die niemand wil archiveren. Eerlijk zijn over welke van de twee u hebt, behoedt u ervoor een voorhamer te kopen voor een punaise.

Pijler 3: uw mensen — gaan ze het echt gebruiken?

Dit is de pijler die de minste aandacht krijgt en de meeste projecten doet stranden. U kunt schone data en een opgeruimd proces hebben en alsnog eindigen met een tool die niemand aanraakt, omdat de mensen wier werk erdoor veranderde als bijzaak werden behandeld. Een model dat genegeerd wordt, heeft een ROI van precies nul, hoe indrukwekkend het er in de pitch ook uitzag.

Readiness draait hier deels om vaardigheden, maar vooral om vertrouwen en betrokkenheid. Werd aan de mensen die het werk doen gevraagd wat hen vertraagt, of kregen ze een oplossing voorgeschoteld voor een probleem waarvan ze niet vonden dat ze het hadden? Voelt iemand binnen het bedrijf zich eigenaar van het laten slagen hiervan, of is het "het project van de consultant"? Is er minstens één nieuwsgierig persoon in het team die het zal aanjagen in plaats van er stilletjes omheen te werken?

U hebt geen datawetenschappers in dienst nodig. Voor de meeste middelgrote bedrijven brengt de juiste partner de technische diepgang. Wat u niet kunt uitbesteden is de bereidheid om te veranderen hoe een paar dagelijkse taken worden gedaan — en die bereidheid bouwt u op door mensen vroeg te betrekken, niet door het nieuwe systeem op een personeelsbijeenkomst aan te kondigen als het al is aangeschaft.

Pijler 4: strategie en budget — is er een echte eigenaar en een echt getal?

AI-initiatieven die los van het bedrijf zweven, zonder duidelijke eigenaar en zonder gedefinieerd succes, neigen ertoe te verzanden tot iemand ze stilletjes geen geld meer geeft. Readiness op dit front is weinig glamoureus maar beslissend: een met naam genoemde persoon die het resultaat bezit, een specifiek probleem dat de moeite van het oplossen waard is, en een budget dat past bij de ambitie — inclusief het deel dat iedereen vergeet, namelijk het ding draaiende houden na de lancering.

U zou deze zin moeten kunnen afmaken voordat u begint: "Dit project slaagt als binnen drie maanden [specifiek meetbaar iets] gebeurt." "We worden innovatiever" is geen finishlijn; het is een persbericht. "Ons team is geen zes uur per week meer kwijt aan het overtypen van orders" is een finishlijn. Hoe nauwer en meetbaarder, hoe beter — en hoe makkelijker te weten of u echt gewonnen hebt.

Specifiek over budget: het bouwen is meestal de kleinste helft. Een model heeft monitoring nodig, af en toe een bijstelling, en een eigenaar die merkt wanneer de realiteit afwijkt van waarop het is getraind. Bedrijven die alleen voor het bouwen budgetteren, zetten een tool op die een kwartaal lang briljant werkt en dan langzaam wegrot omdat niemand betaald werd om ernaar om te kijken. Plan voor het saaie hiernamaals van het project, niet alleen voor de spannende geboorte.

Pijler 5: risico en governance — het deel dat u in Europa niet kunt overslaan

Voor een middelgroot Europees bedrijf is deze pijler niet optioneel, en doen alsof dat wel zo is, is hoe u eindigt met een slimme tool die u juridisch niet mag inzetten. U hebt geen complianceafdeling nodig, maar u moet wél de basisvragen hebben gesteld voordat u bouwt, niet erna. Het komt vooral neer op weten welke data het systeem raakt, waar die wordt verwerkt, en wie verantwoordelijk is als het iets fout doet.

De vragen zijn minder eng dan ze klinken. Verwerkt de tool persoonsgegevens, en zo ja, op wiens servers en onder welke overeenkomst? Als de AI iets voorstelt — een prijs, een antwoord, een beslissing — beoordeelt een mens dat dan waar het ertoe doet, of handelt het alleen? Kunt u in gewone taal uitleggen hoe het tot een bepaalde uitkomst kwam als een klant of auditor het vraagt? Hebt u nagedacht over wat er gebeurt op de dag dat het zelfverzekerd fout zit, want die dag komt?

Alles samen: uzelf eerlijk beoordelen

U hebt hier geen spreadsheet voor nodig, al kunt u er een maken. Loop de vijf pijlers langs en geef elk een rood, oranje of groen — niet zoals u het zou willen, maar zoals het vandaag werkelijk is. Het is niet de bedoeling om overal groen te scoren; bijna geen enkel bedrijf doet dat, en het hoeft ook niet. Het doel is de ene of twee roden te vinden die een eerste project zouden laten zinken, en die aan te pakken voordat u bouwt.

1. 1
   Geef elke pijler rood, oranje of groen

   Data, processen, mensen, strategie, governance. Wees eerlijk — een optimistische zelfbeoordeling verplaatst de teleurstelling alleen naar later.
2. 2
   Vind uw blokkerende roden

   Een rood op precies de pijler waarvan uw eerste project afhangt, is een stopbord. Een rood ergens anders kan wachten. Context telt zwaarder dan het totaal.
3. 3
   Dicht eerst de goedkope gaten

   De meeste readinessgaten worden gedicht met weinig glamoureus, goedkoop werk — data bereikbaar maken, het proces opschrijven, het team vroeg betrekken.
4. 4
   Kies het kleinste echte project

   Kies één stabiel, frequent, goed belegd proces waar u groen genoeg bent om te winnen. Een kleine afgeronde winst financiert de volgende — in vertrouwen, niet alleen in geld.
5. 5
   Bouw dan, en pas dan

   Met de roden opgeruimd op de pijlers die ertoe doen en een meetbaar doel op papier bent u klaar. Niet perfect — klaar. Dat zijn twee verschillende dingen, en maar één ervan komt in productie.

Merk op dat het meeste van dit werk niets met AI te maken heeft. Bereikbare data, een proces dat u kunt tekenen, een team dat aan boord is, een duidelijke eigenaar, een mens in de lus — die maken uw bedrijf beter, zelfs als u nooit één model inzet. Dat is de stille bonus van readiness serieus nemen: de voorbereiding is op zichzelf al waardevol. AI geeft u alleen een reden om het eindelijk te doen.

Veelgestelde vragen