De toekomst voorspellen, het kan

Amazon wil in de toekomst spullen naar mensen sturen voordat die besloten dat ze die wilden kopen! Op basis van slimme machines die slimme voorspellingen m

Wat betekent de opkomst van kunstmatige intelligentie (KI) echt voor bedrijven? De auteurs van Prediction Machines: The Simple Economics of Artificial Intelligence beschouwen de KI van dit moment als voorspellingstechnologie. Voorspellingen zijn de input van besluitvorming. Betere voorspelbaarheid reduceert onzekerheid in beslissingen. Dat levert economische voordelen op. Wat KI brengt, kortom, is niet intelligentie, maar voorspelling.

De vraag of en hoe bedrijven KI moeten inzetten hangt samen met economische trade-offs. Bijvoorbeeld: meer data betekent minder privacy voor klanten. En meer snelheid betekent minder nauwkeurigheid. Je strategie hangt af van hoe zwaar je iedere kant van de uitruil weegt. Een creditcardbedrijf kan fraudes voorkomen met algoritmes, maar zal soms een klant frustreren door onterecht een kaart te blokkeren. Wanneer een man die nooit kleren koopt opeens duizenden euro’s aan kleding uitgeeft in een winkelcentrum bijvoorbeeld, een plek waar veel diefstallen plaatsvinden. Op een plek waar klanten makkelijk switchen van leverancier, zoals de telecombranche, weegt het niet frustreren van klanten het zwaarst. De kosten van het verwerven van nieuwe klanten is hoog, dus het managen van churn heeft de hoogste prioriteit voor deze bedrijven. Voor een creditcardbedrijf ligt dit anders; het voorkomen van diefstal heeft hogere prioriteit dan het niet frustreren van klanten.

Show me the data!

De brandstof voor machine learning en dus betere voorspellingen zijn data. Ik onderscheid drie rollen: input data (om te beginnen); training data (nodig tot het moment dat KI krachtig genoeg is om ‘in het wild’ losgelaten te worden); en tot slot feedback data (verbetert het algoritme met meer ervaring).

Een voorbeeld is de app Cardiogram die via Apple Watch de hartslag van gebruikers meet ter voorkoming van beroertes. In het begin heeft de app beperkt vergelijkingsmateriaal, maar hoe meer proefpersonen – met normale en verstoorde hartritmes – het gebruiken, hoe beter het algoritme wordt. Na de lancering van de app neemt de hoeveelheid data sterk toe. Nu is het belangrijk dat de KI leert. Wanneer waren de voorspellingen correct en wanneer niet? Hoeveel data je nodig hebt, hangt af van hoeveel waarde je kunt halen uit accuratere voorspellingen. Voor algemene zoekopdrachten maakt het niet uit of je Google of Bing gebruikt, maar voor specifieke opdrachten zorgt de enorme databerg van Google voor superieure resultaten. Dat resulteert in meer tevreden klanten en meer omzet. De ROI-vraag voor de CFO is dus: hoe waardevol is de toegenomen nauwkeurigheid in voorspellingen voor mijn business? 

Amazon weet wat jij wilt

Betere voorspellingen kunnen op den duur leiden tot een volledig nieuw businessmodel. Neem Amazon als spectaculair voorbeeld. Het aanbevelingssysteem van de online retailer is momenteel voor 5 procent correct. Dat wil zeggen; van alle 20 artikelen die ze een klant aanbevelen koopt de klant er eentje. Dit is best knap, gezien de vele miljoenen artikelen die Amazon aanbiedt. Maar het kan nog beter. Met alle feedbackdata die door het systeem vloeit wordt Amazon misschien wel zo goed dat 50 procent gehaald kan worden. Wat dan? Nu verstuurt Amazon producten nadat ze besteld zijn. Zodra een bepaalde drempel van correcte voorspellingen wordt overschreden, zal het bedrijfseconomisch aantrekkelijker worden om producten eerst te verzenden en dan pas te verkopen. Zo kan de retailer een groter marktaandeel verwerven. Als je denkt dat dit te ver gaat: Amazon heeft hier al een vergunning voor aangevraagd. Het lijkt hen dus een realistisch toekomstscenario. Om met de vele retourzendingen om te kunnen gaan zal de retailreus zijn bedrijfsmodel moeten aanpassen. Wanneer ze de logistiek niet heel goed organiseren, zal het te veel frustratie opleveren onder klanten om de hogere omzet te rechtvaardigen.
 

Talloze experimenten hebben aangetoond dat mensen vreselijke statici zijn


Voor grote tech-bedrijven is de impact van goedkopere voorspellingen duidelijker dan voor de meeste andere bedrijven. Maar omdat disruptie op de loer ligt, moet iedere bestuurder zich afvragen: hoe kunnen we ons businessmodel verbeteren door onzekerheid in besluitvorming te reduceren? En hoe kunnen we de waarde vangen die betere voorspelbaarheid creëert? Afwachten kan risicovol zijn omdat start-ups je voorbij kunnen streven en dan niet meer in te halen zijn.

Samenwerking tussen mens en machine

Voorspellingen zijn een onderdeel van het besluitvormingsproces. Machines kunnen dit beter omdat ze goed zijn in statistiek. Talloze experimenten in de gedragseconomie hebben aangetoond dat mensen vreselijke statistici zijn. Toch wordt de mens niet overbodig en dat komt door zijn oordeelsvermogen. Machines hebben dat niet. Zij verta- len data naar de waarschijnlijkheid van bepaalde uitkomsten. Wanneer er weinig data beschikbaar zijn, zal KI veel moeilijker tot een voorspelling komen dan een mens. In de ideale samenwerking tussen mens en machine doet het systeem voorstellen voor de mens die de uiteindelijke besluiten neemt. Omdat fouten grote gevolgen kunnen hebben, zal een mens het voorstel van de KI altijd moeten goedkeuren. In het geval van business-opportunities kent de mens het gewicht toe aan de mogelijke uitkomsten. Bij het voorspellen van kredietwaardigheid bijvoorbeeld, zal een high end creditcard bereid zijn een hoger risico te accepteren dan een creditcard die zich op studenten richt. Nog een reden waarom mensen belangrijk blijven: voorspellingsmachines maken fouten. In de hotelindustrie zijn de prijzen laag buiten het toeristenseizoen en hoog wanneer de vraag op zijn hoogst is. KI zou onterecht kunnen voorspellen dat het verhogen van prijzen leidt tot meer verkochte kamers. Goede teams van mensen en KI-systemen heffen elkaars zwakheden op en profiteren van elkaars sterke punten.

Superintelligentie

De KI van vandaag staat nog ver af van menselijke intelligentie. Op dit moment is KI slechts geschikt voor het maken van voorspellingen. De KI-tools van vandaag voorspellen wat je wilt zeggen (Amazon’s Echo), welke opdracht je wilt geven (Apple’s Siri) en wat je wilt lezen (Facebook’s Newsfeed). Geen enkel KI-systeem levert een volledige workflow, maar slechts een component van besluitvorming. KI faciliteert daarmee betere besluitvorming in complexe omgevingen.

Of KI ooit het niveau van general intelligence of zelfs super intelligence gaat bereiken is niet duidelijk. Als dat gebeurt, zal de economie ingrijpend ver- anderen. Op dit moment kunnen we KI beschouwen als voorspellingsmachines. Dat stelt leiders in staat te beoordelen hoe voorspellingen tegen lage kosten kunnen leiden tot meer waardecreatie voor hun bedrijven.