Waarom mislukken zoveel AI-initiatieven?

AI is een veelbesproken onderwerp waarover veel mensen de weg kwijt zijn. Dat is geen verrassing - we hebben te maken met een nieuwe, fundamenteel andere soort technologie.

Het spel is veranderd. Bestaande strategieën en hulpmiddelen die we tot onze beschikking hebben, zijn gewoon niet meer van toepassing. Dit is naar mijn mening de belangrijkste reden waarom ongeveer de helft van de AI-initiatieven mislukken ¹. Laat het me uitleggen...

Laten we beginnen met wat ik "Traditionele Digitale Transformatie" zal noemen. Hoewel het nooit echt zo bedoeld was, richten veel (maar niet alle) initiatieven voor digitale transformatie zich uiteindelijk op het introduceren van nieuwe digitale hulpmiddelen om de efficiëntie te verbeteren en identificeren efficiëntie dan ten onrechte met productiviteit. Je kunt het oneens zijn met deze zienswijze, en dat is terecht, maar dit is wat ik tot nu toe heb waargenomen tijdens 100 gesprekken met klanten en concurrenten. Als je iemand Microsoft Word geeft, zal hij waarschijnlijk efficiënter worden in het schrijven van tekst, maar er is absoluut geen garantie dat de tekst die hij produceert waardevoller zal zijn als hij dit nieuwe digitale hulpmiddel niet had gehad. Productiviteit ligt nog steeds uitsluitend aan de kant van de mens. 

AI bekijken door de lens van traditionele digitale transformatie is in het beste geval een gemiste kans. AI is niet zomaar een digitaal hulpmiddel, het is een assistent. We zullen het niet gebruiken, we zullen ermee werken. Bovendien vereisen digitale tools altijd dat mensen zich eraan aanpassen. Met AI hebben we de kans dat technologie zich echt aan ons aanpast in plaats van andersom. Het is dom om die kans te laten lopen. 

Sommige mensen proberen AI te bekijken door de lens van workflow en procesautomatisering. Er zijn goede redenen waarom processen zo populair zijn: ze stellen je in staat om efficiëntie te operationaliseren en zorgen voor consistentie in de hele organisatie. McDonalds is bijvoorbeeld een zeer procesgericht bedrijf en het zijn hun processen die ervoor zorgen dat je dezelfde Big Mac kunt eten in Japan en België. Op dezelfde manier pionierde Toyota met een reeks legendarische slanke productieprocessen die het bedrijf tot de autofabrikant hebben gemaakt die het vandaag de dag is. 

AI wordt meestal in processen gebruikt om afzonderlijke processtappen efficiënter te maken. Klinkt redelijk, maar er is een veelvoorkomend praktisch probleem: digitale technologieën uit het verleden hebben de meeste bedrijfsprocessen al zo ver mogelijk geautomatiseerd. AI toevoegen aan de mix kan resulteren in marginale verbeteringen.

De andere reden waarom AI voor procesautomatisering vaak mislukt, is dat het de kernproblemen van het proces niet wegneemt. Denk bijvoorbeeld aan de manier waarop grote verzekeringsmaatschappijen verzekeringsaanvragen en -claims verwerken. Als je een proces wilt dat ervoor zorgt dat je elk type claim/aanvraag kunt afhandelen, dan heb je daar veel geluk mee. De complexiteit van inputs en outputs die je moet afhandelen is zo groot dat dit onvermijdelijk zou leiden tot een overgecompliceerde procesmachinerie die moeilijk te onderhouden is, moeilijk is om mensen in te werken en uiteindelijk misschien niet de efficiëntiedoelstellingen bereikt die je wenst. Er is geen enkele hoeveelheid AI die je over het proces kunt strooien om het te laten werken, omdat AI hier niet de kernproblemen aanpakt: rigiditeit en gebrek aan flexibiliteit in de procesgestuurde methodologie. 

Een betere manier om om te gaan met doelstellingen met complexe inputs/outputs is om te kiezen voor doelstellinggedreven opstellingen, waarbij je je niet richt op procedures, taken en processen, maar op vaardigheden die nodig zijn om een doelstelling te behalen. Met andere woorden, mensen met bepaalde vaardigheden werken samen om een gemeenschappelijk doel te bereiken. Deze aanpak heeft het voordeel dat hij flexibel is, kan omgaan met complexiteit en veerkrachtiger is dan het typische proces (in de context van intellectueel werk). Het lijdt echter onder het feit dat het moeilijker is om consistentie te behouden en uitkomsten te voorspellen (we zijn tenslotte ook maar mensen). 

De digitale technologie van gisteren was niet geavanceerd genoeg om nuttig te zijn als onderdeel van een team - er was geen echte aanvulling op menselijke intelligentie. Maar dit is de afgelopen jaren veranderd en we staan op het punt om ongekende mogelijkheden voor productiviteit en efficiëntie te ontsluiten met AI. Voor het eerst hebben we de mogelijkheid om de reikwijdte van technologie uit te breiden naar concepten als teams en rollen van individuen in een organisatie. 

‍

Daarvoor moeten we de oude denkwijzen over digitale technologieën loslaten en een nieuwe reeks strategieën toepassen om AI in onze organisaties te integreren. Deze strategieën moeten technologie op het niveau van de mens brengen en antwoord geven op een groot aantal nieuwe vragen, van organisatorische en bestuurlijke vragen tot eerlijkheid en duurzaamheid. Wij noemen dit: de AI-transformatie.

De monolithische AI-inzet

In de afgelopen jaren is er sterk geïnvesteerd in de ontwikkeling van steeds grotere AI-modellen, met als uiteindelijke doel de ontwikkeling van Artificial General Intelligence. Met andere woorden, AI-modellen die bijna alles kunnen. Dit is wat de grote technologie onder leiding van OpenAI, Anthropic enz. probeert te bereiken. Om je een idee te geven van de kracht van hun betrokkenheid: OpenAI, Oracle en Softbank hebben een investering van 500 miljard dollar in AI-infrastructuur aangekondigd. Dit is een echt bewijs van de middelen die bedrijven en individuen bereid zijn te investeren in de ontwikkeling van monolithische AI. 

"Eén model voor alles" is een aantrekkelijk idee. Het is handig en gemakkelijk te verhandelen, maar het heeft ook een grote bagage aan problemen: 

• Monolithische AI is energieverslindend. Het kost enorm veel middelen, van elektriciteit tot grondstoffen, om het te ontwikkelen en van energie te voorzien, wat serieuze vragen oproept over de duurzaamheid van deze benadering, zelfs op de korte termijn. 
• De modellen zijn zo groot (in geheugen en computerbehoeften) dat ze alleen in grote datacenters kunnen worden gehost. Dit betekent dat je je als gebruiker comfortabel moet voelen met het feit dat je gegevens op een gegeven moment naar de cloud moeten.
• Monolithische AI wordt ontwikkeld en gecontroleerd door een handvol grote techbedrijven. Dit betekent dat je niet alleen je gegevens, maar ook je intelligentie moet kunnen uitbesteden aan een derde partij.
• Niemand weet echt of begrijpt volledig hoe deze modellen werken of waarom ze werken. Ze zijn gebaseerd op een nauwe bron en je kunt alleen maar vertrouwen op grote technologiebedrijven als het gaat om de uitlegbaarheid en controleerbaarheid van de modelvoorspellingen.
• Als één model alles doet, wat gebeurt er dan als het faalt? Veerkracht is een echt probleem waar je geen controle over hebt met monolithische AI-modellen. 

Deze kwesties zijn tot nu toe meestal onder het tapijt geschoven door bedrijven die AI ontwikkelen, maar ze staan centraal voor de meeste bedrijven die met AI willen werken! DeepSeek, een AI-model dat is ontwikkeld met slechts 5 miljoen dollar aan middelen en mogelijkheden op hetzelfde niveau als de geavanceerde GPT-modellen van OpenAI, waarvan de ontwikkeling honderden miljoenen dollars kostte, veroorzaakte gisteren een schok op de markten. Een biljoen dollar aan marktwaarde ging in één dag in rook op. NVIDIA leed onder de hoogste koersdaling in de geschiedenis van de aandelenmarkt. Waarom gebeurde dit? Mensen realiseerden zich dat groter niet per se beter is, vooral als je met kleinere modellen een aantal van de bovengenoemde problemen kunt aanpakken. Het verhaal dat investeringen op het niveau van de maanlanding de enige manier zijn om AI te verbeteren, bleek niet waar te zijn.

Dejuiste manier om AI-transformatie uit te voeren

Als de oude manieren niet werken voor AI-transformatie, wat dan wel? AI is niet zomaar een digitale tool, het is een assistent. We moeten AI niet bekijken op het niveau van "hoe gaan mensen AI gebruiken ", maar "hoe gaan mensen met AI werken?". Daarnaast is AI een transversale technologie die elk aspect van een bedrijf kan beïnvloeden, van kernactiviteiten tot bedrijfsstrategie. Dit alles stelt ons voor een groot aantal nieuwe vragen die we moeten beantwoorden:

• Waar in mijn organisatie zou AI een rol moeten spelen? 
• Hoe zal AI de rol van mensen in een organisatie beïnvloeden? 
• Moet AI alles automatiseren wat het kan? 
• Welk AI-model moet ik gebruiken en waarvoor? 
• Wat is de impact van de invoering van AI op de duurzaamheid en veerkracht van mijn organisatie?
  
  

Om deze en andere vragen te beantwoorden, hebben we een nieuw AI-transformatie waardevoorstel ontwikkeld.

1. Holistisch perspectief boven enge doelen: Een juiste AI-strategie legt de nadruk op verandermanagement, strategische planning en culturele afstemming om ervoor te zorgen dat AI een transformatief onderdeel wordt van de bedrijfsvoering. Door belanghebbenden op alle niveaus erbij te betrekken, wordt samenwerking bevorderd, worden unieke uitdagingen aangepakt en wordt het volledige potentieel van AI voor zinvolle verandering ontsloten.

2. Menselijke empowerment boven machineautonomie: Veel AI-projecten mislukken omdat ze er ten onrechte op gericht zijn mensen volledig te vervangen, wat leidt tot onvervulde verwachtingen en frustratie. Wij richten ons op het creëren van AI-systemen die mensen in staat stellen en verheffen, en die fungeren als samenwerkingspartners met onvolkomenheden en ruimte voor verbetering. Door voorrang te geven aan een doordacht ontwerp voor de menselijke ervaring, zorgen we ervoor dat deze systemen de menselijke capaciteiten versterken en tegelijkertijd een gevoel van controle en vertrouwen behouden.

3. Samenwerkende intelligentie boven monolithische intelligentie: Recente ontwikkelingen op het gebied van AI suggereren misschien dat monolithische, alleswetende systemen haalbaar zijn met enorme rekenkracht en grote datasets, maar deze zienswijze is misleidend. Echte intelligentie ontstaat door samenwerking tussen meerdere agenten en hun vermogen om op een transparante manier met mensen om te gaan, niet alleen door de grootte van een enkel model. Door "multi-agent systemen" te omarmen, richten we ons op het creëren van duurzame AI-systemen die gebruik maken van collaboratieve intelligentie om traditionele beperkingen te overwinnen.

4. Soevereiniteit over gemak: Cloud computing heeft IT getransformeerd door middelen te decentraliseren en schaalbare AI-modellen mogelijk te maken die "as-a-service" worden aangeboden, maar dit gaat vaak gepaard met het delen van gevoelige gegevens en onvoorspelbare kosten en updates. Wij pleiten voor een kritische beoordeling van propriëtaire AI-cloudservices, vooral buiten de vroege stadia van AI-transformatie. Voorrang geven aan infrastructuren die meer controle bieden over gegevensprivacy en de AI zelf zorgt voor financiële efficiëntie en soevereiniteit op de lange termijn. Net zoals je gegevens van jou moeten zijn, moet je intelligentie dat ook zijn.

5. Duurzaamheid en veerkracht boven kortetermijnprestaties: We zien AI-transformatie als duurzaam en veerkrachtig, waarbij groei op lange termijn en positieve impact voorrang krijgen op kortetermijnwinst. Door groene computertechnieken te integreren en ons te houden aan hoge ethische normen, creëren we AI-oplossingen die harmoniëren met ecologische en sociale omgevingen. Robuuste en aanpasbare ontwerpen moeten ervoor zorgen dat AI-transformatie zowel duurzaam als veerkrachtig is. Daarom pleiten we voor een focus op open architecturen die veiligheid en flexibiliteit garanderen bij het navigeren door evoluerende technologieën, regelgeving en marktdynamiek.

Ben je overtuigd? Geweldig! De enige vraag die overblijft is: hoe zetten we deze ideeën om in realiteit? Het antwoord is: multi-agent systemen. 

Multi-agent systemen zijn de toekomst van AI

Je hebt de laatste tijd waarschijnlijk veel gehoord over agentic AI en als je ooit ChatGPT of Microsoft Copilot hebt gebruikt, heb je interactie gehad met een AI-agent. Eenvoudig gezegd is een gangbare definitie van een AI-agent een AI-model dat "tools" kan gebruiken (bv. zoekmachine, toegang tot een database, documenten, rekenmachines enz.) Ik vind deze definitie een beetje te beperkend. Voor mij is een agent alles wat intellectuele bewerkingen kan uitvoeren, hulpmiddelen kan gebruiken en informatie kan uitwisselen.

Tot nu toe is er veel aandacht besteed aan het bouwen van individuele agenten die bedoeld zijn om op een één-op-één manier met mensen te communiceren. Het is een natuurlijke stap voorwaarts ten opzichte van grote taalmodellen. Maar is dit de enige manier van interactie met AI?

De volgende stap in deze evolutie is het beschouwen van veel AI en menselijke agenten die samenwerken als een team. Dit is een grote uitdaging omdat we vragen moeten beantwoorden als wie moet wanneer met wie praten, hoe moet het werk verdeeld worden onder het team en wie moet verantwoordelijk zijn voor welk resultaat. Dit is overigens precies wat we doen met organisaties die alleen uit mensen bestaan. 

Multi-agents bieden ook veel nieuwe mogelijkheden om AI te gebruiken. Neem een typische opstelling van Microsoft Copilot. Het functioneert als een assistent voor één mens, die het kan gebruiken om gegevens te openen, te analyseren, enz. Er zijn verschillende belangrijke kenmerken van de opstelling: 

• Gegevensverwerking wordt uitgevoerd door een monolithisch AI-model (bijv. GPT-4) in de cloud.
• Het is de bedoeling dat de opzet generalistisch is. De enige manier om de prestaties van het model te "fine-tunen" is door prompt engineering
• U kunt gegevensbeheer opleggen, bijvoorbeeld via rolgebaseerde toegang, maar op een gegeven moment moeten uw gegevens uw fysieke gegevensopslag verlaten om te worden geanalyseerd door het model in de cloud. 
• Twee Copilots kunnen niet met elkaar praten (de opstelling is bedoeld voor 1-1 interactie)

In veel bedrijfsomgevingen is dit nauwelijks voldoende. Tegenwoordig kunnen we systemen ontwerpen waar veel agents en mensen in een team samenwerken. Agenten kunnen onderling informatie uitwisselen en fysiek "leven" in beschermde dataspaces zodat uw gegevens uw infrastructuur nooit hoeven te verlaten. Elke agent kan aangedreven worden door een ander AI-model of door deterministische code. Ze kunnen op dezelfde manier met mensen communiceren als Copilot en ChatGPT, maar hebben ook unieke persoonlijkheden, rollen en vaardigheden die wij mogen definiëren. Ze kunnen mensen vragen stellen en verificaties uitvoeren als dat nodig is om ervoor te zorgen dat je verantwoordelijk bent voor de uitkomsten. Met multi-agent systemen kun je bepalen waar mensen in kunnen uitblinken en zelfs hun rol verheffen tot bijvoorbeeld "manager van AI-agenten". Zulke systemen zouden de volgende revolutie in AI kunnen zijn! 

Multi-agentsystemen moeten niet worden verward met stappen in een workflow of een proces, maar echt worden gezien als een hybride mens-ai team. Als zodanig ondersteunen ze concepten als structuur, proces, workflow enzovoort, maar dringen ze er niet op aan. Deze flexibiliteit van het multi-agent paradigma is een van de grootste kansengeneratoren!

Conclusies

Het transformerende potentieel van AI ligt in het vermogen om samen te werken met mensen in plaats van simpelweg een hulpmiddel voor hen te zijn. Het tijdperk van starre processen en workflows maakt plaats voor flexibele, teamgebaseerde samenwerking tussen menselijke en AI-agenten, een verschuiving die vraagt om een fundamentele heroverweging van de manier waarop we digitale transformatie benaderen. Multi-agent systemen belichamen deze evolutie en maken naadloos, aanpasbaar teamwerk mogelijk, terwijl de uitdagingen van schaalbaarheid, bestuur en duurzaamheid worden aangepakt. Door een holistische, mensgerichte benadering van AI-transformatie te omarmen, kunnen we ongekende niveaus van productiviteit en innovatie ontsluiten. De sleutel tot succes ligt in het toepassen van strategieën die technologie op het niveau van de mens brengen, het stimuleren van samenwerking en het creëren van systemen die niet alleen intelligent, maar ook veerkrachtig, duurzaam en zelfredzaam zijn. De toekomst van AI draait niet om tools, maar om teams.

‍

Referenties

1. Rapport van Gartner (2024-05-07): https://www.gartner.com/en/newsroom/press-releases/2024-05-07-gartner-survey-finds-generative-ai-is-now-the-most-frequently-deployed-ai-solution-in-organizations

‍

Over de auteur

‍MihailoBacković begon als theoretisch natuurkundige en werd AI-expert. Hij is gespecialiseerd in het begeleiden van organisaties bij succesvolle AI-transformaties. Als Managing Partner bij B12 Consulting | onderdeel van Yuma helpt hij tal van bedrijven - van biotech en gezondheidszorg tot mobiliteit en financiën - AI te gebruiken om hun grootste ambities waar te maken. Mihailo staat bekend om zijn diepgaande analytische benadering en passie voor het aanpakken van complexe problemen en is toegewijd aan het vormgeven van een toekomst waarin AI en de mensheid samen gedijen. Hij onderzoekt actief de transformerende impact van AI op onderwerpen als de arbeidsmarkt, democratie en desinformatie en zet zich in voor het bouwen van AI-oplossingen die mensen en bedrijven in staat stellen om te floreren in een steeds meer geautomatiseerde wereld.

‍