AI productiviteitsparadox: waarom persoonlijke tools niet genoeg zijn

Hoi, welkom bij deze nieuwe aflevering van AIToday Live. Vandaag ietsje langer dan je gewend bent, maar ik wil ook ergens even wat dieper induiken. Mijn naam is Joop Snijder, CTO bij AIgency. En vandaag gaan we het namelijk hebben over de paradox die ik wat vaker tegenkom in gesprekken met organisaties. Kijk, iedereen praat namelijk over AI en productiviteit. ChatGPT hier, Copilot daar. We krijgen allemaal persoonlijke AI-assistenten die ons helpen met e-mails schrijven, documenten samenvatten en ideeën brainstormen. Nou, fantastisch toch? Maar hier is het ding, die uren die je bespaart verdwijnen vaak gewoon weer in nieuwe, soms gewoon triviale taken. En de werkelijke productiviteitswinst, ja, die valt dan tegen. Kijk, de echte doorbraak zit er namelijk niet in persoonlijke tools. Die zijn leuk, nuttig zelfs. Ik gebruik ze ook. Maar de werkelijke waarde ontstaat wanneer je AI integreert in je bedrijfsprocessen. Wanneer AI deel wordt van hoe je organisatie echt werkt. Want laten we eerlijk zijn, veel bedrijven worstelen met een simpele realiteit. Je moet hetzelfde werk doen met minder mensen terwijl de markt alleen maar krapper wordt. Denk aan personeelstekorten, stijgende kosten, dat soort zaken. En de vraag blijft hetzelfde. Hoe houd je kwaliteit en prestaties op peil wanneer je middelen beperkt zijn? In onze eerdere afleveringen over AI agents bespraken we al hoe je één proces kunt optimaliseren. Maar dat het knelpunt dan vaak gewoon verschuift naar de volgende stap. En daarom is het zo belangrijk om het totale plaatje te bekijken. AI wordt vaak behandeld als de heilige graal. Zodra er een uitdaging opduikt, grijpen we meteen naar deze nieuwe technologie. Hopen op een oplossing die alles verandert. Maar echte bedrijfswaarde komt voort uit eerst begrijpen van het probleem. Dan pas zorgvuldig de juiste technologie kiezen als die er al is. En de grote vraag is natuurlijk waar zit de echte winst? Want uit recent onderzoek van het National Bureau of Economic Research. Staat trouwens in de show notes. Het is een instituut uit Denemarken. En die brengt echt wel verrassende inzichten. Ze hebben echt grootschalig onderzoek gedaan naar adoptie. Om die te koppelen aan administratieve arbeidsgegevens. En dan vonden ze twee jaar na de introductie van AI chatbots. Geen meetbaar effect op inkomsten of gewerkte uren. Effecten groter dan 2% die konden ze gewoon uitsluiten. En dit gold zelfs voor intensieve gebruikers, early adapters. Werkplekken met aanzienlijke AI investeringen. En zoals zij schreven werknemers die zelf grote winsten rapporteerden. Kijk wat ze wel zagen is adoptie leidde tot bijvoorbeeld beroepsverandering. En taakherstructurering zoals zij dat zo mooi schreven. Maar dus eigenlijk zonder netto veranderingen in uren of in inkomsten. En de verhalen daarom over een dreigende verstoring door generatieve AI. Ja die wordt door dit onderzoek weerlegd. tenminste in die persoonlijke productiviteitsverbetering. En betekent dit dat dan AI geen waarde heeft? Nou dat denk ik niet. Alleen anders dan wat misschien nu denken of waar we heel erg nadrukkelijk mee bezig zijn. Kijk de sleutel ligt wat mij betreft in het zoeken naar processen met kenmerken zoals dat het een hoge frequentie heeft. Dus dingen die je vaak herhaalt. Een groot volume. Taken die op grote schaal gebeuren. Waar je duidelijke patronen in kan herkennen. En dat het repetitief is. Voorspelbare activiteiten die veel tijd, geld of middelen kosten. En door hier te beginnen ontsluit je de werkelijke schaalbare waarden van AI. Dus niet in je persoonlijke workflow. Maar dus in grote volumes in je bedrijfsprocessen. Maar ook hier schuilt een risico. En dat is het risico van suboptimalisatie. Je optimaliseert dan één stap of afdeling. Maar de rest van het bedrijfsproces wordt er misschien niet beter van. Soms wordt het zelfs slechter. Daarom zijn technieken uit de procesanalyse zo waardevol. Je brengt het hele proces in kaart van begin tot eind. En niet alleen de activiteiten, maar ook de wachttijden tussen stappen. Samen met de mensen die het werk daadwerkelijk doen. Want wat er op papier staat en wat er in de praktijk gebeurt, zijn vaak twee verschillende dingen. In aflevering 42 van seizoen 6 over creatief werk hadden we het al over het belang van medewerkers bedrijven. trekken bij het in kaart brengen van dit soort processen. En zelfs wanneer je het knelpunt hebt gevonden, is AI niet altijd het antwoord. Soms kun je de stap gewoon elimineren, weghalen. Of het proces herontwerpen, traditionele automatisering gebruiken. De vraag is, kunnen we deze taak echt automatiseren en verbeteren met AI? Als AI de juiste keuze is, zijn er drie veel voorkomende patronen die je kunt gebruiken. En laat me ze wat dieper uitleggen. De eerste is Retrieval Augmented Generation of RAG RAC. En dit is wel vaak de meest toegankelijke optie. Dus RAC combineert de kracht namelijk van taalmodellen met je eigen bedrijfsdata. En waarom is dat zo belangrijk? Grote taalmodellen zijn ongelooflijk krachtig. Ze kunnen realistische tekst genereren, helpen met code schrijven. Dat soort dingen. Maar ze worstelen vaak met feitelijke nauwkeurigheid. Kijk, ze weten niets van de laatste informatie bijvoorbeeld. En vooral niet over onderwerpen die specifiek zijn voor jouw bedrijf, voor jouw organisatie. En deze techniek, RAC, Retrievolkman de Generation, los het op door je taalmodel te verbinden met eigen kennisbanken. De eerste is dat deze aanpak houdt dus risico's en complexiteit laag, terwijl de betrouwbaarheid en waarde van AI oplossingen, die kunnen dan echt dramatisch verbeteren. De andere is de AI-enabled applicaties. Het is een software waar AI geïntegreerd onderdeel is van je workflow. Dus hier is AI geen losstaand hulpmiddel, het is verweven in je bedrijfsproces. Hoe werkt dat? Denk eens aan een applicatie die AI gebruikt voor specifieke taken, zoals voorspellingen, kwaliteitscontrole of documentverwerking. Alle logica, controles en workflows van traditionele software, die blijven gewoon bestaan. Je begint bijvoorbeeld met de input van de gebruiker en de applicatie die je gebruikt dan data uit verschillende databronnen. Dan roept het AI aan om intelligentie toe te voegen. Dat kan zijn data analyseren, patronen herkennen, voorspellingen maken. En die output wordt vervolgens weer geleverd aan de volgende stap in de workflow. En door duidelijke workflow logica te combineren met prompt gebaseerde AI krijg je het beste van beide werelden. Het is de structuur, betrouwbaarheid, een duidelijke foutafhandeling. Plus de mogelijkheid om complexe taken te automatiseren. En natuurlijk betekent dit ook dat je de sterke en zwakke punten van de technologie moet afwegen. AI-enabled applicaties zijn geweldig voor het hanteren van complexe problemen, ongestructureerde data en natuurlijke taal. Maar je moet dan wel wat fouten tolereren en hebben hogere operationele kosten. Traditionele software is nog steeds de beste keuze wanneer je voorspelbare outputs, consistent gedrag en zo'n laag mogelijke kosten nodig hebt. Dan komen we op de derde uit, de AI-agents. Het meest geavanceerde patroon van deze drie zijn de AI agents. En deze systemen volgen niet gewoon vaste regels of workflows. In plaats daarvan werken ze naar een specifiek doel. Ze maken onderweg hun eigen beslissingen, interacteren vaak met meerdere tools, databronnen of zelfs andere agents om de cluster te klaren. En in de kern zit nog steeds het grote taalmodel, maar zo'n agent gaat verder. Dus het kan informatie ophalen, externe tools gebruiken, onthouden wat al gedaan is en de acties als het ware in real time aanpassen. Alles om het doel te bereiken dat je hebt gegeven. Die agents zijn vooral krachtig wanneer de stappen die nodig zijn om het doel te bereiken niet strikt vooraf gedefinieerd zijn. Of wanneer flexibiliteit en autonomie vereist zijn. Het volgt geen vooraf bepaalde workflow, geen vaste stappen. De AI-enabled applicaties vanuit de nummertje 2 zijn ideaal wanneer je proces goed gedefinieerd is en je intelligentie wil toevoegen aan specifieke stappen zonder structuur of controle te verliezen. Terwijl de agents gebruik je waar autonomie en flexibiliteit nodig is. Laten we afsluiten met drie hoofdpunten die het Deense onderzoek bevestigt. Ten eerste focus op bedrijfsprocessen en niet op individuele productiviteit. Het onderzoek toont het aan. Zelfs intensieve AI gebruikers zagen geen meetbare productiviteitswinst. Als je het hebt over individuele processen. De echte winst zit ergens anders. Zo komen we op de tweede. Dus kies het juiste proces. Dus kijk naar volume waar je daadwerkelijk winst kan halen. Betrek de mensen die het werk doen en voorkom suboptimalisatie. Anders krijg je eigenlijk alleen die taakherstructuring. Dus hoe jij persoonlijke taken anders uitvoert zonder een netto winst. En in onze aflevering over de kunst van het niet doen. Bespraken we al hoe belangrijk het is om kritisch te kijken naar wat je eigenlijk doet. Ten derde gebruik de juiste aanpak. Of het nu RAG, Retrieval Augmented Generation, AI Enabled Applicaties of AI Agents zijn. match de oplossing bij het proces, de risico's en de complexiteit. Niet omdat het de nieuwste technologie is, maar omdat het past bij wat je wilt bereiken. Dus hier is de paradox waar we mee begonnen. We investeren massaal in persoonlijke AI tools, maar de beloofde productiviteitsrevolutie blijft eigenlijk uit. Als je dat onderzoek ziet, die bevestigt wat veel organisaties toch al vermoeden, Dat de verhalen over verstoring door AI kloppen niet helemaal met de realiteit. Dit is geen reden voor pessimisme. Het is denk ik eerder een soort van wake up call. Dus stop met focus op individuele tijdsbesparing die toch weer verdampt. Maar begin met het herontwerpen van bedrijfsprocessen waar AI echt verschil kan maken. Want de organisaties die dit begrijpen, die verder kijken dan de hype. Die de processen fundamenteel herontwerpen. Die de juiste technologie kiezen voor het juiste probleem. Nou, dat zijn de organisaties die straks voorop lopen. En bedenk, zoals altijd, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past. En wanneer je weet waar het past, daar ontstaat dan die werkelijke waarde. Dankjewel weer voor het luisteren naar deze aflevering. Ik ben heel benieuwd wat je ervan vindt. Laat het eens even weten via de socials. Vergeet je niet te abonneren via je favoriete podcast app. Dan mis je geen aflevering. Dankjewel. [Muziek]