In dit artikel bekijken wij, de DDMA Commissie AI, daarom in de eerste plaats naar waarom AI-adoptie wordt afgeremd. Daarna bespreken we vier verschillende fasen van AI-adoptie en de huidige status daarvan op de markt. Tot slot lichten we toe hoe je, als organisatie, van de ene adoptiefase naar de volgende kunt gaan.
Complexiteit en de strijd om talent remmen AI-adoptie af
Uit een recent onderzoek van Gartner blijkt dat binnen de komende twee jaar 33% van de AI-tech-aanbieders en AI agencies 1 miljoen dollar of meer in AI-gerelateerde technologieën gaat investeren. Waarom? Omdat men er veel potentie in ziet. Enerzijds omdat men beseft dat je met AI essentiële data terug kan halen om effectiviteit te verbeteren. Anderzijds kan men AI inzetten om nieuwe producten en diensten te creëren, meer klanten aan zich binden en meer inkomsten te genereren.
Helaas is de adoptie van AI niet zo snel gegaan als oorspronkelijk gedacht. Het wordt nog steeds gezien als een grote uitdaging. Dit heeft onder meer te maken met de toenemende snelheid waarop nieuwe technologie wordt uitgebracht (zoals cloud- en MLOpsen), de toenemende complexiteit van technologie en het gebrek aan technische kennis en vaardigheden onder personeel. Onderzoek van O’Reilly[2] in maart onderstreept een opvallend vergelijkbaar gebrek aan vaardigheden ten opzichte van hetzelfde onderzoek een jaar eerder. Naast de benodigde upskilling is het werven van personeel voor de vereiste functies nog steeds een uitdaging, waardoor een ware ‘oorlog om talent’ is ontstaan.
AI in een organisatie verankeren is dus een reis op zich. Elke organisatie is uniek en dat geldt ook voor de uitdagingen waarmee je wordt geconfronteerd wanneer AI een integraal onderdeel van je bedrijf wordt. Vanuit een hoger niveau bekeken kunnen je echter verschillende fasen in de adoptie van AI onderscheiden.
Adoptiefasen AI
In het AI Maturity Model van Gartner worden vier verschillende fasen van AI-adoptie geïdentificeerd.
- AI als experiment: deze eerste fase is een zeer experimentele fase waarin AI-initiatieven worden uitgevoerd in silo’s (oa innovatieteams) zonder centrale coördinatie. In deze fase zijn de mensen die aan AI werken een kleine groep hoogopgeleide individuen zijn (d.w.z. data scientist)
- AI in productie: hoewel in deze fase de push voor AI vooral vanuit de AI-groep komt, ontstaat er eveneens een pull vanuit de organisatie. Wat de organisatie betreft, zijn AI-teams meestal gecentraliseerd. Bestaande AI-implementaties zijn meestal ‘brownfield’-implementaties (automatisering van bestaande processen) in plaats van ‘greenfield’-implementaties (herontwerp van processen met nieuwe AI-mogelijkheden in gedachten).
- AI wordt breed ingezet in bedrijfsprocessen: in deze fase is een breder scala aan persona’s (business, AI, data, IT) betrokken bij de levenscyclus van usecases. AI wordt hierbij een belangrijke pijler in de bedrijfsstrategie en -cultuur, waarbij de strategie wordt vertaald naar ondersteunende data- en AI-initiatieven. AI-implementaties zijn meestal nog steeds ‘brownfield’- in plaats van ‘greenfield’-implementaties.
- AI in bedrijfs-DNA: de laatste fase wordt gekenmerkt door processen die volledig nieuw worden herontworpen (‘greenfield’) met AI-mogelijkheden in gedachten. Niet alleen worden processen verbeterd dankzij de AI-mogelijkheden, maar ook worden nieuwe producten en diensten ontsloten dankzij de mogelijkheden die AI biedt.
Dit model beschouwt de evolutie van de AI-strategie als een technologische en culturele procestransformatie. Hoe verder je bent in deze evolutie, hoe meer bedrijfswaarde zal worden ontsloten door de adoptie van AI (zie figuur 1).
Meer bedrijven werken met live AI-implementaties en AI wordt geavanceerder
Wanneer we rekening houden met het AI Maturity Model van Gartner (figuur 1) én de resultaten van de AI Maturity Test van DDMA 2022 zien we dat grotere bedrijven (500+ werknemers) over het algemeen verder zijn in het AI-adoptieproces dan kleinere bedrijven. Bovendien gaf 27% van de deelnemers van de enquête aan dat zij AI-implementaties live hebben staan. Dat is een stijging van 17% ten opzichte van 2021. Dit lijkt aan te geven dat de meeste bedrijven zich nog in fase 1 of net in fase 2 bevinden. Een andere, meer positieve trend is dat de afstand tussen AI en de business kleiner is geworden. Tegenwoordig geeft meer dan de helft (57%) van de bedrijven aan dat beide groepen vaak of zeer vaak samenwerken aan AI-projecten. Als het gaat om het werken aan AI, geeft 84% aan dat ze hun AI-modellen kunnen uitleggen. De helft van deze groep wijst er echter op dat hun focus meer ligt op het behalen van resultaten met AI dan op het tijd besteden aan het kunnen uitleggen ervan.
Een ander belangrijk inzicht dat een uitdaging vormt voor de adoptie van AI is het feit dat slechts 20% van de ondervraagde bedrijven aangeeft dat er een grotere overkoepelende organisatievisie bestaat over de schaal waarop AI-initiatieven worden ontwikkeld. Hoewel er op het gebied van visie nog ruimte is voor verbetering, wees de Maturity Test uit dat de gebruikte AI-modellen geavanceerder zijn geworden in vergelijking met vorig jaar. Dit jaar maakt ongeveer 10% hoofdzakelijk gebruik van statistische technieken, tegenover 50% in 2021. Bovendien is het gebruik van geavanceerdere machine learning- en deep learning-technieken met bijna 60% gestegen ten opzichte van vorig jaar.
Een gebied dat ook potentie biedt voor de adoptie van AI is de ontwikkelingsprocessen. Hoewel 80% van de bedrijven zegt geautomatiseerde pipelines voor AI-modellen te gebruiken, maakt binnen deze groep slechts 20% gebruik van een ML Lifecycle Management System. Als we kijken naar waar AI voor wordt gebruikt, stellen sommige organisaties (33%) dat bepaalde relevante bedrijfsprocessen gebruik maken van AI, terwijl 60% zegt dat AI wordt gebruikt voor echte innovaties en niet alleen voor geleidelijke verbeteringen. Interessant is ook dat AI-developers als de operationele kant het erover eens zijn dat 10-75% van de geproduceerde AI-modellen wel degelijk een meetbare (positieve) impact hebben. Tot slot lijkt er een correlatie te bestaan tussen complexere modellen en een grotere impact. Het is echter belangrijk op te merken dat complexere modellen in de praktijk over het algemeen geen enkele garantie bieden voor een groter effect.
Hoe bereik ik de volgende adoptiefase?
Van fase 1 naar fase 2
Op basis van de AI Maturity Test van DDMA lijkt het overgrote deel van de Nederlandse bedrijven zich in fase 1 (AI als experiment) en fase 2 (AI in productie) van AI-adoptie te bevinden. Voor bedrijven in fase 1 moet je op de volgende twee vragen ‘ja’ kunnen antwoorden:
- Begrijp je goed wat AI is?
- Kun je potentiële AI-usecases binnen je organisatie identificeren?
Als je een of beide vragen met ‘nee’ kunt beantwoorden, kun je het beste overwegen een beroep te doen op een externe AI-adviseur om de vereiste kennis snel te verwerven. Ook zou je kunnen overwegen de vereiste vaardigheden en kennis intern te ontwikkelen of een data scientists of eventueel afgestudeerde studenten in dienst te nemen, al kan dit wel een dure optie zijn.
Bovendien is het belangrijk om te denken in kleine stappen en op een ‘agile’ manier: begin dus met AI als experiment en proof of concepts. Dit betekent dat proof of concepts vooraf moeten worden geëvalueerd op basis van factoren zoals projectomvang, haalbaarheid en potentiële bedrijfswaarde. Een ideale proof of concept moet binnen een half jaar echte waarde kunnen opleveren. Daarom zouden organisaties moeten beginnen met eenvoudige in plaats van complexe AI-modellen. Eenvoudige modellen geven meestal sneller resultaten die gemakkelijker uit te leggen zijn aan de rest van de organisatie. Dit zal je helpen om meer mensen uit je organisatie te overtuigen om je AI-activiteiten te ondersteunen, waardoor ze zelf AI-supporters worden, wat weer leidt tot een grotere tractie voor de algemene adoptie van AI.
Hoe bereik ik de volgende adoptiefase?
Van fase 2 naar fase 3
Zodra de adoptie van AI meer tractie krijgt binnen je organisatie en je overgaat naar fase 2 (AI in productie) kun je de volgende dingen doen:
- Het is tijd om meer werknemers aan AI te laten werken of meer te laten leren over de potentiële impact ervan op je organisatie. Bij voorkeur door operationele en AI-collega’s samen te laten werken in een of meerdere multidisciplinaire teams.
- Vergeet ook niet om tijd te besteden aan de uitlegbaarheid van modellen en probeer je modellen zo mogelijk op klantniveau uit te leggen: ‘door X heeft klant Y dit resultaat bereikt’. Als je een bepaald model niet kunt uitleggen, neem dan de weloverwogen beslissing om het niet te gebruiken. Als je al enkele AI-experimenten hebt uitgevoerd, ontwikkel dan een visie over wat je wilt bereiken met AI binnen je organisatie. Dit gaat je helpen meer budget voor AI te krijgen.
- Op de lange termijn gaan deze visie en interdisciplinaire samenwerking winst opleveren door het identificeren van waardevolle nieuwe functies of diensten die je kernactiviteiten ondersteunen. Ook andere aspecten van AI-projecten, zoals wettelijke maatregelen en ethiek, zullen hierbij helpen. Kennis over deze aspecten moet aan al je AI-deskundigen worden bijgebracht.
- Je moet ook kritisch blijven bij het al dan niet starten van nieuwe AI-projecten door vooraf bepaalde controles uit te voeren met behulp van AI-ontwerpchecklists. Dit zal helpen om sneller waarde te leveren en meer AI-modellen in gebruik te nemen.
- Vanuit een technisch perspectief kun je de productie van AI verder verbeteren door een AI-bedrijfsomgeving/ML Lifecycle Management System op te zetten die/dat de volledige workflow voor AI-projecten ondersteunt. Dit wordt ook wel MLOps genoemd en omvat zaken als de automatisering van datastromen, de inzet van modellen, de resultaten van model serving en monitoring. Met deze aanpak is AI-modellering niet langer een handmatig proces, maar een volledig geautomatiseerd proces dat voortdurend oplopende waarde voor je organisatie oplevert.
Denk er altijd aan dat je AI niet moet zien als een technologische uitdaging. Je moet er gewoon te zorgen dat je de juiste hulpmiddelen en vaardigheden meebrengt naar de organisatie die hier voor nodig zijn. We hebben een aantal tips verzameld om je te helpen verder te komen dan de eerste twee fasen van het AI Maturity Model van Gartner. Hieronder vind je een overzicht van de fasen die de gemiddelde organisatie doorloopt en de tips die je kunt gebruiken om van de ene fase naar de volgende te gaan.
Hoe bereik ik de volgende adoptiefase?
Tips & tricks
- AI-initiatieven worden uitgevoerd in silo’s (laboratoriumomgevingen)
- Zeer experimenteel
- Voornamelijk push van AI-groep; nog geen pull van de operationele kant
- Kleine groep van hoogopgeleide individuen
Tips over hoe verder te gaan
- Krijg een goed begrip van wat AI precies is en identificeer potentiële usecases voor je organisatie.
- Ontwikkel de vaardigheden zelf, zoek een externe adviseur en/of huur een data scientist in (of eventueel afgestudeerde studenten).
- Begin er dan aan te werken :-). Begin met het bouwen en doe experimenten/maak proof of concepts (hou het simpel).
- Betrek meer mensen bij de projecten en leer het personeel wat AI precies is en wat het voor je organisatie kan betekenen. Niet alleen aan de technische mensen, maar ook aan operationele collega’s. Het kan je organisatie helpen om een externe deskundige in te huren en zo je projecten een boost te geven.
- Organiseer je data analisten of data scientists zodat ze elkaar kunnen helpen en meer impact kunnen maken. Leid eventueel data analisten op tot data scientists.
- Zoek een sponsor in seniormanagement en zorg voor innovatiefinanciering om aan de slag te kunnen.
- Begin te experimenteren met AI om echte waarde te leveren.
- Kies enkele kleinere en haalbare AI-proefprojecten en probeer die live in te zetten.
- Probeer projecten een bepaalde tijdsperiode te geven (timeboxing) en begin aan iets kleins dat binnen een half jaar echte waarde kan opleveren.
- Concentreer je op het optimaliseren of automatiseren van tijdrovende of inspannende ondersteunende taken waarbij je waarde kunt toevoegen die niet mogelijk zou zijn zonder AI.
- Werk aan de analyse van gestructureerde gegevens uit datadumps of databases. Idealiter zou je beginnen met het organiseren van je gegevens in een centrale database, zodat gegevenswetenschappers/gegevensanalisten volledige toegang hebben tot alle gegevens.
- Begin je modellen handmatig te trainen (idealiter regelmatig).
- Ontwikkel meer technische vaardigheden zoals Git, programmeren, implementatie, enz.
- Zorg ervoor dat data scientists krachtige laptops hebben en een afdelingsserver kunnen gebruiken voor AI-doeleinden of, indien mogelijk, dat ze budget hebben voor cloud AI-oplossingen en/of VM’s.
- Gestandaardiseerde pijplijnen (MLOps)
- Voornamelijk push van AI-groep; pull van de operationele kant komt langzaam op gang
- Gewoonlijk georganiseerd als AI Center of Excellence
- Meestal ‘brownfield’ AI-implementaties (automatisering van bestaande processen) in plaats van ‘greenfield’-implementaties (herontwerp van processen met AI-mogelijkheden in gedachten)
Tips over hoe verder te gaan
- Zorg dat er meer interne werknemers aan AI gaan werken of de tijd nemen om zich te verdiepen in de impact van AI.
- Laat de operationele collega’s en de data scientists vaker samenwerken aan AI-projecten.
- Kijk of je data science teams kunt opzetten in meerdere bedrijfseenheden om kennis te verspreiden.
- Zoek sponsors in de reguliere marketing-/IT-bedrijfslijnen en laat hen budget reserveren voor AI.
- Bedenk vooraf bepaalde controles aan het begin van een nieuw project en controleer ethische kwesties in je validatiestappen.
- Probeer je modellen op klantniveau uit te leggen: ‘door X heeft klant Y dit resultaat gekregen’. Of als je het model niet kunt uitleggen, neem dan een weloverwogen besluit om (g)een algoritme te gebruiken.
- Begin na te denken over de juridische en ethische aspecten van AI-projecten en over hoe je kunt uitleggen hoe je modellen werken.
- Je hebt inmiddels al enkele AI-experimenten uitgevoerd en je zou het idee achter AI en de potentie ervan voor je organisatie inmiddels moeten begrijpen. Ontwikkel een visie over wat je wilt bereiken met AI binnen je organisatie en neem hierin ook de financiering op.
- Probeer AI-projecten op te splitsen in kleinere stappen, zodat je sneller waarde kunt leveren en meer in productie kunt nemen.
- Probeer meer nieuwe functies of diensten toe te voegen die de kernactiviteiten ondersteunen.Start meer AI-projecten rond een breder scala aan bedrijfsprocessen om kennis te verspreiden en de kennis van bedrijfsprocessen onder de AI-deskundigen te vergroten.
- Begin te kijken naar een AI-bedrijfsomgeving die de volledige workflow voor AI-projecten ondersteunt.
- Voeg meer complexe gegevensbronnen toe, zoals vrije tekst, afbeeldingen en audio-inhoud om je bedrijf te verbeteren.
- Verken complexere databasesystemen/bestandssystemen zoals Spark, S3 en gedistribueerde databaseoplossingen en werk je modellen regelmatig bij binnen die systemen.
- Begin te kijken naar batch- en streaming (online) machine learning-modellen die in realtime kunnen worden bijgewerkt. Kijk ook of je een proof of concept over deep learning kunt starten.
- Kijk naar het opschalen van de server op locatie naar een cluster van servers, zodat modellen parallel getraind kunnen worden.
- AI is een belangrijke pijler in de bedrijfsstrategie, waarbij de strategie wordt vertaald naar ondersteunende data- en AI-initiatieven
- Alle persona’s zijn betrokken bij de levenscyclus van de usecase (bedrijf, AI, data, IT)
- Meestal ‘brownfield’ AI-implementaties (automatisering van bestaande processen) in plaats van ‘greenfield’-implementaties (herontwerp van processen met AI-mogelijkheden in gedachten)
Tips over hoe verder te gaan
- Zorg ervoor dat iedereen de waarde van AI inziet, van de werkvloer tot op directieniveau. Zorg er ook voor dat zoveel mogelijk interne werknemers met verschillende achtergronden kennismaken met AI of deelnemen aan projecten waarin AI een rol speelt.
- Betrek alle lagen van de organisatie erbij. Betrek het hoger management er zo sterk bij dat zij zelf AI-projecten zullen starten.
- Zorg ervoor dat de bedrijfsteams en de gegevenswetenschappers/ingenieurs altijd samenwerken aan een AI-project als multidisciplinair team.
- Zorg voor een budget voor je projecten, maar zoek daarbij ook een budget dat specifiek is bestemd voor de ontwikkeling van nieuwe capaciteiten voor toekomstige waardecreatie.
- Houd rekening met juridische en ethische aspecten en betrek collega’s bij elke fase, van begin tot eind. Overweeg een juridische en ethische raad op te zetten om AI-activiteiten te beoordelen.
- Daag je teams uit om je AI-modellen op extern klantniveau zo goed mogelijk uit te leggen of in te schatten.
- Gebruik AI om je kernactiviteiten radicaal te innoveren en te verbeteren of nieuwe producten of diensten te ontwikkelen die eerder niet mogelijk waren.
- Probeer meer van je proefprojecten in de productiefase te krijgen, waar ze een consistente bedrijfswaarde zullen gaan opleveren.Kijk naar de projectorganisatie en -input voordat een project begint, zodat je beter in staat bent om projecten met een bepaalde tijdsperiode (timeboxing) te gebruiken en nog sneller waarde te leveren.
- Vind manieren om je AI-modellen eenvoudig in te zetten en automatisch bij te werken, naast geavanceerde oplossingen zoals S3, Spark of gedistribueerde databaseoplossingen.
- Begin te kijken naar deep learning-modellen om de prestaties van je AI-stack te verbeteren.
- Overweeg de overstap naar een cloudoplossing te maken, zodat je AI-diensten gemakkelijk kunnen worden opgeschaald (het gebruik van gehoste diensten brengt ook veel minder onderhoud met zich mee).
- Processen worden volledig nieuw herontworpen (‘greenfield’) met AI-mogelijkheden in gedachten
- Nieuwe producten en diensten worden ontsloten op basis van AI-mogelijkheden
Tips om te overwegen
- Goed gedaan! Afgaande op je antwoorden, lijkt het erop dat je al op het hoogste niveau zit. Nu is het zaak om op dit niveau te blijven en wellicht enkele van de aspecten die nog kunnen worden verbeterd aan te passen. Als je dat nog niet hebt gedaan, is dit misschien ook het moment om je kennis en ervaring met andere organisaties te delen. Samen kunnen we nog grotere dingen doen met data en AI!
David Graus
Alexander Oude Elferink
Niek de Win
Ook interessant
Europese Commissie publiceert concept van ‘code of practice’ voor gebruik LLM’s
Nieuwe marketinggids Responsible AI voor de verantwoorde inzet van AI in marketing
