Vijf struikelblokken bij AI-implementaties

Dat artificial intelligence (AI) een enorme meerwaarde voor organisaties kan betekenen, daar is bijna iedereen het wel over eens. Toch zien we regelmatig AI-projecten die niet voldoen aan de hoge verwachtingen. Uit een recente studie blijkt dat 70 procent van de AI-initiatieven zelfs geen tot minimale impact heeft. Verschillende factoren zijn hier debet aan: gebrek aan expertise, onbegrepen AI-mogelijkheden en te lage budgetten, samen met andere problemen. 

SoftwareOne heeft een Intelligence Fabric methode voor succesvolle AI-implementatie ontwikkeld. Tijdens het opstellen van deze methode identificeerden we veel veelvoorkomende struikelblokken bij verschillende branches. Door alert te zijn op dit soort problemen kun je voorkomen dat het AI-project faalt op manieren die vele andere organisaties tot dusver te veel tijd, geld en energie hebben gekost. Aan de hand van voorbeelden bij vijf verschillende bedrijven laten we zien wat er mis kan gaan.

1. Slechte gebruikerservaringen 

De zorgverlener zag AI als een manier om het inplannen van patiëntafspraken te automatiseren en de zorg voor patiënten te verbeteren door gepersonaliseerde interacties voor opvolging. Hiermee wilden ze de tevredenheid van patiënten en de operationele efficiency verhogen en tegelijkertijd werkstromen optimaliseren voor de drukke medewerkers. Maar de organisatie maakte de fout om niet stil te staan bij wat de AI-ervaring betekent voor de eindgebruikers. 

Al snel na de uitrol van de oplossing gingen patiënten klagen. Het gebruik van chatbots was onhandig, meldden ze, en de interacties waren onpersoonlijk en onbevredigend. De adoptie van chatbots bleef daarmee laag en de gehoopte voordelen voor de organisatie bleven uit. De organisatie had deze uitkomst kunnen voorkomen door meer te focussen op een design gericht op gebruikers. Zo hadden ze de grote taalmodellen (large language models of LLMs) kunnen personaliseren om empathischer, onderhoudender en gebruikersvriendelijker te zijn. 

2. Zwakke MLOps

De producent ging aan de slag met voorspellend onderhoud. Dit zou zorgen voor minder downtime, het verhogen van productkwaliteit en het optimaliseren van de kosten voor fabrieksapparatuur. Maar de AI-algoritmes die het bedrijf implementeerde leverden niet het realtime onderhoudsadvies en andere voordelen die ze verwacht hadden.

Het probleem kwam uiteindelijk door ineffectieve Machine Learning Operations (MLOps), de uitoefening die verder bouwt op de successen van DevOps om continue integratie en ontwikkeling in AI-applicaties te ondersteunen. Als algoritmes op een slecht fundament basis zijn gebouwd, zijn data-analyses en voorspellingen van de producent hoogst inaccuraat. Waren ze gestart met sterkere MLOps, dan zou de organisatie gemakkelijker machine learning modellen gebouwd, gemonitord en up-to-date gehouden kunnen hebben, die de realiteit weergeven. 

3. Onduidelijke strategie

De retailer wil een meer gepersonaliseerde productaanbevelingen aan zijn online klanten bieden, en tegelijkertijd zijn voorraadbeheer verbeteren. De doelen zijn om de klantervaring tijdens het winkelen te verbeteren, de verkoop te verhogen en de kosten van zowel te veel als te weinig voorraad te verlagen. Dus ontwikkelt hij een voorspellend model voor de voorraad en integreert hij AI-aanbevelingsalgoritmes in zijn e-commerceplatform – om erachter te komen dat beide oplossingen niet voldoen aan de verwachtingen. 

Wat ging er fout? De grootste misstap van het bedrijf vond plaats aan het begin van het project, wanneer er te weinig tijd en moeite gestoken is in het helder formuleren van de gewenste zakelijke resultaten en ervoor te zorgen dat het AI-programma strategisch aansluit bij de bedrijfsdoelen. Dit resulteert in een project dat focust op technologie in plaats van de specifieke problemen die het bedrijf wilde oplossen – wat heeft geleid tot tegenvallende resultaten. 

4. Inadequate datafundamenten

De financiële dienstverlener is op zoek naar manieren om security en klanttevredenheid te verbeteren. Hij wil AI inzetten om frauduleuze activiteiten te detecteren. Maar ze slaagden er niet in het juiste fundament neer te leggen door op de juiste manier data te integreren over verschillende systemen. Dit resulteerde erin dat de algoritmes die ze implementeerden niet effectief werkten in de identificatie van fraude en verdachte transacties. 

AI succesvol implementeren vereist dat de data eerst in orde is. Dat betekent niet alleen dat je ervoor zorgt dat de data die je gebruikt voor het bouwen van een oplossing accuraat en betrouwbaar is, maar ook dat de data schoon, compleet en bruikbaar voor de beoogde doelen is. 

5. Gebrek aan adoptie-ondersteuning 

Een telecommunicatiebedrijf zag een mogelijkheid voor het verbeteren van klanttevredenheid en het verlagen van kosten met de introductie van chatbots voor het afhandelen van veelgestelde klantvragen. Ze trainden LLMs door eigen data van historische klantinteracties te gebruiken, met als doel om efficiëntere en specifiekere antwoorden op klantvragen te geven. Maar de nieuwe oplossing stuitte op weerstand van zowel medewerkers als klanten.

Hoewel de AI-oplossing volgens verwachting presteerde, slaagde het bedrijf er niet in om de weg vrij te maken voor adoptie door eindgebruikers. Medewerkers misten de training die ze nodig hadden om de technologie effectief te gebruiken en klanten kregen geen waarschuwing of input voordat het nieuwe systeem in werking trad. De telco had de verandering beter kunnen managen door proactieve communicatie met alle gebruikers, juiste training van medewerkers en een gefaseerde uitrol die het mogelijk maakte om het te finetunen op basis van feedback van klanten. Het bedrijf zou ook baat hebben gehad bij gebruiksvriendelijkere ondersteuningsstructuren zoals FAQs en helpdesks. 

Het is duidelijk dat AI-projecten niet zonder grondige voorbereiding uitgerold kunnen worden. Het is essentieel om vooraf een duidelijke visie te ontwikkelen en een heldere routekaart voor de AI-implementatie op te stellen. En bij twijfel: vraag een ervaren IT-partner die verstand heeft van AI-implementaties om advies en ondersteuning. Met een goede samenwerking wordt niet alleen uw AI-project succesvol, maar het zorgt er ook voor dat de organisatie het gebruik van generatieve AI volledig zal omarmen.