Laten we eerlijk zijn: te midden van de hype rond generatieve kunstmatige intelligentie (GenAI) worden veel bedrijven geconfronteerd met de harde realiteit dat de resultaten van hun ambitieuze initiatieven niet overtuigend zijn. Bedrijven staan voortdurend voor de taak om zich te concentreren op de essentie en de uitdagingen van AI om te zetten in concurrentievoordelen. Heroverweeg nu je strategie om nieuwe succesnormen te stellen voor je volgende ondernemingsbrede AI-project.
De explosieve verspreiding van generatieve AI en large language models (LLM's, grote taalmodellen) is ongekend: ChatGPT van OpenAI heeft in slechts een paar maanden 100 miljoen gebruikers bereikt. Kunstmatige intelligentie ontwikkelt zich snel. Sinds het begin van 2024 wordt de leidende positie van OpenAI uitgedaagd door krachtige nieuwe modellen zoals Claude 3 van Anthropic, het large model van Mistral AI of nieuwe ontwikkelingen, bijvoorbeeld op het gebied van large action models (LAM's). Deze creëren samenhangende en doelgerichte actiesequenties in plaats van alleen maar tekst.
Nu techgiganten en start-ups hun AI-competitie blijven intensiveren en snelle innovatie in GenAI en LLM's blijven stimuleren, blijft de toekomst van deze transformatieve technologie spannend. Bedrijven moeten de markt voor kunstmatige intelligentie goed in de gaten houden en onderscheid maken tussen algemeen enthousiasme en de realiteit om echte kansen voor zichzelf te herkennen.
Eén vraag ligt op ieders lippen in de directiekamer: "Wat is onze GenAI-strategie, hoe verlopen onze projecten en wat is de ROI?"
IDC schat de uitgaven aan AI-gerichte systemen in Europa in 2023 op USD 34,2 miljard voor alle sectoren en voorspelt een samengesteld jaarlijks groeipercentage (CAGR) van 29,6% tot 2027. De uitgaven aan large language models en GenAI werden aanvankelijk ingegeven door algemeen enthousiasme en de angst om iets te missen (FOMO) in plaats van strategisch gedefinieerde doelen, en hebben een race om marktaandeel onder dienstverleners op gang gebracht.
AI-assistenten, chatbots en codeertools hebben bewezen onmiddellijk nuttig te zijn. Tegenwoordig gebruiken bedrijven verschillende toepassingen:
Met miljardeninvesteringen en de wereldwijde race om AI-talent voorspelt Gartner dat in 2026 meer dan 80% van de organisaties GenAI API's of modellen in hun productieomgevingen zullen hebben geïntegreerd. In 2023 was dit nog minder dan 5%. Ondanks het wijdverspreide geloof in LLM's als universele oplossing voor zakelijke uitdagingen, wijst Forbes erop dat 90% van de GenAI-oplossingen stranden bij het proof-of-concept (POC) voordat ze volledig uitgerijpt zijn.
Strategieën moeten worden heroverwogen in een voortdurend veranderende omgeving: Geavanceerde AI, vooral grote taalmodellen, worden gezien als het wondermiddel voor alle zakelijke uitdagingen. Maar in werkelijkheid is generatieve AI nog niet volledig ontwikkeld. Onduidelijke doelen en slecht gedefinieerde problemen maken het moeilijk om bedrijfsvereisten te vertalen naar uitvoerbare AI-taken en vervolgens succes te meten. Omdat het AI-landschap voortdurend verandert en steeds meer nieuwe modellen, orkestratiebibliotheken en cloudservices presenteert, bestaat het risico dat je in een eindeloze prototypinglus terechtkomt, wat een negatieve invloed kan hebben op het resultaat.
Dat betekent: de sleutel ligt in het rigoureus afwegen van het potentieel tegen de complexiteit, gevolgd door snelle strategische experimenten. Deze iteratieve, experimentele aanpak voorkomt voorbarige, uitgebreide investeringen in use cases met onduidelijke eisen of significante technische hindernissen.
Onbetrouwbare gegevens, gegevensbescherming en beveiligingsproblemen: Datakwaliteit en -beveiliging zijn topprioriteiten in AI-gestuurde bedrijven, omdat AI-systemen niet kunnen functioneren zonder een uitgebreide pool van robuuste, onvervalste gegevens. Aangezien organisaties, met name in sterk gereguleerde sectoren, toegang hebben tot een schat aan tekstdata, zijn de uitdagingen op het gebied van betrouwbaarheid, privacy en beveiliging van gegevens acuut. Ongeoorloofde inbraak, gegevenslekken en cyberaanvallen vormen een ernstige bedreiging voor de integriteit en vertrouwelijkheid van GenAI-systemen. Ethische dilemma's zoals schending van het auteursrecht, intellectuele eigendomsrechten en vooroordelen in de gegevens die worden gebruikt om AI te trainen, hebben al geleid tot rechtszaken en benadrukken de noodzaak van gewetensvolle ontwikkeling en toepassing van AI.
Dat betekent: Voor een effectief gebruik van grootschalige taalmodellen en om hun betrouwbaarheid en ethisch gebruik te garanderen, is het essentieel dat er onbevooroordeelde gegevens van hoge kwaliteit worden geselecteerd. Bedrijven kunnen toegang krijgen tot schaalbare LLM-oplossingen via pay-as-you-go-hosting of kiezen voor controle op maat met een eigen privé-infrastructuur. Daarnaast bieden strikte gegevensgovernance en cyberbeveiliging met regelmatige audits en nalevingscontroles een veilig kader om te voldoen aan de vereisten voor gegevensbescherming en beveiliging bij het gebruik van AI.
Het probleem van kosten en complexiteit: De implementatie van GenAI gaat niet alleen gepaard met een initiële investering, maar ook met doorlopende kosten. De cloudkosten voor het draaien van grote modellen zijn hoog, er zijn dure experts en hardware nodig om in-house oplossingen te ontwikkelen en zelfs het gebruik van open source-opties vereist technische expertise. Het beheer van GenAI-uitvoer, systeemupgrades, gespecialiseerd personeel, gegevensbeveiliging, ethiek, compliance, monitoring, training en juridische overwegingen verhogen allemaal de kosten. De initiële investerings- en exploitatiekosten zijn vaak hoger dan de eventuele kostenoptimalisatie of inkomstenvoordelen, zodat projecten al worden stopgezet voordat ze daadwerkelijk zijn ingevoerd. Daarnaast vereisen veel zakelijke use cases een hoge mate van maatwerk. Het bijbehorende complexe samenspel van LLM-orkestratie, gegevensintegratie, retrieval augmented generation (RAG), modelinbedding en integratie van vectordatabases vormt een aanzienlijk obstakel. Daarnaast kan het streven naar snelle resultaten ertoe leiden dat teams belangrijke niet-functionele aspecten uit het oog verliezen, zoals de schaalbaarheid van de RAG-pijplijn, robuuste modelprestaties, beveiliging en strikte gegevensbescherming. Dit leidt tot technische defecten die later moeten worden verholpen.
Dat betekent: Om de kosten en complexiteit van de implementatie van GenAI succesvol te beheren, moeten gedetailleerde analyses worden uitgevoerd om de initiële investering af te wegen tegen de voordelen op lange termijn. Een detailhandelsbedrijf dat bijvoorbeeld investeert in AI-gestuurde bots voor klantenservice moet de kosten van clouddiensten, gespecialiseerd personeel en doorlopend onderhoud afwegen tegen de potentiële omzetstijging door verbeterde klanttevredenheid en loyaliteit. Samenwerking tussen de afdelingen IT, marketing en klantenservice zorgt ervoor dat doelstellingen op elkaar worden afgestemd en middelen efficiënt worden toegewezen. De prioritering van niet-functionele vereisten zoals schaalbaarheid en beveiliging kan worden geïllustreerd aan de hand van het voorbeeld van een fintechbedrijf dat AI-gebaseerde fraudedetectiesystemen implementeert, waarbij robuustheid en gegevensbescherming van het grootste belang zijn. Voortdurende verbetering omvat regelmatige beoordelingen van belangrijke prestatie-indicatoren en feedback van gebruikers, die tijdige aanpassingen mogelijk maken om de efficiëntie en effectiviteit te optimaliseren.
Al met al raden we bedrijven een evenwichtige aanpak aan. Ze moeten gelijke tred houden met de technologische ontwikkelingen en er tegelijkertijd voor zorgen dat hun AI-strategieën nauw aansluiten bij hun specifieke bedrijfsdoelstellingen. Hier zijn een paar vuistregels:
Bedrijven moeten altijd op twee dingen letten als het om AI gaat: de voortdurende verdere ontwikkeling van de technologie en de sterke focus op concrete bedrijfsresultaten.
Kort gezegd: De strategische integratie van AI moet niet alleen de technologiehype versterken, maar moet leiden tot meetbaar zakelijk succes door de synergie van innovatie en beheer.
De introductie van kunstmatige intelligentie is een zeer complex proces dat gepaard gaat met veel uitdagingen, maar ook veel kansen biedt. Als je wilt weten hoe je deze uitdagingen kunt omzetten in een springplank voor innovatie en groei, neem dan contact met me op. We kijken uit naar jullie vragen!
