Leiderschap in AI transformaties: van strategie naar executie

Hoi, welkom bij AIToday Live, de podcast die AI begrijpelijk maakt met verhalen uit de praktijk. Ik ben Joop Snijder en dit is het laatste deel van onze driedelige serie over leiderschap in AI transformaties. In de vorige twee afleveringen hebben we de fundamenten gelegd. Waarom leiderschap cruciaal is en welke uitdagingen er zijn. Vandaag maken we de cirkel rond door te kijken naar de praktische implementatie. In de eerste twee afleveringen hebben we gezien waarom leiderschap zo belangrijk is bij AI implementaties. En welke uitdagingen en valkuilen er op de loer liggen. We zagen dat 60% van de Nederlandse bedrijven helemaal geen duidelijke strategie heeft voor het gebruik van AI. En weet je wat het meest opvallende was? De grootste uitdagingen blijken niet technisch van hart. Het zijn geen problemen met algoritmes of computerkracht. Nee, het gaat om leiderschap, visie en organisatieverandering. We bespraken de ijsberg van AI implementatie. Hoe we vaak de zichtbare mogelijkheden overschatten en de onderliggende complexiteit onderschatten. Vandaag maken we het praktisch. Eind vorig jaar hebben we een driedelige serie gemaakt over het opzetten van AI experimenten. Je vindt de link naar deze aflevering in de show notes. En die serie samen met ons AI experiment canvas, dat je trouwens gratis kunt downloaden, vormt de basis voor wat we vandaag gaan bespreken. Want uit ons onderzoek blijkt dat organisaties vooral worstelen met de hoe vraag. Hoe vertaal je strategie naar executie? Hoe creëer je een cultuur van experimenteren? En hoe bouw je de juiste organisatiestructuur? Laten we beginnen met het eerste thema. Van strategie naar executie. En de sleutel is hier wat ik noem gestructureerd experimenteren. In onze eerdere serie hebben we gezien dat succesvolle AI implementaties altijd beginnen met een duidelijk afgebakend experiment. Dus begin niet met het uitrollen van AI in je hele organisatie. Nee, start met één specifiek probleem dat impact heeft, maar wel beheersbaar blijft. En wat bedoel ik dan met gestructureerd experimenteren? Het begint met het formuleren van een heldere hypothese die je in vijf tot tien werkdagen kunt testen. Laat ik een voorbeeld geven. Een AI-assistent kan de verwerkingstijd van standaardvragen met 40% verlagen. Dat zou een hypothese kunnen zijn. Stel vooraf duidelijke criteria op. Wat willen we leren? Hoe meten we succes? Welke risico's zijn acceptabel? Dit geeft dan een kader om daar beslissingen op te nemen. En het helpt je ook om het experiment op tijd te stoppen als het niet de gewenste resultaten levert. Want dat is ook leiderschap. Durven we zeggen dat iets niet werkt? Nu dat we weten hoe we van strategie naar executie kunnen gaan, is het tijd voor het tweede thema. Het ontwikkelen van een experimenteercultuur. Want uit ons onderzoek blijkt dat veel organisaties worstelen met verandermanagement. En dat is niet verrassend, want we vragen mensen om op een fundamenteel andere manier te gaan werken. Maar goed, hoe bouw je dan een cultuur waarin experimenteren niet eng is, maar juist heel normaal? Dat begint met het creëren van psychologische veiligheid. Klinkt als iets heel groots, maar het gaat er vooral om dat mensen zich veilig moeten voelen om fouten te mogen maken en daarvan te leren. Dat klinkt vanzelfsprekend, maar in de praktijk is dit wel een van de grootste uitdagingen die wij zien. Het betekent dat je als leider zelf het voorbeeld moet geven. Dus wees ook open over je eigen leermomenten. Deel niet alleen de successen, maar ook de zogenaamde mislukkingen en wat je daarvan hebt geleerd. Creëer ook een formele structuren die experimenteren juist ondersteunen. Uit onze experimentenserie hebben we geleerd dat je drie dingen nodig hebt. Tijd, ruimte en het duidelijk proces. Dus reserveer expliciet tijd en budget voor experimenten. Maak ook iemand verantwoordelijk voor het verzamelen en delen juist van die lessen. En gebruik een gestructureerd canvas. Nogmaals, je vindt de onzin in de show notes, maar er zijn ook anderen, om alle experimenten te documenteren van begin tot eind. Want wanneer een experiment dat zogenaamd mislukt, waarvan je leert, dat is natuurlijk waardevoller dan een experiment dat slaagt, maar waarvan niemand weet waarom. En als je ervoor zorgt dat experimenten zo klein zijn, dat je ze binnen vijf tot tien werkdagen kunt afronden, dan is de investering ook niet zo groot. Het derde thema is misschien wel het belangrijkste, is namelijk het opbouwen van de juiste organisatiestructuur. Ook weer uit ons marktonderzoek onder die 414 bedrijven blijkt dat bij 32% van de Nederlandse organisaties de verantwoordelijkheid voor AI bij één specifieke afdeling ligt. Wat nog verontrustende is, bij 20% van de organisaties is het zelfs volledig onduidelijk wie er verantwoordelijk is voor AI implementaties. Dat is precies wat je niet wil. AI is geen IT project, het is uiteindelijk een business transformatie. Dus je hebt een structuur nodig die cross functionele samenwerking bevordert. Hele mond vol, maar dat is wel belangrijk. In de praktijk zie ik dat succesvolle organisaties vaak werken met een zogenaamde AI competentiecentrum. En het hoeft niet letterlijk zo te heten, maar sterker nog, het hoeft niet eens een traditionele afdeling te zijn. Maar het belangrijkste is dat je een netwerk krijgt van mensen uit verschillende disciplines. IT, data science, maar ook business experts, ethici, misschien zelfs mensen uit HR en juridische zaken. En dit zogenaamde competentiecentrum heeft dan drie belangrijke functies. Eén, het verzamelen en delen van kennis en best practices. Twee, het bewaken van standaarden en ethische richtlijnen. En drie, het ondersteunen van verschillende afdelingen juist bij hun AI initiatieven. Maar vergis je niet, het betekent niet dat alle AI initiatieven via dit centrum moeten lopen. Dit centrum faciliteert en ondersteunt, maar de business blijft de eigenaar van hun eigen AI toepassingen. En als je deze organisatiestructuur hebt opgezet, is de volgende stap het creëren van een concrete roadmap. Ook weer in onze eerdere serie over AI experimenten hebben we geleerd dat een goede roadmap verschillende essentiële elementen bevat. Begin gewoon met quick wins. Experimenten nogmaals die in vijf tot tien werkdagen concrete resultaten kunnen opleveren en die je kan laten zien. Dus als je dit in een zogenaamde pressure cooking formaat stopt, kort intensief en juist gericht op snelle validatie. Dat je snel ziet, snel kan leren. Het doel is niet perfectie, maar juist leren en valideren. Daarnaast is het belangrijk om concrete succescriteria per fase te hebben. Maar ja, hoe bepaal je of je AI transformatie succesvol is? Laat me je meenemen langs de verschillende meetniveaus die je zou kunnen gebruiken. Op operationeel niveau kijk je naar de dagelijkse resultaten. Bijvoorbeeld verwerkingstijd van processen. Wordt dat minder? Worden je foutpercentages lager? Gaat je gebruikers tevredenheid omhoog? Deze cijfers vertellen je of je AI oplossing technisch goed functioneert en of de mensen er prettig mee werken. Op strategisch niveau, daar meet je de impact op je bedrijfsdoelen. Hoeveel kosten bespaar je? Verbeter je marktpositie? Kun je nieuwe diensten aanbieden? Deze metingen laten zien of AI echt waarde toevoegt aan je organisatie. Het niveau van organisatorische volwassenheid, misschien wel het belangrijkste niveau. Daar meet je hoe je organisatie groeit in haar AI capaciteiten. Hoeveel medewerkers zijn AI vaardig? Wat tegenwoordig natuurlijk wordt gezegd als AI geletterd. Hoeveel afdelingen experimenteren de zelfstandig? Hoe vaak worden ethische vraagstukken proactief besproken? Door op deze drie niveaus te meten voorkom je wat wij de experiment drift noemen. Het eindeloos doorgaan met experimenteren zonder duidelijke beslismomenten. Want het meten van je AI transformatie is geen eenmalige actie, maar een continu proces van leren en bijsturen. Dus begin met het stellen van de juiste vragen. Niet alleen werkt het, maar ook maken we de juiste impact. En groeien we als organisatie? Tot slot bevat een goede roadmap. Duidelijke go-no-go momenten. In je roadmap plan je formele evaluatiemomenten in. Hier kijk je niet alleen naar de technische resultaten, maar ook naar wat we de showstoppers noemen. Zijn er onvoorziene privacy issues, wetgevingsproblemen, organisatorische blokkades. Door deze structuur in te bouwen voorkom je dat je projecten of experimenten te lang doorlopen zonder duidelijke richting. Maar er is nog één vraag die ik moet beantwoorden. Hoe zorg je nu concreet dat je organisatie klaar is voor de toekomst? Het antwoord ligt in het combineren van alle elementen die we in deze serie hebben besproken. Dus je hebt een flexibel competentiecentrum nodig dat kennis verzamelt en deelt. Een cultuur van gestructureerd experimenteren. En een duidelijke roadmap die ruimte laat voor aanpassing. Door deze drie pijlen te combineren, creëer een organisatie die niet alleen vandaag met AI kan werken, maar ook klaar is voor de innovaties van morgen. Maar nu we aan het eind van deze serie komen, wil ik nog één les delen. Er is geen standaard route voor AI transformatie. Elke organisatie moet haar eigen weg vinden. Maar er zijn wel universele principes die het verschil maken tussen succes en falen. En het gaat om het vinden van de juiste balans tussen structuur en flexibiliteit. Tussen centrale coördinatie en decentrale innovatie zou je kunnen zeggen. Tussen ambitie en realisme. Maar vooral tussen technologie en menselijkheid. We begonnen deze serie met de ontnuchterende statistiek dat slechts 3% van de Nederlandse organisaties AI volledig heeft geïntegreerd. Met de praktische stappen die we vandaag hebben besproken en in de vorige twee delen heb je nu de tools in handen om bij de voorhoede te gaan horen. Dit was de laatste aflevering van onze serie over leiderschap en AI transformaties. Vergeet niet om ook onze driedelige serie over AI experimenten te beluisteren. Dit was AIToday Live. De podcast die AI begrijpelijk maakt met verhalen uit de praktijk. Abonneer je via je favoriete podcast app en mis geen aflevering. Tot de volgende keer. [Muziek] [Muziek]