AI is de beloning voor operationele discipline, maar creëert die niet
AI-uitdagingen: Leidinggevenden worden vaak misleid over de mogelijkheden van AI en negeren fundamentele organisatorische problemen die de implementatie beïnvloeden.
Dataproblemen: Veelvoorkomende barrières voor effectieve AI-integratie zijn draagvlak bij leidinggevenden, datakwaliteit en organisatorische kennis.
Infrastructuurbehoeften: Succesvolle AI-toepassingen vereisen een robuuste infrastructuur, waarvoor vaak een routekaart van 12 tot 18 maanden nodig is voor implementatie.
Afstemming van leiderschap: Samenwerking tussen directieleden is cruciaal om gedeelde problemen aan te pakken in plaats van geïsoleerde afdelingsstrategieën na te streven.
Operationele discipline: Echt, duurzaam AI-succes komt voort uit gedisciplineerde bedrijfsvoering, niet alleen uit nieuwe technologie of hulpmiddelen.
Ergens in de afgelopen twee jaar hebben de meeste bestuurders in de C-suite zichzelf ervan overtuigd dat ze een AI-probleem hadden. Het bestuur wil een strategie. Concurrenten kondigen pilots aan. De CFO vraagt naar ROI-tijdlijnen. Dus namen ze een Chief AI Officer aan, richtten ze een taskforce op en begonnen ze leveranciers te benaderen.
Niets daarvan pakt het werkelijke probleem aan.
Eric Gonzalez heeft jarenlang binnen organisaties gewerkt als parttime chief data officer en bedrijven geholpen de kloof te ontwarren tussen wat bestuurders denken dat AI zal doen en wat hun bedrijfsvoering daadwerkelijk kan ondersteunen.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Dezelfde drie antwoorden
Hij vertelt over een panel dat hij enkele jaren geleden leidde, waar het publiek — een zaal vol data- en technologieleiders — werd gevraagd om de belangrijkste obstakels te benoemen die een gezonde data-infrastructuur in de weg stonden. De resultaten werden weergegeven als een woordwolk. Steeds kwamen dezelfde drie zaken naar voren: steun van de directie, datakwaliteit en datageletterdheid.
"Als je die vraag in 2005 had gesteld," zei Gonzalez op de Optimized AI Conference in Atlanta, "zouden diezelfde zaken organisaties nog steeds parten spelen."
Hij heeft gelijk. En de implicaties zijn ongemakkelijker dan de meeste bestuurders onder ogen willen zien.
De organisatorische schuld die AI-implementatie zo moeilijk maakt, is niet door AI ontstaan. Ze is veroorzaakt door jaren van gefragmenteerde systemen, onopgeloste governancevraagstukken, verkokerde teams en slecht op elkaar afgestemde prikkels — zaken die niemand heeft opgelost omdat de kosten van oplossingen steeds hoger leken dan de kosten van omwegen.
Toen generatieve AI zijn intrede deed, werden diezelfde problemen plotseling veel te duur om te negeren.
Het patroon dat Gonzalez beschrijft, is consistent in verschillende sectoren en leidinggevende functies. Ga naar conferenties over AI, operations of personeel, en je hoort waarschijnlijk een variant hiervan: organisaties jagen op nieuwe technologie in de hoop dat die problemen oplost die fundamenteel over mensen en processen gaan.
Het gebeurt met data-engineering. Het gebeurde toen datawetenschap werd uitgeroepen tot de meest sexy baan van Amerika. Nu gebeurt het opnieuw. De technologie verandert. De onderliggende disfunctie blijft bestaan.
De uitdaging van AI
Wat dit moment anders maakt, is de omvang van de inzet. AI-investeringen zijn groter, sneller en zichtbaarder dan alles wat eraan voorafging.
Wanneer een pilot mislukt, komt dat maar al te vaak doordat de data die de pilot voedt onbetrouwbaar is, doordat niemand duidelijk eigenaarschap heeft vastgesteld voor de modellen die worden ingezet, of doordat twee afdelingen uitgingen van volledig verschillende aannames over wat de tool moest doen.
Gonzalez wijst op een veelzeggend voorbeeld. Een zorgverzekeraar met meer dan 25 miljoen leden zette generatieve AI niet in voor de beoordeling van claims, maar voor het schrijven van afwijzingsbrieven — een compliancevereiste die voorheen een enorme hoeveelheid handmatig werk vereiste. Het resultaat was een vermindering van 80-90% van de overhead voor dat proces. Geen multimodale agent. Geen autonoom systeem voor de hele onderneming. Een smal, duidelijk afgebakend probleem met data die schoon genoeg was om het daadwerkelijk op te lossen.
Het onaantrekkelijke werk kwam eerst. Zo ontstaan echte successen bijna altijd.
De voorwaarden voor waarde
De bestuurders die echte vooruitgang boeken, delen een specifieke discipline: ze zijn gestopt met vragen waar AI kan worden ingezet en zijn begonnen te vragen wat er waar moet zijn om AI hier waarde te laten leveren. Het verschil klinkt subtiel. Dat is het niet.
De eerste vraag leidt tot een wildgroei aan pilots die nooit verder komen dan een proof-of-concept. De tweede vraag dwingt tot een eerlijke beoordeling of de basis — datakwaliteit, governance, afstemming tussen functies en duidelijk eigenaarschap — daadwerkelijk aanwezig is.
Meestal is dat niet zo. En het eerlijke antwoord op "wat moet waar zijn" is een routekaart van 12 tot 18 maanden die begint met infrastructuur waarvoor niemand financiering wil verstrekken, omdat die niet zichtbaar wordt in een demo.
Hier is afstemming binnen de C-suite belangrijker dan de strategie van welke afzonderlijke functie dan ook. De CHRO die zich zorgen maakt over verstoring van het personeelsbestand, de CIO die technische schuld beheert, de COO die workflows herontwerpt, de CFO die rendementen beoordeelt — ze kijken niet naar verschillende problemen. Ze bekijken hetzelfde probleem vanuit verschillende perspectieven.
Wanneer die perspectieven niet met elkaar worden verbonden, worden AI-investeringen vaak in de verkeerde volgorde uitgevoerd, vervaagt de verantwoordingsplicht en wordt de kloof tussen verwachting en resultaat steeds groter, totdat iemands budget wordt gekort.
Gonzalez formuleert de beperkende factor helder.
"Technologie is zelden wat organisaties tegenhoudt," zei hij. "Het zijn de politieke structuur, het werken in silo's, concurrerende prioriteiten en niet op elkaar afgestemde prikkels die hen tegenhouden. Dat zijn leiderschapsproblemen. Ze vereisen leiderschapsoplossingen, niet nog een leverancier, niet een beter model, niet een flitsender hulpmiddel.
Duurzame vooruitgang ziet er van buitenaf saai uit. Het gaat om het herontwerpen van platforms, het oplossen van vragen rond gegevensbeheer die al jaren zijn blijven liggen, en het maken van de moeilijke afwegingen die gepaard gaan met het centraliseren van de verantwoordelijkheid voor de ontwikkeling en implementatie van AI. Niets daarvan komt goed over tijdens een kwartaalbeoordeling. Alles ervan stapelt zich op.
Maar AI beloont operationele discipline. Het creëert die niet.
