Er wordt wel gezegd dat er rond 2020 computers zullen zijn die de kracht van het menselijke brein evenaren of zelfs overtreffen. Computersystemen kunnen nu al veel beter dan mensen grote hoeveelheden data tot zich nemen en hieraan inzichten te ontlenen. Denk alleen al aan de zoekmachine van Google, die zoekresultaten presenteert op basis van 'machine learning'. Maar ook middelgrote en kleine organisaties kunnen zelflerende en voorspellende systemen gebruiken. Ook uw organisatie kan profiteren van kunstmatige intelligentie. Hoe? Vijf aanbevelingen.

1. Een strategie met AI

Kunstmatige intelligentie niets voor uw bedrijf? Onzin. Waarschijnlijk maakt u al gebruik van kunstmatige intelligentie (Artificial Intelligence, oftewel AI). Als afnemer van de producten en diensten van pioniers als Google en Facebook, om te beginnen: met elke zoekopdracht die u in intikt bij Google voedt u het AI-systeem van de zoekgigant. Maar u gebruikt AI vermoedelijk binnen uw eigen bedrijf, om uw eigen bedrijfsvoering te verbeteren. Denk alleen al aan de spamfilters in uw mailprogramma, die na verloop van tijd steeds beter worden. Een flauw voorbeeld misschien, maar het geeft wel aan dat kunstmatige intelligentie nu breed wordt toegepast. Handschriftherkenning, gezichtsherkenning, spraaksystemen en navigatiesystemen voor al dan niet zelfrijdende auto's: allemaal maken ze gebruik van het vermogen van computersystemen om steeds beter patronen te herkennen in data. Soms merkt u er niets van (bij zelflerende systemen), soms moet u een handje helpen en de algoritmen waarop het systeem draait verbeteren.

Bedrijven die in hun strategie al rekening houden met de mogelijkheden die AI biedt, profiteren daarbij het meest. Dit blijkt bijvoorbeeld uit recent onderzoek van het bekende bureau McKinsey onder 3.000 topmanagers. In een artikel op basis van dit ondrzoek in de MIT Sloan Management Review geven de auteurs een (al wat ouder) voorbeeld van het Noorse mediabedrijf Schribsted Media, dat een krant met advertenties heeft omgebouwd tot een online marktplaats waar mensen advertenties op maat krijgen op basis van hun zoek- en klikgedrag. Een aansprekender voorbeeld is misschien het de appartementensite Airbnb, dat appartementen zonder wifi-verbinding voorziet van een aansluiting, aangezien dan een veel hogere huur kan worden gevraagd. Een grote operatie, die stapsgewijs moet worden doorgevoerd. Waar te beginnen? Door huurcontracten door te spitten, kan Airbnb voorspellen waar een wifi-aansluiting tot de grootste huurverhoging rechtvaardigt en waar nieuwe aansluitingen moeten komen.

2. Minder kosten en meer opbrengsten met AI

Voorzover bedrijven AI bewust inzetten, dan maar al te vaak om kosten te besparen, stelt het onderzoek van McKinsey, terwijl AI er juist toe kan bijdragen tot hogere opbrengsten. Die stelling is waarschijnlijk aanvechtbaar, wel is het zo dat AI zowel aan de kosten- als aan de opbrengstenkant waarde kan hebben, vaak zelfs beide tegelijk. 

Kostenbesparingen liggen vaak op het vlak van risicomanagement. AI kan een rol spelen om externe risico's beter in kaart te brengen. Denk aan de kredietportefeuille van een bank. Een 'bot' kan die doorspitten, en patronen herkennen om bestaande modellen over kredietwaardigheid te toetsen. Zodoende kan een bank steeds beter voorspellen wanneer een faillissement dreigt bij een klant. AI kan ook worden ingezet om interne risico's te beperken. Om fraude tegen te gaan, bijvoorbeeld, door verdachte transacties op te sporen. Bij fraude kan een bot beter controle uitoefenen dan mensen dat kunnen: een geautomatiseerd controlesysteem kan tenslotte een hele dataset van transacties doornemen, waar mensen slechts een steekproef kunnen nemen. 

 

Opbrengsten kunnen makkelijk worden verhoogd met AI, zeker als het gaat om directe opbrengsten uit verkoop. Zogeheten Recommendation Engines bieden hier uitkomst. Amazon werkt er sinds jaar en dag mee: "Customers who bought this, also bought....". Facebook, LinkedIn, Netflix en Spotify zetten ook graag in Recommendation Engines. Door van iedere klant en van elk product karakteristieke kenmerken te verzamelen en bovendien ook van elke klant te onthouden wat die in het verleden heeft gekocht, kan een Recommendation Engine voorspellen waar iemand in geïnteresseerd in zal zijn. Het wordt steeds makkelijker en goedkoper een Recommendation Engine te (laten) bouwen, installeren en onderhouden. In principe kunnen alle ondernemingen die zich richten op consumenten Recommendation Engines nu al met succes inzetten om de verkoop te bevorderen en cross- en upselling te stimuleren.  

Een vergelijkbare toepassing is de chatbot. Een chatbot is software die zelfstandig acties uitvoert. Vaak stemgestuurd, zoals de chatbot in een slimme speaker zoals Alexa (van Amazon). Je kunt een chatbot ook zien als een kunstmatige beheerder van een databank. Een chatbot vraagt data op uit een databank en voegt data toe, meestal op basis van interacties met mensen. Computerpionier Alan Turing had een chatbot in gedachten toen hij (in de jaren dertig al!) zijn bekende Turingtest opstelde - een test om aan de hand van een vraag-en-antwoordspel te bepalen of een machine intelligent is. Chatbots kunnen vragen die mensen stellen beantwoorden door eerder verzamelde data te analyseren. Het is niet zo moeilijk om toepassingen te verzinnen voor chatbots. Denk aan een chatbot als vervanging van de bekende 'beslisboom' waar klanten vaak doorheen moeten - wanneer ze opbellen bijvoorbeeld, en zich dan door een keuzemenu moeten worstelen: 'als u een technische vraag heeft, kies dan 1' en 'heeft u een vraag over uw rekening, kies dan 2', enzovoorts. Met een chatbot - in dit geval een chatbot met stemherkenning - zou dat makkelijker en prettiger moeten kunnen. Ook de medewerkerstevredenheid zal waarschijnlijk stijgen met zo'n bot, aangezien mensen minder vervelende telefoontjes hoeven af te handelen. Nog een voordeel is dat een bot vaak ook aan 'de achterkant' waarde bewijst, door gegevens over de interactie met klanten op te slaan. Zo kunnen belangrijke data worden verzameld. Met een goede chatbot is het mogelijk om én opbrengsten te verhogen én kosten te besparen.  

3. Garbage in, garbage out

AI kan worden ingezet om data te duiden, trends te signaleren en toegevoegde waarde leveren met analyses, prognoses en advies. Maar er geldt ook, zoals dat in de automatiseringswereld heet: 'garbage in, garbage out'. Onvolledige, inconsistente, corrupte of gedupliceerde data kunnen leiden tot onzuivere uitkomsten. Hapklare, makkelijk analyseerbare en consistente data zijn een vereiste. Mede dankzij de voortdurende technologische vooruitgang – lees: de toenemende opslag- en rekencapaciteit van computers en de voortdurende verbeteringen van software – kan dat steeds beter. Eenvoudig is het alleen niet: vaak moet niet alleen informatie uit het ERP- en/of CRM-systeem worden getrokken, maar ook met informatie van Facebook en andere externe bronnen. 

Uiteraard moeten ook AI-tools die zijn bedoeld om analyses te maken en beslissingen te ondersteunen goed werken. Maar dat is meestal niet het probleem. De data waarop ze zich moeten baseren deugen vaak niet.

4. Kunstmatige intelligentie vereist intelligent personeel

En dan de mensen zelf. Wie kan er het beste met een AI-systeem omgaan? Om te beginnen begenadigde data-analisten. Soms zal de data-analist een veredeld programmeur zijn, met zowel technische als statistische kennis. Want technische kennis alleen is niet genoeg. Je hebt ook mensen nodig die statistisch onderlegd zijn en bedreven in het opstellen, interpreteren en toetsen van analyses om inzicht te krijgen in allerlei data van binnen en buiten het bedrijf. 

Ook zijn mensen met een meer bedrijfseconomische kijk op de zaken nodig. Vaak zal het eerder iemand zijn met een bedrijfskundige of bedrijfeconomische achtergrond en die objectief, betrouwbaar, nuchter en cijfermatig is ingesteld. Iemand die zich afvraagt: hoe kunnen we 'benchmarken' hoe goed ons bedrijf presteert ten opzichte van concurrenten? Of, als het gaat om fraudedetectie: hoe vind je in de hooiberg van big data met een slim algoritme verdachte transacties? Als het gaat om mensen met een financiële achtergrond, zullen het eerder business controllers zijn dan financial controllers. Niet alleen mensen die erop toezien dat de cijfertjes kloppen en het rapport op tijd af is, in elk geval. Maar juist mensen die de samenwerking zoeken met andere afdelingen en communicatief vaardig zijn. 

5. Kies een ecosysteem

Probeer niet zelf het wiel uit te vinden, beveelt het onderzoek van McKinsey aan. Leer van anderen, en zorg dat zij van jou kunnen leren. Kortom: draag ertoe bij dat er kennisuitwisseling plaatsvindt over AI. Vaak gebeurt dat binnen een 'ecosysteem' van bedrijven met een gemeenschappelijke interesse in AI, bijvoorbeeld van toeleveranciers en afnemers in een zelfde sector. Denk aan Brainport Industries, een netwerk van hoogtechnologische bedrijven. ASML van zijn toeleveranciers dat deze hun informatiestromen delen, en zij eisen dat op hun beurt weer van hún leveranciers. Gezamenlijk kunnen ze die dan inzetten om de 'collectieve intelligentie' te verhogen. Een ander lichtend voorbeeld van clustersamenwerking is de agrotechnologie. Deze sector gaat van oudsher al transparant om met zijn data. Neem bijvoorbeeld de productieketen van paprika’s. Via vision-technologie, het constant meten van paprika’s terwijl deze groeien en rijpen, weten we precies wanneer elke individuele paprika het beste geplukt kan worden. Door die data te combineren met gegevens over de zuurtegraad van de grond en het weer, kan een paprika zo efficiënt mogelijk geteeld worden. En delen groothandel, transport en supermarkt deze data, dan weten ze precies welke paprika voorin de schappen moet komen voor de snelste verkoop. Dit voorkomt onnodig bederf en levert keiharde euro’s op omdat meer paprika’s goed blijven en dus te verkopen zijn. 

Bronnen:

Five Management Strategies for Getting the Most From AI

A Survey of 3,000 Executives Reveals How Businesses Succeed with AI