Iedereen wil je nu AI verkopen, maar pas na zes maanden zie je of het je bedrijf écht helpt

Technische termen zijn er ook genoeg. Je kunt in korte tijd iets laten zien dat indrukwekkend oogt.

Maar indrukwekkend is nog niet hetzelfde als waardevol. Voor mij begint expertise daarom bij een andere vraag: wat is er daadwerkelijk veranderd?

Niet: wat is er gebouwd?

Maar: wat leverde het op?

Werd een proces sneller? Verdwenen fouten? Kon een team meer werk aan? Ging de marge omhoog? Werd de klant beter geholpen? En werkt de oplossing een half jaar later nog steeds in de praktijk?

Dat vind ik veel interessanter dan het model, framework of de agent die eronder zit.

Geen ondernemer koopt AI: je koopt tijd, rust en marge

Uiteindelijk koopt een ondernemer geen AI. Hij wil vooruitgang. Meer snelheid. Minder verspilling. Betere beslissingen. Lagere kosten. Meer capaciteit. Of simpelweg rust in een proces dat iedere dag gedoe oplevert.

Ik word ook voorzichtig als AI ineens hét antwoord op ieder probleem is. Soms is een simpele automatisering beter. Soms moet eerst het proces zelf worden aangepast. Soms ontbreekt goede data. En soms is technologie helemaal niet het echte probleem.

Juist kunnen zeggen waar AI níét nodig is, zegt voor mij veel over iemands expertise.

Waarom ‘het werkt’ geen resultaat is

Hetzelfde geldt voor meetbaarheid. Als je vooraf niet weet wanneer iets geslaagd is, kun je achteraf bijna alles een succes noemen. ‘Het werkt’ vind ik geen resultaat.

Van twintig minuten naar vijf minuten wel. Twintig procent minder fouten wel. Meer aanvragen verwerken met hetzelfde team wel. Daarom vind ik bewijs ook belangrijker dan beloftes.

Niet alleen welke klanten op een website staan, maar ook wat daar daadwerkelijk is veranderd. Hoe zag het proces ervoor uit? Wat leverde de oplossing op? Wat ging mis? En wat bleek moeilijker dan verwacht?

Want AI is geen PowerPointpresentatie.

Durft een expert te vertellen wat er misgaat?

Eerlijk gezegd zou ik juist ook willen weten wat er níét goed ging. Want bij AI-projecten gaat zelden alles in één keer goed. Data blijkt minder bruikbaar dan gedacht. Een proces is ingewikkelder dan het op papier lijkt. Medewerkers gebruiken de oplossing anders dan verwacht. Of iets werkt technisch prima, maar levert uiteindelijk te weinig op.

Dat hoort erbij.

De vraag is vooral hoe een partij daarmee omgaat. Wordt er doorgeduwd omdat de oplossing nu eenmaal gebouwd is? Of wordt er opnieuw gekeken naar wat het bedrijf werkelijk nodig heeft? Een expert die alleen successen kan laten zien, vertelt wat mij betreft maar de helft van het verhaal. Het moet uiteindelijk landen in een organisatie waar mensen al jaren op een bepaalde manier werken, systemen aan elkaar geknoopt zijn en data lang niet altijd netjes is.

Daar zit voor mij een groot deel van de echte expertise.

Niet alleen iets kunnen bouwen, maar ook begrijpen wat ervoor nodig is om het echt te laten werken in een bedrijf.

Data, fouten en de ‘nee’-test

En dan is er nog data en verantwoordelijkheid. Waar gaat je data heen? Wie kan erbij? Wie controleert de uitkomst? Wat mag een systeem zelfstandig beslissen? En wat gebeurt er als het een fout maakt? Dat zijn misschien minder spannende vragen dan een nieuwe demo, maar voor een bedrijf zijn ze minstens zo belangrijk.

Compliance moet wat mij betreft daarom niet achteraf worden toegevoegd. Als je niet kunt uitleggen wat er met data gebeurt en wie waarvoor verantwoordelijk is, dan is de techniek misschien goed, maar de oplossing nog niet volwassen. Als ondernemer zou ik daarom drie vragen stellen voordat ik met een AI-partij in zee ga.

• Wat hebben jullie bij andere bedrijven daadwerkelijk verbeterd? Niet welke technologie is gebruikt, maar wat het concreet heeft opgeleverd.

• Wat hebben jullie bij andere bedrijven daadwerkelijk verbeterd? Niet welke technologie is gebruikt, maar wat het concreet heeft opgeleverd.

• Wat gebeurt er als de oplossing in de praktijk niet blijkt te werken zoals verwacht? Wie lost dat op en wie is daarvoor verantwoordelijk?

En misschien wel de belangrijkste: zouden jullie mij ook adviseren om géén AI te gebruiken als dat voor mijn bedrijf verstandiger is?

Op die laatste vraag zou ik vooral letten.

De waarde blijkt pas zes maanden na de demo

Wie overal een AI-oplossing voor heeft, begrijpt misschien vooral heel goed wat hij verkoopt. Maar niet noodzakelijk wat jouw bedrijf nodig heeft.

Ik denk dat dit onderscheid de komende jaren alleen maar belangrijker wordt. Er zullen meer AI-partijen bijkomen. Meer tools. Meer experts. Meer beloftes. En waarschijnlijk ook steeds betere demo’s. Maar hoe makkelijker het wordt om iets indrukwekkends te laten zien, hoe minder dat op zichzelf nog zegt.

Voor mij zit expertise uiteindelijk in de combinatie van techniek, bedrijfskennis, resultaat en verantwoordelijkheid. Begrijpen welk probleem er echt ligt. Kunnen aantonen wat er is veranderd. Vooraf bepalen wanneer iets succesvol is. Weten wat je met data doet. En ook durven zeggen wanneer AI níét het antwoord is.

Want uiteindelijk is de beste AI-oplossing niet de oplossing waar je tijdens de demo het meest van onder de indruk bent. Het is degene waarvan je zes maanden later merkt dat je bedrijf er daadwerkelijk beter van is geworden.