Je kan vandaag niet meer naast de vacatures voor AI-experts kijken. Heel wat organisaties begrijpen dat de tijd van artificiële intelligentie in business is aangebroken. Maar doordat het over zo’n gespecialiseerde materie gaat, merk je dat de onwetendheid rond deze transitie een bedreiging vormt. De meeste vacatures vereisen technische kennis rond AI om zo de expertise inhouse te krijgen. Wat daar nu juist mis mee is, wil ik graag verduidelijken aan de hand van een metafoor.

AI-expert in de rol van architect

Stel dat je een gebouw wil neerzetten, dan werf je toch bouwvakkers aan. Logisch niet? Neen, wat je echt wil, is een architect die de vertaalslag kan maken tussen jouw noden en de werf. De architect gaat dan met een aannemer in zee die op zijn beurt de bouwvakkers aanduidt. Niet de architect en al zeker niet de klant doen dit. Er zijn heel wat nieuwe organisaties rond big data die als aannemer kunnen fungeren. Wat duidelijk ontbreekt, zijn de architecten als vertalers tussen klant en aannemer die vervolgens als adviseur voor beide partijen optreedt. Dat is de rol van de AI-coördinator die de brug slaat tussen de business en de data analisten.

Laten we even bij deze metafoor blijven. De meeste mensen komen sporadisch in contact met een architect, maar binnen organisaties is dat anders. Daar heb je de functie van een Technisch Facilitair Coördinator (TFC) of Technisch Adviseur Coördinator (TAC). Bij kleine organisaties behoort TFC/TAC tot het takenpakket van één persoon. Bij grote organisaties kan het een hele subdivisie zijn. Maar zelfs bij die grote organisaties is het uitzonderlijk dat deze divisie ook effectief bouwvakkers heeft. Juist daarom doen al die vacatures voor AI-specialisten mij de wenkbrauwen fronsen.

Vijf vuistregels

Gezien mijn kennis rond AI vroeg een grote organisatie me om een cursus te geven aan het executive management. Met de bedoeling meer duidelijkheid te bieden rond de uitdagingen voor het opentrekkende AI-landschap. Gezien dit relevant is voor heel wat bedrijven wil ik graag 5 vuistregels toelichten:

  1. Vraag de AI-leverancier niet om als adviseur te functioneren;
  2. Werf enkel AI-specialisten aan als je een leverancier wenst te worden;
  3. Behandel AI steeds als een assistent, nooit als een manager;
  4. Laat je niet door trends afleiden, maar bekijk wat het voor jouw organisatie betekent;
  5. Ontwikkel intern de rol van AI-coördinator, maar de vaardigheden extern.

1. Vraag de AI-leverancier niet om als adviseur te functioneren

Ongeacht hoe behulpzaam de AI-leverancier ook is, de reden van zijn advies is en blijft: diensten verkopen. Uiterst professionele leveranciers kunnen goed advies geven, maar zelfs dan moet je steeds het volgende in acht nemen: als alles wat je kent een hamer is, lijkt elk probleem een nagel. De leverancier kan zich per definitie niet diep genoeg inbeelden wat de specifieke uitdaging voor jouw organisatie is. Dat is nu eenmaal de rol van een AI-coördinator.

De leverancier kan zich per definitie niet diep genoeg inbeelden wat de specifieke uitdaging voor jouw organisatie is. Dat is nu eenmaal de rol van een AI-coördinator

Wat de AI-leverancier aanbiedt, is geen miraculeuze oplossing. Als dat zo lijkt, zegt dat meer over de sales vaardigheden van de leverancier dan dat het inzicht geeft in jouw specifieke uitdagingen rond AI. Ik zie tal van organisaties in zee gaan met een AI-leverancier zonder goed te kunnen inschatten wat de kost van die opportuniteit werkelijk is.

Denk hier terug aan de metafoor van de architect, die na een goede vertaalslag van het initieel ontwerp aan de slag gaat met een lastenboek. Dat is een samenwerking met de aannemer, en zo worden de details van maquette tot effectieve implementatiekosten duidelijk. Zonder schets is er geen lastenboek. De architect kan je een schatting geven, maar de effectieve kosten hangen van die details af. Een dergelijke grote voorzichtigheid is mij niet bekend als het over kosten van AI implementaties gaat, want dan moeten percentages van succes al bij het begin gekend zijn.

Wat ik momenteel in de praktijk zie gebeuren, is dus het omgekeerde. De klant kiest voor een concrete implementatie om wat ervaring op te doen. Dat is als een huis bouwen, met het idee om nadien een flatgebouw neer te zetten…. Dat schaalt niet ! Mijn prognose is dat heel wat van die huidige projecten die nu gerealiseerd worden over enkele jaren zullen duidelijk maken dat het niet de juiste weg was. Maar intussen zijn de kosten wel gemaakt.

Mijn advies hier is: bezin eer je begint. In een wedstrijd waar de richting nog bepaald moet worden kan je best conservatief omgaan met je energie. Kijk bijvoorbeeld naar wat Google in België doet: zie je ze hier een leger aan data analisten rekruteren? Nee, lokaal lijkt het Amerikaanse techbedrijf eerder een bouwonderneming. Kortom, beter even het grote plaatje bekijken voor je effectief aan de slag gaat.

2. Werf enkel AI specialisten aan als je een leverancier wenst te worden

Organisaties hebben duidelijke behoefte om AI-expertise in huis te halen. Het spel is begonnen, de vraag is echter wat daarbij de meeste efficiënte aanpak is. Laten we vier opties onder de loep nemen:

#1 Van de AI-specialist een AI-coördinator (TFC/TAC) maken

Door de transformatie in de markt staat het buiten kijf dat iedere organisatie een AI-coördinator nodig heeft. Maar aangezien deze rol op de arbeidsmarkt nog niet bestaat, is het omvormen van een AI-specialist een mogelijkheid. Mijns inziens zal het makkelijker zijn om een interne business analist bij te scholen rond AI-specialisatie, dan om een AI-expert vertrouwd te maken met jouw business. Wat is de kans dat die zich gewillig gaat omvormen? Is het niet aannemelijker dat deze na wat ervaring bij een ander (meer op AI gericht) bedrijf wil werken? Heel wat van je business vereist trouwens impliciete kennis, dus het omvormen kan best nog moeilijk zijn. Vandaag vind je zowat overal cursussen om je kennis rond AI te verrijken. Dus mijn advies is: school je business analisten om.

#2 Interne data dienst die een AI leverancier wordt

Als je zelf als AI-leverancier op de markt aanwezig wil zijn, is een eigen dienst nuttig. In dit geval is de keuze voor een AI-specialist ook vanzelfsprekend. Hier zit een andere misvatting rond de economieën van schaal - denk aan het huis bouwen waar je eigenlijk een flatgebouw wenst. Voor de meeste organisaties is het omgaan met de virtuele eigenschappen van het digitale landschap erg contra-intuïtief. Concepten als agile management, lean start-ups en Long Tail business model beginnen stilaan door te sijpelen. Omdat de intuïtie ontbreekt, worden fouten ongezien gemaakt.

Hoe vaak hoor je bijvoorbeeld niet over ‘lean & agile movement’ praten zonder dat ook maar iemand opmerkt dat het eerste over start-up strategie gaat en het tweede over operationele processen? Agile als strategie is een proces in ontwikkeling, daar zijn de bedrijven echt nog niet. Daartegenover is Lean als operationeel proces zo oud als de industriële revolutie.

Als we dan kijken naar de werkelijke implementatie van digitale vaardigheden wordt het pas echt bedroevend. Concepten als lean-agile zijn al meer dan een decennia actueel voor organisaties en toch kunnen we amper over de juiste bedrijfscultuur spreken. Dan is het frappant om vast te stellen hoe natuurlijk de digitale cultuur binnen universiteiten aanwezig is. Keren we terug naar complexere materie als AI dan zie we dat een juiste cultuur ook daar dun gezaaid is. Deze trend in acht genomen maak ik me oprecht zorgen over de implementatie van AI-vaardigheden.

Net als met de andere digitale transformaties zullen grote organisaties in dit geval nood hebben aan AI-adviseurs die de cultuurtransformatie kunnen begeleiden. Toch daar wringt het schoentje: namelijk dat amper iemand de cultuur snapt, en de adviseurs zelf nog volop aan het leren zijn. Besef dat je in dit geval een ‘early adaptor’ bent en dus een product op de markt brengt dat nog zelf heel wat R&D zal vragen.

#3 Business transformeren (en een disruptieve speler worden)

Net als bij de vorige twee opties is er ook in deze nog een rationaliteit. In dit geval ga je dieper dan ‘early adopter’ en ben je een ‘innovator’. Dan moet de organisatiecultuur wel goed het concept ‘failing forward’ beheersen. Hierbij is er één gouden regel: laat het artefact de leiding nemen. Je staat als organisatie op het punt om het pad van de held (the hero’s journey) te bewandelen.

Als je de roep voor avontuur (call to adventure) voelt, dan is mijn advies om de oorspronkelijke literatuur rond disruptieve (en andere radicale) innovaties te lezen en zo meer begrip te krijgen wat juist het artefact voor jouw organisatie is. Het artefact is de ‘supernatural aid’ op de reis van de held. Het zal een hele spirituele trip worden waar vooral metaforen en archetypes je enige houvast zijn. Laat het duidelijk zijn, dit is een pad voor bedrijven die vechten om te overleven.

#4 Ze doen dit, want de concurrentie doet het ook

Deze laatste optie is irrationeel. Het is zoals je aan een drugsbaron een tijger verkoopt. In dit geval gaat het enkel over status. Het lijkt echter dat veel organisaties gewoon de trend volgen, nog niet zeker wetend wat de precieze uitkomst is. Indien je organisatie binnen deze categorie valt, kan ik enkel aanraden om wat dieper te graven. Organiseer bijvoorbeeld een brainstormsessie of een ‘platform design’ workshop, zodat je toch tenminste in één van de rationele opties komt.

3. Behandel AI steeds als een assistent, nooit als een manager

Als je de rol van artificiële intelligentie in één zin zou toelichten, kan je het veralgemenen tot: AI is heel goed in staat om een grote hoeveelheid data te verwerken tot relevante patronen, maar zeer slecht in het falsificeren van die patronen. In die zin kan AI voor heel veel organisaties een hoop van het zware werk overnemen. Hierbij is het aangewezen om de AI als een assistent te behandelen. Ga er dus steeds van uit dat het werk dient nagekeken te worden en zoek dan een manieren om die controle eenvoudig uit te voeren.

Een goed voorbeeld is Occlusion Sensitivity Analysis (OSA), hierbij ga je nadat de AI een training heeft ondergaan bekijken of de classificatie goed is. Onderstaande toont een eenvoudig voorbeeld voor verzekeringen en het identificeren van gevaarlijk rijgedrag. Merk hoe eenvoudig de classificatie fout kan gaan. In de bovenste training is de beker goed herkend, maar in de onderste werd de ruit foutief als “essentiële variabele” vastgelegd, in plaats van het telefoneren.

Bekijk het zo: mensen maken fouten. AI is gemaakt door mensen, dus zal het fouten maken. Waar je voorzichtig mee moet zijn, is juist dat het heel eenvoudig wordt om te gaan automatiseren. In dat geval maak je van de AI een manager. Managen vereist heel wat soft skills. Artificiële intelligentie kent al moeite met classificatie, dus zijn soft skills helemaal een ramp. Hier zit een grote creatieve uitdaging in, namelijk om een menselijke curator in het systeemproces te voorzien. De nood om goed in te kunnen schatten wanneer een automatisatie een menselijke curator nodig heeft, vraagt die AI-intuïtie die juist zo zeldzaam is.

4. Laat je niet door trends afleiden, maar bekijk wat het voor jouw organisatie betekent

Je kan vandaag tal van leuke AI-voorbeelden vinden. De kunst is om jezelf niet te verliezen in een ander zijn verhaal. Het lijkt contra-intuïtief, maar als je goed wil weten wat jouw organisatie kan doen rond AI, maak dan eerst in een diepere reflectie over wat data in je bedrijf betekent. De eerste vraag is of je veel data hebt. Zoniet, kan je via bepaalde acties aan data komen? Het kon zijn dat die data capteren tot dusver weinig zin had omdat je niet over voldoende mankracht beschikt om daar iets mee te doen. Juist dat is wat met AI verandert. De vraag die je nu beter kan stellen is: hoe zorg ik ervoor dat alle acties tot data leiden?

Niet alleen het capteren van data is hierbij belangrijk, maar ook hoe je dat doet. Aangezien AI vooral voor visuele en spraaktechnologie bekend is, laten we eens naar een minder evidente toepassing kijken. Zoals slimmere productontwikkeling. Wat je doet, is meer in detail kijken waarvoor je product gebruikt wordt. Hang bijvoorbeeld het origineel ontwerp vol met neural-net receptoren en kijk wat juist de krachten zijn die het systeem ondergaat. In die zin kan je tot maximale materiaalefficiëntie komen.

Wat je als organisatie dus nodig hebt, zijn AI-adviseurs die passie hebben voor creativiteit, die willen komen luisteren naar jouw specifieke businessverhaal en die je op weg zetten in je denken. Maar dan is de rol van zo’n AI-adviseur grotendeels uitgespeeld, de verdere ontwikkeling vraagt geen data creativiteit maar diepgaande betrokkenheid bij je organisatie. Juist, dat is de rol van de AI-coördinator rol en die kan je dus beter intern ontwikkelen.

5. Ontwikkel intern de rol van AI-coördinator, maar de vaardigheden extern

De grootste reden om de AI-coördinator rol intern te ontwikkelen heeft met betrokkenheid te maken. De rol van AI-coördinator is volop in ontwikkeling en dus is er nood aan peer-learning. De vaardigheden van een AI-coördinator zijn geen competitief voordeel. De organisatie heeft dus alle baat bij dat de AI-coördinator in een externe Community of Practice die vaardigheden kan aanleren.

Vergelijk het met agile coachen. De methode van de agile coach zijn niet het competitief voordeel, vaak is dat de impliciete kennis van het team. Om beter te begrijpen hoe je met bepaalde karakters kan omgaan, is het nuttig en relevant voor een Community of Practice van agile coaches om die kennis te delen.

Samenkomsten rond AI daarentegen nemen vandaag heel andere vormen aan. Vaak is het een introductie van een resem cases. Soms is het gewoon een AI-leverancier die zijn product aan het verkopen is. De Community of Practice speelt zich wel af voor de data analyse. Een vergelijkbare trend zagen we ook rond Agile. In 2005 kwamen developers samen rond webontwikkeling in het algemeen. Vandaag komen agile coaches samen om hun praktijk te verbeteren via peer-learning.

Recent was er een samenkomst over “Ethische aspecten van AI” door het GIST collectief. De nieuwe AI-directeur bij imec, Mieke De Ketelaere, beschreef daar het concept van AI-translator dat erg overeenkomt met wat in deze tekst als AI-coördinator beschreven wordt. Het lijkt dus dat de Community of Practice op gang komt en deze is zeer anders dan de vele “Making AI Real in Business” events die eerder showcases van de data-analisten zijn. Laat me dan ook dit artikel afsluiten met een oproep om verder te verbinden. Wie interesse heeft, mag me altijd mailen.