Artificial intelligence (AI) belooft elk aspect van bedrijfsvoering te transformeren. Bedrijven die investeren in AI plukken hier de vruchten van. Niet alleen blijven deze bedrijven competitief en relevant in een snel veranderende markt, maar zien zij ook aanzienlijke verbeteringen in klanttevredenheid en operationele prestaties.

De druk om te innoveren met generatieve AI is groot. Veel bedrijven hebben echter nog geen duidelijk beeld van hoe ze van pilots tot volledige implementatie en adoptie binnen hun organisatie komen. Ze worstelen met datasilo’s en de beschikbaarheid van relevante data. Hierdoor vallen generatieve AI-modellen in de praktijk vaak tegen, en leiden tot onverwachte resultaten.

Neem bijvoorbeeld de situatie van een Canadees vliegtuigmaatschappij, waar een chatbot een nieuwe ‘policy’ had bedacht voor de klant die helemaal niet bestond. De chatbot ‘hallucineerde’ en bedacht iets wat helemaal niet kon, met uiteindelijk een rechtszaak tot gevolg. Deze situatie had voorkomen kunnen worden als het AI model wat hierachter zit, toegang zou hebben tot zowel gestructureerde en ongestructureerde data van het bedrijf.

Ongestructureerde data, zoals e-mails, policies, contracten, facturen, kennisdatabase, wordt in veel organisaties nog weinig gebruikt als het gaat om AI, terwijl dit tot circa 85 procent van data bedraagt die in organisaties beschikbaar is (80% van de data is ongestructureerd. Bron: Forbes, The Unseen Data Conundrum, feb 2022). Het slimmer maken van de generatieve AI-modellen noemen we RAG (Retrieval Augmented Generation), dit wil zeggen dat we het AI model van data voorzien om het antwoord op te baseren, in plaats van dat deze publieke data gebruikt of zelf dingen verzint. Advies over het omboeken van een vlucht, zoals in het geval van de vliegtuigmaatschappij, wordt dan gegeven op basis van deze kennisdatabase, rekening houdend met de ticket-policy van het bedrijf.

Het voordeel van RAG is dat de data niet gebruikt wordt om het AI-model te trainen, maar om met een beter antwoord te komen, gebaseerd op data. Hierdoor is het mogelijk om aan alle privacy standaarden en voorwaarden te voldoen, mits het op de juiste manier wordt gedaan.

Gebrek aan snelle data-integratie

Succes in AI is niet alleen afhankelijk van de hoeveelheid data die een bedrijf kan verzamelen, maar vooral van de kwaliteit en integratie van deze data. Het is dan ook geen verrassing dat meer dan een derde (36%) van de Nederlandse IT-teams zegt dat de integratie van te veel verspreide gegevens de implementatie van AI vertraagt. Gecombineerd met een gebrek aan vertrouwen, geeft dit niet de beste kick-start voor AI-succes.

Zonder geïntegreerde data kunnen bedrijven niet volledig profiteren van AI omdat de algoritmes afhankelijk zijn van een samenhangend en compleet dataplatform. Uit het recente Connectivity Benchmark onderzoek van Mulesoft blijkt dat slechts 28 procent van de applicaties verbonden is en worstelt meer dan 80 procent van de zakelijke leiders met datafragmentatie en datasilo’s. Dit is bijzonder, omdat de meeste bedrijven inmiddels fors hebben geïnvesteerd in hun eigen data lakes en MDM’s. De data blijft echter vaak in deze systemen en is geïsoleerd van de business processen. Deze isolatie van data belemmert niet alleen de algehele efficiëntie, maar frustreert ook pogingen om waardevolle inzichten te verkrijgen en AI-projecten succesvol te laten zijn.

Het integreren en beschikbaar maken van data kan veel tijd in beslag nemen. Het kan maanden duren voordat een nieuwe datatabel is geïntegreerd. In dergelijke projecten is data-integratie vaak het doel, terwijl het eigenlijk een middel zou moeten zijn voor waardecreatie door middel van business- en AI-use-cases.

Use case-gebaseerd data ontsluiten

Use case-gebaseerd data ontsluiten kan tegenwoordig een stuk sneller door nieuwe database technologieën (zoals zero-copy)  en het gebruik van metadata om de relaties te bepalen. Metadata helpt orde te scheppen in de chaos en in een coherente structuur de data aan te bieden. Het snel beschikbaar kunnen maken van data voor business use cases en AI- modellen zou een prioriteit moeten zijn van elke afdeling. Dit proces hoeft geen maanden te duren, maar kan in een aantal dagen worden afgerond. De uitkomsten van een AI model zouden vervolgens direct beschikbaar moeten zijn in de business applicaties (sales, service, marketing, commerce, finance, etc) zodat die snel waarde kunnen leveren, en niet stranden als een pilot.

Om tot een succesvolle AI-implementatie te komen, draait het dus om het snel beschikbaar maken van (on)gestructureerde data in een samenhangend datamodel. Als AI wordt toegepast op de eigen gegevens van een bedrijf door middel van RAG, levert het bruikbaardere en betrouwbaardere resultaten op en zorgt het uiteindelijk voor meer vertrouwen en acceptatie. Dit betekent dat nieuwe data technologie noodzakelijk is om op korte termijn succes te creëren met AI-modellen.

Welke stappen onderneem je om AI-modellen binnen je organisatie sneller tot waarde te brengen?

1. Creëren van een datastrategie & use-case: Het begint allemaal met het inzichtelijk maken van beschikbare data. Bedrijven moeten begrijpen welke data ze hebben, waar deze is opgeslagen en in welke business processen dit van waarde kan zijn. Vervolgens wordt dit vertaald  in use-cases waar deze data in combinatie met AI de bestaande bedrijfs processen kan verbeteren.
2. Koppelen en standaardiseren van (on)gestructureerde data. Het direct verbinden van bestaande databronnen door middel van Metadata en zero-copy technologie, zodat dit direct beschikbaar is voor het AI model. Belangrijk is hier dat de data geharmoniseerd wordt.
3. Gebruik van RAG (Retrieval Augmented Generation). Het voeden van de AI-modellen met de vraag en relevante data om de vraag op te lossen. Zo wordt hallucinatie voorkomen en de accuratesse van het antwoord verbeterd. Vervolgens wordt dit beschikbaar gesteld in de business applicatie van de gebruiker, bijvoorbeeld het CRM.
4. Meten van succes en optimaliseren. Niet elk AI model zal direct een succes opleveren, maar heeft vaak een aantal optimalisatieslagen nodig. Belangrijk daarbij is het opstellen van succescriteria. Daarnaast is dit ook een leerproces voor de organisatie om sneller use-case gebaseerd te acceleren.

Integratie AI in bedrijfsprocessen

Om AI succesvol te integreren in de dagelijkse werkzaamheden van een bedrijf, moeten AI tools naadloos aansluiten bij de bestaande workflows van medewerkers op afdelingen zoals verkoop, service, marketing en R&D. Conversatie-assistenten kunnen hierbij een belangrijke rol spelen door medewerkers in staat te stellen eenvoudig toegang te krijgen tot data en workflows binnen de organisatie.

Met specifieke klantdata kunnen medewerkers nuttige antwoorden genereren (RAG) die automatisch gebaseerd zijn op de vertrouwde data en metadata van hun organisatie. Dit maakt gepersonaliseerde klantcampagnes en serviceantwoorden mogelijk, allemaal binnen de veilige grenzen van de bedrijfsdata en processen. De combinatie van data en CRM maakt personalisatie mogelijk.

De toekomst van AI hangt dus niet af van de hoeveelheid data die een bedrijf kan verzamelen, maar van de beschikbaarheid en toepasbaarheid van de data in de AI modellen en business processen. Nieuwe technieken zoals zero-copy, metadata, en RAG geven bedrijven de mogelijkheid om snel waarde te creëren van AI en daarmee voor te lopen op de concurrenten in een snel evoluerende markt.

Door Thomas Boersma en Reinier van Leuken