De nieuwe AI-winst zit niet in snellere processen, maar in organisaties die zichzelf opnieuw bedenken

De recente overname van Hugging Face door Nvidia voor bijna 13 miljard dollar is daar een treffend voorbeeld van. Nvidia koopt daarmee niet simpelweg nieuwe AI-technologie, maar een platform waar miljoenen ontwikkelaars en bedrijven modellen vinden, ontwikkelen, aanpassen en daadwerkelijk inzetten. Ook andere grote AI-spelers bewegen steeds verder richting de toepassing van AI binnen bedrijven.

De aandacht verschuift daarmee. Niet alleen de vraag wie het krachtigste model bouwt is relevant, maar steeds meer: hoe zorgen we ervoor dat al die technologische mogelijkheden daadwerkelijk leiden tot betere prestaties binnen organisaties?

Daar zit op dit moment een flinke kloof tussen. De technologie kan veel meer dan de meeste bedrijven organisatorisch weten toe te passen. Dat is de AI-diffusiekloof: het verschil tussen wat AI technisch mogelijk maakt en wat organisaties er in de praktijk mee weten te bereiken.

Die uitdaging is niet nieuw. Nieuwe technologie wordt in eerste instantie bijna altijd toegepast binnen bestaande structuren. Pas wanneer ook de omgeving rond een technologie verandert, komt het volledige potentieel ervan vrij.

Denk aan de introductie van de elektrische motor. Aanvankelijk verving die in fabrieken simpelweg de centrale stoommachine, terwijl de fabriek zelf grotendeels hetzelfde bleef. De grote productiviteitswinst kwam pas toen fabrieken opnieuw werden ontworpen rond elektrische aandrijving en machines individueel konden worden aangestuurd.

Met AI staan we aan het begin van een vergelijkbare ontwikkeling.

AI is namelijk niet zomaar een nieuwe technologielaag die je boven op een bestaande organisatie kunt leggen. Het verandert de manier waarop kennis wordt toegepast, beslissingen worden genomen en werk wordt uitgevoerd. Daarmee ontstaat ook de mogelijkheid om organisaties en processen zelf anders in te richten.

De meeste moderne organisaties zijn gebouwd rond menselijke beperkingen. Mensen kunnen maar een beperkte hoeveelheid informatie verwerken, kunnen niet alles tegelijk overzien en hebben tijd nodig om kennis en beslissingen over te dragen.

Daarom hebben we organisaties opgedeeld in afdelingen, managementlagen, workflows, vergaderingen, goedkeuringsprocessen en overdrachtsmomenten.

AI verandert een aantal van die uitgangspunten. Intelligente systemen kunnen grote hoeveelheden informatie tegelijkertijd verwerken, activiteiten in real time coördineren, leren van feedback en steeds grotere delen van processen zelfstandig uitvoeren. Ook steeds meer onderdelen van kenniswerk – zoals analyse, coördinatie en het samenbrengen van informatie – worden daardoor automatiseerbaar.

En precies daar gaat het bij veel AI-initiatieven mis.

Bedrijven voegen AI toe aan organisaties die verder grotendeels hetzelfde blijven. Hier een slimmere chatbot, daar een copilot. Zo ontstaan allerlei losse optimalisaties, terwijl het onderliggende proces niet verandert.

Dat levert misschien efficiency-winst op, maar laat de grotere kans liggen.

Een voorbeeld uit de praktijk maakt het verschil duidelijk. Bij een grote Nederlandse telecomspeler werken we aan het opnieuw ontwerpen van de storingsafhandeling in een callcenter met 1.400 medewerkers.

Traditioneel doorloopt een medewerker bij een storing een vaste reeks stappen: de klant identificeren, de historie bekijken, het probleem classificeren, informatie zoeken, een diagnose stellen, een oplossing uitvoeren en alles weer registreren.

Je kunt AI inzetten om een paar van die stappen sneller te maken. Bijvoorbeeld met spraakherkenning of een AI-assistent die tijdens het gesprek antwoorden aandraagt. Maar dan blijft in feite hetzelfde proces bestaan.

De AI-native benadering draait de vraag om: hoe zouden we dit proces ontwerpen als we vandaag opnieuw konden beginnen en AI vanaf het eerste moment het uitgangspunt was?

Dan ontstaat niet simpelweg een reeks iets slimmere stappen. Een intelligent systeem kan de klant herkennen, relevante systemen en netwerkgegevens uitlezen, het probleem diagnosticeren, de benodigde kennis erbij halen, een beslissing ondersteunen of nemen, actie uitvoeren en het resultaat vastleggen.

De medewerker wordt daarbij door AI ondersteund en kan zich richten op de momenten waarop menselijk inzicht en contact daadwerkelijk waarde toevoegen. In de praktijk kan dat gesprekken verkorten, onnodige monteursbezoeken en hardwarevervangingen verminderen en tegelijkertijd de klantervaring verbeteren.

Daar zit de echte productiviteitssprong.

Niet in tien stappen die ieder twintig procent sneller worden, maar in het opnieuw ontwerpen van het proces als geheel.

De term AI-native wordt inmiddels breed gebruikt. Maar de relevante vraag is niet óf een organisatie AI gebruikt. Dat doen inmiddels vrijwel alle grote organisaties. De vraag is of AI wordt toegevoegd aan bestaande manieren van werken, of dat processen en organisaties opnieuw worden ontworpen rond de mogelijkheden van intelligente systemen.

AI-native betekent wat mij betreft dan ook niet dat je overal AI inzet of dat de mens uit de organisatie verdwijnt. Het betekent dat je AI als uitgangspunt durft te nemen bij het ontwerpen van processen: hoe organiseer je kennis, hoe worden beslissingen genomen, welke stappen zijn nog nodig en waar voegt menselijk inzicht daadwerkelijk waarde toe?

Dat vraagt uiteindelijk meer dan technologie. Het raakt de manier waarop een organisatie haar kennis organiseert, beslissingen neemt, verantwoordelijkheden verdeelt en processen inricht.

Dat betekent overigens niet dat een bedrijf morgen zijn hele organisatie moet verbouwen. Integendeel.

De beste manier om te beginnen is één belangrijk kernproces te kiezen en dat van begin tot eind opnieuw te ontwerpen rond de mogelijkheden van AI. Niet beginnen bij de vraag welke AI-tool je aan een bestaande workflow kunt toevoegen, maar bij een veel fundamentelere vraag:

Vervolgens leer je van die implementatie en bouw je verder.

De stap naar een AI-native organisatie kan dus klein beginnen. Maar de gedachte erachter is fundamenteel.