5 vragen die je moet stellen voordat je met AI begint

Eerst denken, dan doen

Er is een patroon dat we keer op keer zien bij bedrijven die met AI beginnen. Iemand ziet een indrukwekkende demo. Er ontstaat enthousiasme. Er wordt een tool aangeschaft. Drie maanden later gebruikt niemand het meer. De conclusie: "AI werkt niet voor ons."

Maar AI werkte niet omdat niemand de juiste vragen had gesteld vóórdat er begonnen werd. De tool was niet het probleem. Het ontbreken van een helder fundament was het probleem.

Deze vijf vragen kosten je een uurtje. Ze besparen je maanden frustratie en duizenden euros aan verkeerde keuzes.

Vraag 1: Welk bedrijfsprobleem lossen we op?

De belangrijkste vraag. En de vraag die het vaakst wordt overgeslagen.

Veel AI-initiatieven beginnen bij de technologie: "We moeten iets met ChatGPT" of "Onze concurrent gebruikt Copilot, dus wij ook." Dat is de verkeerde volgorde. Technologie is een middel, geen doel.

Begin bij het probleem. Niet "we willen AI gebruiken" maar "we besteden te veel tijd aan rapportages" of "onze klantenservice kan de vraag niet bijhouden" of "we maken te veel fouten bij data-invoer."

Een helder probleem geeft je drie dingen: een richting (welk type AI-oplossing zoek je?), een meetlat (werkt het als het probleem kleiner wordt?) en draagvlak (mensen steunen oplossingen voor problemen die ze herkennen).

Stel jezelf deze test: kun je het probleem uitleggen aan iemand die niets van AI weet, en snapt diegene waarom het opgelost moet worden? Dan heb je een goed probleem.

Vraag 2: Is onze data op orde?

AI is zo goed als de data waarmee het werkt. En bij veel MKB-bedrijven is de datastaat, laten we zeggen, suboptimaal.

Dat hoeft geen showstopper te zijn. Niet alle AI-toepassingen vereisen perfecte data. ChatGPT gebruiken om e-mails te schrijven vereist helemaal geen data. Maar zodra je AI wilt inzetten voor rapportages, analyse of automatisering, wordt datakwaliteit relevant.

Stel jezelf deze vragen: Waar staat onze data? (In hoeveel verschillende systemen?) Is de data actueel? (Wanneer is het voor het laatst opgeschoond?) Is de data consistent? (Dezelfde klant met drie verschillende schrijfwijzen?) Is de data digitaal? (Of liggen er nog dozen met papieren formulieren?)

Je hoeft niet alle data perfect te hebben voordat je begint. Maar je moet weten waar de gaten zitten, zodat je een AI-project kiest dat past bij de staat van je data.

Vraag 3: Wie wordt eigenaar van dit initiatief?

"AI" is van iedereen. En dus van niemand.

Elk AI-initiatief heeft een eigenaar nodig. Niet per se een fulltime rol, maar iemand die verantwoordelijk is voor het slagen van de pilot. Iemand die beslissingen neemt, voortgang bewaakt, problemen oplost en resultaten rapporteert.

Bij MKB-bedrijven is dit vaak een van de volgende personen: een operationeel manager die de dagelijkse processen kent, een IT-verantwoordelijke die de technische kant begrijpt, een directielid dat budget en mandaat heeft, of een enthousiaste medewerker die zichzelf meldt als AI-ambassadeur.

De eigenaar hoeft geen AI-expert te zijn. Maar het moet iemand zijn die de tijd, het mandaat en de motivatie heeft om het tot een goed einde te brengen.

De waarschuwing: als niemand in je organisatie eigenaarschap wil nemen, is dat een signaal. Ofwel is er onvoldoende urgentie, ofwel is er onvoldoende geloof. Beide zijn problemen die je moet oplossen voordat je met AI begint.

Vraag 4: Hoe meten we succes?

"We willen AI uitproberen" is geen succescriterium. "We willen de rapportagetijd halveren in drie maanden" wel.

Zonder vooraf gedefinieerde succescriteria weet je achteraf niet of het gewerkt heeft. En zonder bewijs van succes krijg je geen budget voor de volgende stap.

Goede succescriteria zijn SMART: Specifiek (wat precies?), Meetbaar (welk getal?), Acceptabel (is het realistisch?), Relevant (lost het het probleem op?) en Tijdgebonden (wanneer meten we?).

Voorbeelden:

• "De tijd per klantrapportage daalt van 4 uur naar 1 uur binnen 8 weken"
• "80% van de standaard klantvragen wordt binnen 1 minuut beantwoord na 6 weken"
• "Het aantal fouten in data-invoer daalt met 50% na 4 weken"

Cruciaal: meet de baseline. Voordat je begint, moet je weten hoe de situatie nu is. Hoeveel uur kost de taak nu? Hoeveel fouten worden er nu gemaakt? Zonder nulpunt geen vergelijking.

Vraag 5: Wat als het niet werkt?

Deze vraag stellen voelt als defaitisme, maar het is het tegenovergestelde: het is goed risicomanagement.

Niet elk AI-project slaagt. Dat is normaal. De technologie past misschien niet bij je use case, de datakwaliteit is onvoldoende, het team omarmt het niet, de tool levert niet wat de demo beloofde.

Het verschil tussen bedrijven die doorgroeien met AI en bedrijven die afhaken is niet dat ze nooit falen. Het verschil is dat ze voorbereid zijn op falen en er snel van leren.

Een goed exit-plan beantwoordt drie vragen:

Hoeveel investeren we maximaal? Stel een limiet. "We besteden maximaal €500 en 40 uur aan deze pilot. Als het daarna niet werkt, stoppen we."

Wanneer evalueren we? Plan een evaluatiemoment vooraf in. "Na vier weken beoordelen we of we doorgaan." Niet na zes maanden sudderen.

Wat doen we met de learnings? Een mislukte pilot is alleen weggegooid geld als je er niets van leert. Documenteer wat er misging. Was het de tool? De data? De adoptie? Het probleem? Die kennis is goud waard voor de volgende poging.

De vijf vragen samengevat

Begin met het fundament

Deze vijf vragen zijn niet bureaucratisch. Ze zijn praktisch. Ze dwingen je om na te denken voordat je doet. En dat nadenken is het verschil tussen een AI-project dat slaagt en eentje dat na drie maanden in de la verdwijnt.

Het kost je een uur. Het bespaart je maanden. Dat is misschien wel de beste ROI die je dit jaar maakt.

Wil je deze vragen samen met een expert doorlopen? Plan een vrijblijvend strategiegesprek