AI implementeren: van pilot naar productie

Hoe implementeer je AI? Vier stappen

Elke implementatie die ik doe, loopt door dezelfde vier stappen. De volgorde is belangrijker dan de techniek: wie bij stap drie begint, bouwt iets waarvan niemand kan zeggen of het af is.

1. Eén workflow kiezen

Eén proces met een knelpunt dat je kunt meten, niet vijf tegelijk. Liggen er meerdere plannen, dan beoordeel ik ze in de Scan en zeg ik per plan: stoppen, opschalen of opnieuw bouwen.

2. Vastleggen wanneer het klaar is

Welke vragen of taken de toepassing afhandelt, hoeveel fouten acceptabel zijn, hoe je dat meet en wie het beoordeelt. Die afspraak staat op papier voordat ik bouw.

3. Bouwen op echte data

In je eigen systemen, met de mensen die het gaan gebruiken. Ik meet eerst hoe het proces nu loopt, zodat het verschil daarna zichtbaar is.

4. Overdragen

Een eigenaar in je organisatie, een testset die blijft draaien en een runbook van één pagina. De volledige overdrachtslijst staat op mijn pagina over forward deployed engineers.

Wat er week voor week gebeurt

Een Pilot-to-Production-sprint duurt maximaal vier weken. Zo ziet die er bij mij uit.

Voor de start

Ik bekijk het materiaal voordat ik een prijs noem: hoeveel documenten het echt zijn, hoeveel uitzonderingen het proces heeft en welke systemen eraan raken. Een dag kijken voorkomt een kwartaal uitloop.

Week 1

De definitie van klaar op papier: welke vragen, welk foutpercentage, welk systeem, welke beoordelaar en welke meetmethode. Ik zoek in deze week ook de medewerker die het werk kent en collega’s kan meenemen.

Dag 5

Een vast beslismoment met drie uitkomsten. Simpel: we bouwen door. Gemiddeld: je kiest tussen een kleinere versie nu of een groter traject. Complex: de sprintvorm past niet, en dat hoor je nu in plaats van in week vier.

Week 2

De nulmeting: minuten per taak, fouten per batch en hoeveel mensen de bestaande software echt gebruiken. In dezelfde week bouw ik de eerste versie op echte data.

Week 3

Testen met de mensen die het gaan gebruiken, op hun gegevens en hun uitzonderingen. Daarna meet ik het verschil met week twee.

Week 4

Overdracht: eigenaar, testset op jouw machine, runbook, een afspraak over wie ingrijpt bij een fout en een plan voor de volgende modelversie. Pas als die vijf staan, ga ik weg.

Checklist: is je pilot klaar voor productie?

Leg je eigen pilot langs deze acht vragen. Elk nee is een reden dat hij in een demo blijft hangen, ook als de techniek werkt.

Probleem

Kun je in één zin zeggen welk probleem dit oplost, voor wie, en hoeveel tijd of geld het per week scheelt?

Definitie van klaar

Staat op papier welk foutpercentage acceptabel is en wie dat beoordeelt?

Nulmeting

Weet je hoe lang de taak nu duurt en hoe vaak er nu iets misgaat?

Echte data

Is de pilot getest op gegevens uit het dagelijkse werk, inclusief de rare gevallen, en niet alleen op een nette selectie?

Systemen

Draait het in de software die mensen al gebruiken, of moeten ze er een nieuw scherm bij openen?

Eigenaar

Is er één naam in je organisatie die het systeem bezit na de livegang? Niet IT en niet het bureau.

Controle

Is afgesproken wie een fout ziet, wie corrigeert en hoe dat gaat?

Gebruikers

Hebben mensen uit de middengroep meegedaan, niet alleen de enthousiastelingen die er toch al mee werkten?

Waar AI-implementaties het vaakst vastlopen

In het BCG-onderzoek uit 2024 onder 1.000 bestuurders kon 26% van de bedrijven aantoonbare waarde uit AI laten zien: 22% beginnende en 4% substantiële waarde. Dat is een indeling van bedrijven, geen slagingspercentage van losse toepassingen. In mijn eigen projecten zag ik vier oorzaken steeds terugkomen.

Het verkeerde probleem

Gesprekken beginnen met een oplossing: “wij willen een chatbot”. Na doorvragen blijkt het knelpunt vaak ergens anders te zitten, of in software die er al is maar niet wordt gebruikt. Meer bouwen lost dat niet op.

Het plafond van het platform

Het gekozen AI-platform, je eigen systemen, je licenties en wie er moet tekenen bepalen samen wat kan. Een betere prompt verandert daar niets aan. Ik vraag vóór de start naar drie concrete grenzen.

Groen op de testset van de bouwer

Een toepassing kan goed scoren op de testset van de bouwer en anders uitpakken op de gegevens uit het dagelijkse werk. Daarom test ik op jouw data en draait de testset daarna op jouw machine.

Een blokkade die geen blokkade is

Een koppeling ligt stil op security, terwijl dezelfde informatie via een andere route te halen is. Vraag bij elke blokkade eerst welke gegevens je minimaal nodig hebt en waar die al staan.

Waarom niet elke taak een AI-taak is

AI helpt niet bij elke taak. In een experiment met 758 consultants van BCG maakten mensen met AI 12,2% meer taken af en werkten ze 25,1% sneller. Bij een taak die buiten het bereik van het model lag, kwamen ze juist 19% minder vaak tot een goede oplossing (Dell’Acqua e.a., Harvard Business School, 2023).

De grens loopt dwars door werkprocessen heen: twee taken die even moeilijk lijken, kunnen aan verschillende kanten liggen. Daarom toets ik in stap één per taak of die binnen dat bereik valt, op een handvol echte voorbeelden, voordat er een regel code is geschreven.

Na de livegang: wie gebruikt het?

Een toepassing die twintig enthousiastelingen gebruiken en tweehonderd collega’s niet, is geen implementatie. In de organisaties waar ik werkte, zag ik steeds drie groepen: een kleine groep die op dag één begint, vijftien tot twintig procent die pas beweegt als er bewijs is, en daartussen een middengroep van zestig tot zeventig procent die het prima vindt maar niet uit zichzelf start.

Die middengroep beslist of het werkt. Ze hebben voorbeelden uit hun eigen werk nodig en een collega die het voordoet. Daarom betrek ik gebruikers al bij stap één, en zorg ik dat in week vier minstens twee mensen de toepassing kunnen uitleggen, zodat het niet stilvalt als die ene enthousiasteling op vakantie is.