Vandaag de dag komen veel leveranciers met innovatieve AI (Artificial Intelligence) producten. Als u goed kijkt ziet u dat het in veel gevallen een kleine toepassing is, of een invoeging van Chat GPT in het bestaande product. Dat is mooi, maar daar zal uw rendement niet van verbeteren. Ook uw medewerkers zullen het vast mooi vinden, maar er verder niet veel aan hebben. 

In dit artikel beschrijf ik hoe daadwerkelijke innovatie met AI in de komende jaren bereikt kan worden.

Twee soorten AI

Er zijn twee soorten AI: generatieve AI en algoritmes. Het meest bekende voorbeeld van generatieve AI is Chat GPT.

Chat GPT

Voorbeeld

Stel dat u een sollicitatiebrief wil schrijven. Chat GPT kan dat prima, en met een paar commando’s is het waarschijnlijk een hele goede brief. Chat GPT, generatieve AI, werkt als volgt: Chat GPT heeft miljarden sollicitatiebrieven opgeslagen op de eigen servers. Deze bronnen zijn gebruikt om te leren. Elk document is gerubriceerd wat helpt om een goede selectie te maken voor de brief die u Chat GPT wil laten maken – denk aan de opzet, taalgebruik, termen, hoe bondig moet het etc. In de eerste stap maakt Chat GPT een selectie uit de miljarden documenten die voor uw opdracht relevant zijn.

Met een stukje statistiek worden daar weer selecties uitgemaakt. In de tweede stap maakt Chat GPT gebruik van een taal-model. Dat is eigenlijk de grammatica van een taal. Vanzelfsprekend hebben het Nederlands en Duits een verschillende grammatica. Denk daarbij aan zinsbouw en foutloze spelling. Chat GPT gebruikt het taalmodel en de geselecteerde stukken uit de documenten om uw brief te maken. Stel u wilt de brief wat korter maken: dan maakt Chat GPT een beperktere samenvatting. Of u wilt wat meer positieve termen, dan maakt Chat GPT de selectie op documenten die positief zijn gemarkeerd. Wat Chat GPT niet kan is het opsommen van persoonlijke informatie, bijvoorbeeld uw gevolgde opleidingen. Wilt u dat in uw brief dan zal Chat GPT dat eerst moeten ontvangen. Chat GPT maakt dus eigenlijk hele goede samenvattingen.

Chat GPT is heel ver ontwikkeld. Als iemand voor het eerst Chat GPT een brief of samenvatting ziet maken dan is dat nogal indrukwekkend. Maar er zit heel veel aan ontwikkeling in en de taalmodellen worden nog steeds verder ontwikkeld. 

Chat GPT is nogal kostbaar om te onderhouden. Denk aan vele honderdduizenden servers die nodig zijn. Het uploaden van de miljarden documenten kost in de praktijk vele weken. Omwille van de marktintroductie is Chat GPT (in beperkte vorm) nog gratis, maar in de toekomst zullen gebruikers waarschijnlijk moeten betalen. Vergelijkbare ontwikkelingen zijn er gaande met afbeeldingen, waar logischerwijze een aangepast model voor is toegepast. Voor het optimaliseren van bedrijfsprocessen is generatieve AI meestal geen goede oplossing.

Algoritmes

Algoritmes zijn de tweede vorm van AI, en in de praktijk veel vaker toegepast om AI in bedrijfsprocessen te realiseren.

Met een algoritme kan bijvoorbeeld een planning worden geoptimaliseerd. Denk aan een navigatiesysteem dat niet alleen kijkt naar de kortste route, maar rekening houdt met wegafsluitingen, het type weg, hoogte van de weg, files of de snelheid die op de weg gereden mag worden. Zonder dat we ons dit realiseren zijn dit al behoorlijk slimme oplossingen. 

Maar het vinden van een slimme route helpt een organisatie maar beperkt om slimmer te werken. Dan komen we op het bedrijfsmatige vlak, bijvoorbeeld om een bedrijfsproces te verbeteren.

Voorbeeld

Denk aan een productiebedrijf of een ziekenhuis. Het optimaliseren van de productie is veel complexer dan een route plannen: u heeft te maken met afspraken, grondstoffen, opslag, leveranciers, benodigde machines en een goede inzet van medewerkers. De medewerkers zijn vandaag de dag een extra punt van aandacht: vaak is er een tekort aan mensen en hoe kan een algoritme ervoor zorgen dat uw medewerkers prettig aan het werk zijn, voldoende productie maken en niet overbelast raken? Daarbij zult u als organisatie nog steeds doelstellingen hebben voor een goed rendement, voldoende productie en tevreden klanten.

Algoritmes voor bedrijfsprocessen zijn volop in ontwikkeling en bieden veel kansen. In een bedrijfsproces zijn vaak vele tientallen sturingsparameters en variabelen. Dat realiseren we ons niet want we zijn gewend dit te beoordelen en zelf een keuze te maken. Een mens die een planning moet maken verdeelt het probleem in kleinere delen, maakt een keuze per deel-probleem (vaak op basis van ervaringen uit het verleden) en voegt alle deeloplossingen weer samen. Dat werkt al jaren zo voor heel veel organisaties, en is vaak ook zo in ondersteunende software ingebouwd. Een AI algoritme kan een oplossing over het gehele probleem geven, en vaak zitten daar veel slimmere combinaties in.

Een algoritme dat een bedrijfsproces moet optimaliseren met 30-50 variabelen en meerdere doelstellingen zou bij het berekenen van alle mogelijke oplossingen vele honderden jaren moeten rekenen. 

De huidige algoritmes werken iteratief: vanuit een bestaande oplossing wordt in stappen gezocht naar een volgende betere oplossing.  Zo kan een zeer complex probleem toch met enkele minuten tot een zeer goede oplossing leiden. Het goede nieuws is dat deze algoritmes gewoon bestaan en redelijk makkelijk te implementeren zijn.

Om een algoritme goed te laten werken is net als bij generatieve AI een model noodzakelijk. Alleen is dit geen taalmodel, maar een bedrijfsmodel. De kern van een bedrijfsmodel zal generiek zijn, toepasbaar voor meerdere organisaties. Buiten de kern zullen er voorwaarden en databronnen nodig zijn om uw specifieke proces/situatie te modelleren. In Chat GPT is dit in de kern verstopt, maar voor productieprocessen moet dit juist makkelijk aan te passen zijn om zo de benodigde kennis steeds verder in te voeren.

Voorbeeld 
Stel dat u in een ziekenhuis een aantal operatiekamers moet inplannen en u wilt dit optimaliseren met een algoritme. Dan heeft u een model nodig met operatiekamers en de mogelijkheden die elke operatiekamer heeft (de voorzieningen). U zult ook rekening moeten houden met schoonmaak en onderhoud, en wellicht een bepaalde capaciteit nodig hebben voor spoed-operaties. Daarnaast heeft u personeel nodig: zowel chirurgen als ondersteunende capaciteit. De mensen hebben bepaalde vaardigheden die u weer moet koppelen aan de gevraagde behandelingen. Medewerkers willen het liefst doorwerken maar hebben ook pauzes nodig. Eenvoudige ingrepen kunnen mogelijk sneller achter elkaar uitgevoerd worden. 

Stel dat u bovenstaand voorbeeld in de praktijk hebt ingevoerd. Dat zal betekenen dat u wellicht extra informatie bij een operatie moet aanleveren om deze goed in te delen. Daarmee maakt het algoritme een planning. Door deze planning te bekijken en de ‘problemen’ te analyseren zult u in een aantal stappen moeten kijken of u voorwaarden moet aanpassen of data moet toevoegen: wat het algoritme niet ‘weet’ zal niet verwerkt worden. Na een aantal aanvullingen zult u zien dat een algoritme met verrassende oplossingen komt, die wij als mens vaak niet konden bedenken.

Als het model eenmaal is ingevoerd zult u veel profijt hebben van een algoritme. Maar er zijn nog veel meer voordelen. 

Voorbeeld

Stel dat in het ziekenhuisvoorbeeld een operatiekamer uitvalt, of een chirurg wordt ziek. U kunt dan gewoon de daarbij behorende operaties afzeggen, maar mogelijk is er met de resterende capaciteit in de nieuwe situatie een planning te maken die veel beter is dan het gewoon afzeggen van de operaties. Dit kan leiden tot het alsnog inplannen van bijna alle behandelingen. Ook kleine variaties zoals bij het uitlopen van een ingreep kan een algoritme een aangepaste planning aandragen, anders dan de opvolgende behandeling simpelweg afzeggen.

Het klinkt eenvoudig maar in de praktijk moet het nodige werk gedaan worden voordat het allemaal naar wens werkt. 

Stel dat het algoritme bepaalt dat een bepaalde medewerker vaak dezelfde taak toegewezen krijgt.
Dat kan prettig zijn, maar de medewerker kan ook klagen dat hij altijd hetzelfde moet doen. In zo’n situatie zal u het algoritme moeten instrueren dat de medewerker niet meer dan bepaald percentage bij zijn werk deze taak zou moeten doen. Dit houdt uw medewerker gemotiveerd, maar vraagt een aanpassing in de benodigde data. 

Dit soort stappen zijn nodig het model naar wens te laten werken.

En nu verder…

De komende jaren zullen stap voor stap bedrijfsprocessen met AI ondersteund worden. Dit vraagt correcte en volledige data. Vaak zal er data ingevoerd moeten worden die vandaag de dag nog niet ingevoerd is. De mensen kennen deze data en gebruiken het onbewust als zij zelf een keuze maken, maar voor een algoritme is het nodig dat het ook digitaal beschikbaar is. Dit vraagt inzet en ontwikkeling van zowel een leverancier maar met name de interne organisatie.

Het ondersteunen van bedrijfsprocessen met AI vereist het stap voor stap invoeren van een model. Logischerwijze wordt het model gekoppeld aan de bestaande bedrijfssoftware. Veel van de bestaande bedrijfssoftware is star en is niet in staat extra benodigde data en relaties vast te leggen.
Dit vraagt een aanzienlijke innovatie bij de leveranciers. 

Daarnaast zullen er zeker leveranciers naar voren komen die op basis van de algoritmes uw proces kunnen optimaliseren. Dit zal stapje voor stapje gebeuren.

De eerste organisatie in een sector die hier succesvol in is, zal enkele jaren een enorm concurrentievoordeel hebben. De concurrerende organisaties zullen dan alsnog hard aan de slag moeten om op hetzelfde niveau te komen. Met name bij complexe processen kan er een grote sprong in efficiency bereikt worden.

Een tweede doelstelling zal ongetwijfeld zijn de schaarse medewerkers in de organisatie slimmer en prettiger in te zetten en te ondersteunen, waardoor zij minder snel vertrekken.