Hoe je AI verder krijgt dan een proof of concept

De meeste organisaties hebben inmiddels een eerste proof of concept met AI achter de rug. Met de juiste use case ontstaat er snel waarde. Maar hoe schaal je daarna op naar concrete toepassingen binnen je hele organisatie?

Een eigen chatbot, content assistent of co-pilot maken gaat relatief eenvoudig. Er zijn genoeg open source LLM’s beschikbaar en met de Model Context Protocol (MCP) geef je AI toegang tot een systeem voor input. Een werkende demo is dan zo gebouwd. De echte uitdaging begint wanneer je vervolgens naar productie wilt.

De techniek is zelden de bottleneck. Het draait om alles eromheen: IT security, beschikbaarheid, privacy en compliance, governance en de dagelijkse praktijk van gebruikers. Dat is precies waar het mis gaat. Zodra er echte schaal nodig is, vertragen de snelle experimenten en is het niet zo helder of die toegevoegde waarde blijvend is. Dus waar begin je als je wel een succesvol AI-project wilt bouwen?

Win het vertrouwen van de klanten

Het voordeel van AI zit voor klanten vooral in gemak, zoals een chatbot die 24/7 antwoord geeft zonder tussenkomst van een medewerker. De grote vraag is of klanten dezelfde service krijgen van een geautomatiseerd systeem als van een echt persoon. Pas als het antwoord ja is, zullen klanten echt het gemak ervaren en waarderen.

Neem een technische groothandel als voorbeeld. Klanten hebben daar vaak een band met iemand van de binnendienst en voelen zich gesteund doordat ze iemand spreken die hun situatie begrijpt. Als Peter er niet is, belt een klant zonder aarzelen op maandag wel terug omdat hij weet dat Peter de producten kent, helder advies geeft, verantwoordelijkheid neemt wanneer dat nodig is en soepel omgaat met uitzonderingen. Zijn kracht zit in zijn toegang tot jarenlange expertise en klantkennis. Als een AI diezelfde informatie krijgt en die weet toe te passen, kan het net zo efficiënt werken.

Schrijf de business logica op

In veel bedrijven maakt of kraakt de expertise van een Peter het dagelijkse succes. Wil je routinematige taken gaan automatiseren zodat Peter zich met waardevolle zaken kan bezighouden, dan zul je eerst de business logica moeten vastleggen. Dat zijn productantwoorden, scenario’s, mogelijkheden, adviezen en waarschuwingen.

Dit brachten wij in de praktijk bij een technische groothandel. Op de afdeling support waren 30 mensen grotendeels bezig met het beantwoorden van klantvragen over technische producten. Dus trainden we een chatbot met alle catalogussen, technische data en productkennis van de specialisten. Klanten kunnen nu via WhatsApp een foto en een vraag sturen en ze krijgen binnen 30 seconden een antwoord, in plaats van 30 minuten.

Natuurlijk kun je lang niet alles effectief vastleggen: voor sommige kwesties blijft de expertise van een medewerker onmisbaar. Daarvoor moet je eerst begrijpen wat de informatiebehoefte is van je klanten zodat je kunt bepalen wat wel en niet haalbaar is.

Breng de informatiebehoefte in kaart

Wat hebben klanten nodig voordat ze tot aanschaf over kunnen gaan? Wanneer Peter een klant helpt, volgt hij een vast patroon. Hij checkt de orderhistorie, bekijkt het klantprofiel voor de lopende projecten, controleert de voorraad en de levertijden. Pas dan adviseert hij een product dat past binnen het budget en de planning van de klant.

Voor een AI-systeem is hetzelfde stappenplan nodig. Het moet weten welke informatie in welke volgorde verzameld wordt, waar die informatie vandaan komt en hoe het verschillende bronnen combineert tot een zinnig antwoord. Dit kun je in kaart brengen met een data journey model: dit is het pad waarmee je visualiseert hoe je klanten informatie verzamelen. Net als het bekendere customer journey model helpt het je te identificeren waar er dingen misgaan. Wanneer Peter per abuis een fout product adviseert, lost hij de klacht op. Kan een chatbot straks dezelfde verantwoordelijkheid nemen? Dan moet je precies vastleggen welke checks het moet doen en welke handelingsruimte het krijgt.

Dit noemen we data readiness: voor elke use case weten welke informatie nodig is, waar die staat en hoe deze in het AI-systeem stroomt.

De juiste use case voor AI vinden

Een groot deel van de waarde die AI brengt zit in automatisering. Alleen is AI niet altijd het beste antwoord op een automatiseringsvraagstuk. Voor het opzoeken of een paar schoenen in maat 46 er wel of niet is, volstaat een database query. Voor het berekenen van het winkelmandje zijn er legio tools en functies die gewoon beter werken dan een AI. AI is weer heel goed in semantische en fuzzy queries: welke winterjas past bij casual streetwear? Iets zoals product X, maar dan duurzamer?

Wanneer je weet waar AI wel en niet goed is, kun je die use cases vinden waar AI echte waarde kan toevoegen. Momenteel zitten deze use cases vooral in de onderzoeksfase waar klanten specifieke productinformatie verzamelen en combineren om tot een keuze te komen.

Start met use cases waar het merendeel van de benodigde data al beschikbaar is in een klein aantal systemen en relatief compleet is. Hoe meer data ready het domein, hoe makkelijker je van proof of concept naar dagelijks gebruik stapt.

Toegang en verantwoordelijkheid

Een AI coding tool kan code schrijven die per ongeluk data verliest. Een virtuele assistent kan op basis van verouderde prijs- of voorraaddata onjuiste aanbiedingen doen. De meeste risico’s gaan niet over spectaculaire incidenten, maar over kleine fouten die zich razendsnel kunnen herhalen. Het verschil met een menselijke fout is de schaal: dezelfde verkeerde aanname kan in korte tijd honderden klanten raken. Daarom is het zo belangrijk om AI niet vrije toegang te geven tot al je systemen, maar alleen tot de data die nodig is voor een specifieke use case.

Maar in de dagelijkse praktijk zijn toegang en eigenaarschap niet altijd even goed geregeld. Teams hanteren verschillende regels en standaarden, niet alles is goed vastgelegd en vaak zijn het specifieke experts zoals Peter die zorgen dat alles toch goed draait. Wil je daar AI aan toevoegen, dan zal voor elke belangrijke databron iemand eerst verantwoordelijk moeten zijn voor kwaliteit en toegangsregels. Zonder dat eigenaarschap zal AI simpelweg de inconsistenties en hiaten in je onderliggende data reproduceren en versterken.

AI wordt vaak vergeleken met een behulpzame stagiaire. Ik zie het eerder als een bijzonder intelligent, klein kind. Het kan sommige zaken bijzonder goed doen, maar het weet niet genoeg context om moeilijke beslissingen te nemen en problemen op te lossen. Je zult heel gericht moeten instrueren: deze informatie moet je zo gebruiken om dit resultaat te genereren. Die regels zijn cruciaal om risico’s te vermijden. Wil je dat goed inrichten, dan heb je een architectuur nodig die AI als een los component behandelt, niet als iets dat verweven zit met je hele systeem.

AI gericht voeden met data

Een aanpak die hiervoor goed werkt heet composable, een architectuur die werkt met losse componenten via API’s. AI wordt gewoon nóg een component die je toevoegt. Je kunt een AI-functie inbouwen zonder je check-out of productdatabase aan te passen, en wanneer je van provider wilt wisselen, vervang je slechts één component in plaats van je hele stack te migreren.

Maar AI heeft wel toegang nodig tot informatie uit meerdere systemen tegelijk: producten, klanthistorie én voorraad, die komen uit een CMS, PIM, CRM en commerce platform. Elk heeft zijn eigen API en structuur. Om AI hier gecontroleerd mee te laten werken, kun je het beste een middenlaag gebruiken die alles normaliseert. Die laag haalt informatie uit al je bronnen, brengt het samen in één consistent model en geeft je AI één uniform aanspreekpunt. Zo zie je precies welke informatie je AI gebruikt en kun je per use case bepalen wat toegankelijk is. En omdat al het AI-verkeer door deze laag loopt, kun je ook monitoren welke vragen moeilijk te beantwoorden zijn en waar datakwaliteit of -dekking moet verbeteren.

AI kun je niet vertrouwen om zelf de juiste keuzes te maken over welke informatie het wel of niet mag gebruiken. Maar je kunt AI wel gericht aan het werk zetten door die informatie gecontroleerd aan te bieden. Organisaties die hun data zo voorbereiden, zullen merken dat AI-projecten ophouden fragiele experimenten te zijn en echt onderdeel worden van het dagelijks werk. Data readiness is een van de hoofdvoorwaarden voor AI-succes.

Over de auteur: Seb Potter is Strategist bij Lab Digital.