AI is vaak niet de juiste oplossing

Van strategie bedenken tot het uitvoeren van de meest essentiële processen in de core business: het moet tegenwoordig allemaal met AI. Zelfs voor de kleinste en meest triviale problemen is het inmiddels het standaardantwoord.

Toch is AI minder vaak de juiste oplossing dan het lijkt.

De basis is bij de meeste bedrijven niet op orde

Na uitgebreid onderzoek onder meer dan 30 Nederlandse MKB-bedrijven kwam naar voren dat het gemiddelde data maturity-niveau uitkomt op 2,6 van de 5. Niveau 2 staat voor data lagging: achter de feiten aanlopen. Niveau 3 is managing: systematisch datagebruik, maar passief, vooral voor rapportages. Het gemiddelde MKB zit daar dus precies tussenin.

Wat dat in de praktijk betekent, is herkenbaar voor iedereen die er ooit naar heeft gekeken. Er is vaak nog geen duidelijk beeld van hoe hoog de eigen KPI’s liggen. Excel-sheets worden gezien als de single source of truth voor de core business. Data staat verspreid over informatiesystemen die niet met elkaar verbonden zijn, waardoor vaak niemand precies weet welke data er is en waar die staat.

Op dat fundament een AI-model bouwen is als een huis bouwen zonder fundering. Complexe ML-modellen en LLMs kunnen in sommige geïsoleerde gevallen al waarde toevoegen, maar in de meeste gevallen niet.

Het oplossingsspectrum

Wanneer een bedrijf een data- of beslissingsprobleem heeft, zijn er grofweg vijf niveaus waarop je dat kunt aanvliegen:

1. Wiskundige modellen of vaste regels

2. Verklarende regressie (simpele OLS en SARIMAX)

3. Ensemble modellen (decision trees, random forest)

4. Deep learning / neurale netwerken

5. LLM / generatieve AI

Hoe verder op het spectrum, hoe complexer het wordt, maar ook hoe meer er verloren gaat: verklaarbaarheid, stabiliteit en controle over het resultaat. Een LLM kan een verklaring geven voor het gegeven antwoord, maar de denkrichting hoeft niet de optimale te zijn, terwijl het dat vaak wel lijkt.

Bovendien vereist het gebruik van een LLM dat iemand in het bedrijf de expertise heeft om te beoordelen of de uitkomst correct is. Die expertise is er lang niet altijd. Vooral nu LLMs steeds meer taken overnemen en meerdere opeenvolgende stappen met één druk op de knop kunnen doorvoeren, wordt de validatie per denkstap al snel overgeslagen. Fouten kunnen zo onopgemerkt in het eindproduct zijn ingebakken.

Gebruik de meest verklaarbare oplossing voor het probleem. Ga alleen verder op het spectrum als er bewijs is dat het nodig is.

Expertise als fundering

Op elk niveau van het oplossingsspectrum zijn domeinkennis en ervaring onmisbaar. Voor het bouwen van een wiskundig model moet je begrijpen welke variabelen ertoe doen. Voor het gebruik van een LLM moet je de uitkomst kunnen beoordelen. Het niveau van de oplossing verandert; de behoefte aan expertise niet.

Expertise en ervaring die jarenlang zijn opgebouwd in een bedrijf zouden de basis moeten vormen van elke oplossing voor de core business. Wat nu steeds vaker gebeurt, is het omgekeerde: AI wordt ingezet ter vervanging van die expertise, in plaats van als verlengstuk ervan. Boardleden denken steeds sneller: “Daar hebben we niemand meer voor nodig; dat lossen we op met AI.” Het gevaar daarvan is niet alleen dat de oplossing suboptimaal is. Het gevaar is ook dat de expertise wordt overschreven en daarmee het concurrentievoordeel dat jarenlange kennis oplevert, wordt ondermijnd. Met andere woorden: expertise wordt gecommoditiseerd.

Conclusie

Het valt niet te betwisten dat AI veel kansen biedt. Maar voor de meeste problemen waar MKB-bedrijven dagelijks tegenaan lopen, bestaat er vaak een eenvoudigere, verklaarbare oplossing die sneller werkt, goedkoper is en beter past bij de huidige staat van de data. De vraag is niet of AI ingezet kan worden, maar of het op dit moment de juiste oplossing is voor dit specifieke probleem binnen dit bedrijf.