AI-usecases vragen om een harde waardehypothese

Een interessante AI-toepassing is nog geen waardevolle investering. Iedere serieuze usecase zou vooraf een toetsbare hypothese moeten hebben over waarde, risico, uitvoerbaarheid en het effect op het werkproces.

AI maakt experimenteren relatief eenvoudig. Een demonstratie kan binnen dagen overtuigend ogen en medewerkers zien snel mogelijkheden. Dat is positief, maar het vergroot ook het risico dat organisaties usecases selecteren op technische aantrekkelijkheid, beschikbaar leveranciersaanbod of enthousiasme van een individuele sponsor.

Begin niet bij AI, maar bij een relevante opgave

Een sterke usecase begint met een concreet probleem of een duidelijke kans. Bijvoorbeeld hoge administratieve belasting, lange doorlooptijden, moeilijk toegankelijke kennis, veel handmatig analysewerk of structurele fouten in een repetitief proces. Pas daarna komt de vraag of AI daarvoor een geschikte oplossing is.

Dat voorkomt dat een organisatie achteraf een businesscase probeert te bouwen rond technologie die al gekozen is.

Maak de waardehypothese meetbaar

“Tijd besparen” of “kwaliteit verbeteren” is te algemeen. Vooraf moet duidelijk zijn waar het effect zichtbaar wordt. Hoeveel handelingen verdwijnen? Welke doorlooptijd moet dalen? Hoeveel capaciteit kan anders worden ingezet? Welke foutsoort moet aantoonbaar afnemen? Of welke beslissing kan met betere informatie worden genomen?

Daarvoor is ook een uitgangssituatie nodig. Zonder nulmeting blijft na implementatie moeilijk vast te stellen of de toepassing daadwerkelijk waarde heeft toegevoegd.

Waarde ontstaat pas wanneer het werkproces verandert

Veel AI-businesscases veronderstellen dat een technische mogelijkheid automatisch tot productiviteitswinst leidt. In werkelijkheid ontstaat die winst pas wanneer taken, controles, verantwoordelijkheden en werkafspraken worden aangepast. Als medewerkers de output van een AI-toepassing volledig opnieuw controleren of de oude werkwijze naast de nieuwe blijft bestaan, verdampt een groot deel van de verwachte waarde.

De belangrijkste barrières kunnen daardoor buiten de technologie liggen: gebrek aan vertrouwen, onduidelijk eigenaarschap, onvoldoende datakwaliteit, juridische onzekerheid, een proces dat niet is herontworpen of leidinggevenden die de oude werkwijze blijven vragen.

Neem risico en uitvoerbaarheid mee in dezelfde hypothese

Een usecase met hoge potentiële waarde kan toch ongeschikt zijn wanneer data ontbreekt, het risico onvoldoende beheersbaar is of implementatie disproportioneel veel verandervermogen vraagt. Daarom moeten waarde, risico en uitvoerbaarheid samen worden beoordeeld.

Dat betekent ook dat een relatief eenvoudige toepassing met beperkte technische complexiteit soms aantrekkelijker is dan een indrukwekkende toepassing met grote afhankelijkheden.

Leg vooraf vervolg- en stopcriteria vast

Een experiment is bedoeld om onzekerheid te verkleinen. Daarom moet vooraf duidelijk zijn welke uitkomst voldoende is om door te gaan, welke aanpassing een nieuwe proef rechtvaardigt en wanneer wordt gestopt. Zonder zulke criteria kunnen pilots blijven doorlopen omdat al tijd en geld zijn geïnvesteerd of omdat de technologie op zichzelf interessant blijft.

De boardroom hoeft niet de technologie te ontwerpen

Bestuurders hoeven geen AI-engineers te worden. Wel moeten zij kunnen vragen: welk concreet effect willen we realiseren, welke barrière lossen we op, welk risico accepteren we, welke verandering in het werkproces is nodig en wie is eigenaar van de uitkomst?

Praktijkbasis: dit Inzicht maakt deel uit van de BYBEN-praktijkbibliotheek van Ben van Miltenburg en is gebaseerd op kennis, expertise en patronen uit meer dan 30 jaar dagelijkse praktijk als vast en interim-bestuurder, executive en toezichthouder/commissaris in meer dan 40 organisaties. Meer over de praktijkbasis van BYBEN →