Er lijkt een ware GenAI-goudkoorts te zijn ontstaan. Wat valt jou daaraan op?
,,Wij werken al jaren met veel verschillende toepassingsmogelijkheden van kunstmatige intelligentie. Sinds de lancering van ChatGPT nam het aantal aanvragen van organisaties die 'ook iets met Large Language Models willen doen' sterk toe. Die hype heeft wel iets weg van de tijd waarin veel bedrijven opeens ook zo snel mogelijk een eigen app wilden hebben. Net als bij die apps is het lang niet altijd duidelijk welk concreet zakelijk doel zo'n toepassing moet dienen. Dat is dan ook de eerste vraag die we deze opdrachtgevers stellen. En natuurlijk kijken we ook direct goed naar hun data-infrastructuur."
Hoeveel organisaties worstelen nog met de beschikbaarheid van voldoende geschikte data?
,,Veel bedrijven zijn nog niet optimaal in staat de data die ze door de gehele organisatie heen genereren samen te brengen. Goed voorbeeld is de auto-industrie waarin wij zeer actief zijn. De auto veranderde de afgelopen 15 jaar in een rijdend digitaal platform. En ook het productieproces kreeg in hoog tempo meer sensoren, meer software en meer connecties met allerlei externe IT-toepassingen. De resulterende data komt helaas niet samen, maar blijft grotendeels hangen in een complexe lappendeken van onvoldoende aan elkaar gekoppelde digitale systemen, platformen en tools."
Efficiënter omgaan met eigen data is niet eenvoudig. Hoe pak je dat op korte termijn aan?
,,Je begint voortvarend als je het C-level management concrete use cases kunt laten zien waarmee je relatief snel waarde kunt toevoegen. Door de huidige focus op Generative AI denken veel managers dat je eerst over enorme data sets moet beschikken voor je de vruchten van AI kunt kan plukken. Met de juiste organisatorische en IT-infrastructuur kun je echter heel snel aan de slag met je eigen data. Een gemiddeld Fortune500-bedrijf maakt bijvoorbeeld 400 miljoen beslissingen per dag. Een van de meest effectieve AI-toepassingsmogelijkheden is het sneller en slimmer maken van beslissingen."
Hoe maak je snellere en slimmere beslissingen met behulp van AI en je eigen data?
Een van onze succesvolle toepassingen is de ontwikkeling of verbetering van producten met behulp van AI Agents. Een AI Agent is kortgezegd een doelgerichte 'gebruikslaag' bovenop een LLM-model.
Dankzij een specifieke set instructies, een eigen 'geheugen' en een aantal andere hulpmiddelen kunnen die redelijk autonoom aan complexe opdrachten werken. In plaats van doorlopend nieuwe prompts in te voeren, werkt jouw AI Agent dus zelfstandig naar het einddoel toe. Niet voor niets noemen mensen als OpenAI-kopstuk Sam Altman deze AI Agents al de killer app van AI.
Een goed voorbeeld is de datagedreven wijze waarop we met drankenproducent Mackmyra een zeer succesvolle jubileumwhisky ontwikkelden
Hoe helpt een AI Agent met productontwikkeling, oftewel AI-augmented product development?
,,Een goed voorbeeld is de datagedreven wijze waarop we met drankenproducent Mackmyra een zeer succesvolle jubileumwhisky ontwikkelden. De smaak van een goede whisky wordt door veel verschillende factoren bepaald. Van de keuze voor een bepaald graan, tot het soort hout van de vaten waarin het eerste destillaat tot rijping komt. Meester-destilleerders besteden vaak hun hele werkzame leven aan het tweaken van deze factoren, en vaak ook het blenden van whisky's. Wij zetten een AI Agent in om te leren van al die keuzes, en zo te kunnen adviseren bij nieuwe keuzes."
Hoe 'leert' een AI Agent van de talloze keuzes die product experts door de jaren heen maken?
,,Allereerst verwerkt een machine learning-model alle beschikbare informatie. In dit geval waren dat bijvoorbeeld alle testnotities, in combinatie met data over de smaakfactoren en het eindresultaat. Werden de resulterende whisky's bijvoorbeeld goed verkocht, en behaalden ze goede reviews, of zelfs awards? Zo ontstonden vanzelf patronen die de Agent gebruikt om het resultaat van nieuwe keuzes te voorspellen. Dat bleek een zeer succesvolle aanpak. De Intelligens-whisky won een serie prestigieuze smaak-onderscheidingen, maar ook een ADC Silver Cube voor innovatief product design."
Zijn de betrokken experts niet bang dat zo'n AI Agent hen uiteindelijk overbodig maakt?
,,Al onze AI expert systems delen één cruciale overeenkomst: ze zijn er niet om experts te vervangen, maar juist om het optimale rendement uit hun kennis te halen. De experts zelf maken met name routinematige beslissingen sneller en makkelijker dankzij de digitale ondersteuning. Dat betekent minder repeterend werk, en meer tijd en aandacht voor bijvoorbeeld creatieve gedachteprocessen. Bovendien kunnen andere medewerkers ook gebruik maken van de informatie die het systeem verzamelt. Je deelt waardevolle kennis zo dus ook op zeer efficiënte wijze binnen je organisatie."
Profiel Patrick Kuster
Patrick Kuster is Head of Demand bij Thoughtworks, een in 19 landen opererende tech consultant die al ruim 30 jaar innovatieve digitale oplossingen ontwikkelt voor bedrijven als Heineken, Mondelez en Spotify. Hier is hij onder meer verantwoordelijk voor de ontwikkeling van AI-gerichte zakelijke strategie. Hij is een van de co-founders van de Europe AI Hub, en was eerder lange tijd verantwoordelijk voor de ontwikkeling van innovatieve data-oplossingen bij nieuwstechnologiebedrijf Thomson Reuters.
In onze wekelijkse nieuwsbrief vind je het beste van BusinessWise die week. Abonneer je gratis en blijf altijd op de hoogte!
