De afgelopen twee jaar was er vrijwel geen gesprek te voeren zonder dat AI of generatieve AI ter sprake kwam – vooral binnen de leiderschaps- en techwereld. Het ging vooral over de mogelijkheden om generatieve AI in te zetten voor operationele processen of over de beste manier om ermee te beginnen. Maar nu de eerste hype is afgenomen, laten we eens kijken wat wel en niet werkt!
Generatieve AI heeft ongetwijfeld veel toegevoegde waarde. Er zijn voordelen zoals het automatiseren van taken, het personaliseren van interacties, eenvoudigere datacommunicatie en snellere oplossingen. Maar er zijn ook problemen, zoals vooringenomenheid, hallucinaties, het omgaan met de logische mogelijkheden van Gen AI, de keuze tussen meerdere LLM's, enzovoort. De vraag blijft dus: hoe vooruitstrevend zijn we eigenlijk in de adoptie van Gen AI?
De realiteit is genuanceerder dan de krantenkoppen doen vermoeden. Hoewel de adoptie van Gen AI in bedrijven varieert van 75% tot 85% (gebaseerd op verschillende rapporten), leert onze ervaring dat de meeste bedrijven vastlopen in de pilot- of proof-of-conceptfase, of een beperkte implementatieomvang hebben. Daarentegen heeft AI wel een toename in persoonlijke productiviteit laten zien, vooral wanneer het wordt aangevuld met menselijke intelligentie.
FOMO (Fear of Missing Out) is nooit een goede manier geweest om ergens aan te beginnen, omdat het wijst op de dingen die inherent ontbreken:
Infrastructuur gereedheid: Om de mogelijkheden van generatieve AI optimaal te benutten, moet u afstappen van verouderde systemen, datasilo's en inconsistente datakwaliteit.
Tekort aan vaardigheden: Er is een aanzienlijk tekort aan professionals die zowel de technische aspecten van Gen AI als de zakelijke toepassingen ervan begrijpen. Je hebt meer mensen nodig die de nuances van het werken met AI doorgronden.
Kostenrealiteit: Bij het aanroepen van API's voor welke tool dan ook, of het nu OpenAI, GPT of AWS is, worden de kosten meestal in tokens gemeten, of worden de kosten voor onderhoud en modeltraining aanzienlijk onderschat.
Sterker nog, 63% van de leiders op het gebied van klantbeleving (CX) meldt dat de totale investering die nodig is om AI te implementeren hoger is dan verwacht, wat de kloof tussen verwachtingen en realiteit benadrukt. Bovendien zou er volgens Goldman Sachs de komende jaren ongeveer 1 biljoen dollar nodig zijn om de infrastructuur te bouwen die bedrijven nodig hebben om het gewenste niveau van functionaliteit te bereiken. Deze infrastructuur omvat datacenters, nutsvoorzieningen en applicaties.
Hoewel sommigen het daar misschien niet mee eens zijn, blijven wij ervan overtuigd dat AI de volgende stap in de transformatie is. De hele discussie zou moeten gaan over het waarom en het hoe. Generatieve AI heeft er in ieder geval voor gezorgd dat het gesprek in een razend tempo richting AI is gegaan. (Iedereen wilde er gewoon mee aan de slag.)
Dit leidde tot een toename van de gerealiseerde gebruiksscenario's, met name voor de verbetering van de productiviteit. Een goed voorbeeld hiervan is de integratie van codegeneratiemogelijkheden met onze MDM-oplossing . Deze oplossing genereert de juiste code op basis van de parameters en de te creëren datapipeline. We schatten dat taken die voorheen uren in beslag namen, nu in slechts 5-10 minuten kunnen worden voltooid, waardoor uren aan overbodige tijd worden bespaard.
Enkele belangrijke toepassingsvoorbeelden die we succesvol hebben zien verlopen, zijn:
Codeontwikkeling: AI is erin geslaagd het schrijven van code op laag niveau te automatiseren, waardoor ontwikkelaars zich kunnen concentreren op complexere en productievere taken.
Creatief ontwerp: Generatieve AI kan binnen enkele minuten ontwerpideeën genereren waar dat voorheen uren duurde, waardoor het proces om nieuwe ideeën op de markt te brengen aanzienlijk wordt versneld (en er bovendien hypothetische afbeeldingen op basis van tekst kunnen worden gemaakt).
Klantenservice: ServiceNow meldt een daling van 80% in de gemiddelde tijd die nodig is om klantenserviceproblemen op te lossen dankzij AI.
Door LLM's te gebruiken voor het genereren van tests, kunnen ontwikkelaars meer tests in minder tijd maken, wat leidt tot een betere codekwaliteit en minder bugs.
Toepassingen voor het ophalen en opvragen van gegevens, zoals P.AI, kunnen worden geïntegreerd in bestaande workflows zoals Teams om vragen over gegevens te stellen voor een eenvoudigere analyse (zonder dat je een technische expert hoeft te zijn).
Voor sommigen is dit misschien een makkelijke oplossing, voor anderen juist een waardevolle aanvulling. Je zou kunnen stellen dat er andere methoden zijn, zoals NLP, die een aantal van deze problemen hadden kunnen oplossen, maar dat dit aanzienlijk meer tijd in beslag zou hebben genomen.
Dit is nog maar het begin. Bij het ontwikkelen van waardetoevoegende en robuuste Gen AI-oplossingen moet de hele aanpak en het proces veranderen. Daarbij moeten zowel de mogelijkheden als de beperkingen van Gen AI worden erkend. Succes komt niet voort uit het overhaast adopteren van elke nieuwe AI-functionaliteit, maar uit een doordachte integratie van deze technologieën op een manier die duurzame waarde creëert voor alle betrokkenen.
De aspecten zijn veelzijdig. Van het verduidelijken van de achtergrond van verschillende modellen, bijvoorbeeld transformatormodellen zoals Claude en GPT4, of diffusiemodellen zoals Midjourney en DALL-E, en hun licentieregels, tot de manier waarop je vragen stelt, suggesties van engineers of tips om dingen gemakkelijker en haalbaarder te maken – aangezien logisch redeneren nog steeds niet een van de sterkste punten van Gen AI is.
En dan de vraag waar te beginnen. We raden aan om eerst een goede matrix te maken voor de afweging tussen waarde en prestaties, om zo de meest voor de hand liggende oplossingen te identificeren die de beste waarde opleveren. Houd er ook rekening mee dat generatieve AI nog steeds AI is – de nuances en de achtergrond die je ervoor legt, moeten nog steeds voldoende solide zijn. Zorg er daarom voor dat je de juiste data-engineeringpraktijken hanteert, zoals een data lakehouse, of een geschikt data-ecosysteem zoals een data fabric, om je traject te ondersteunen.
Wees ook niet bang om te experimenteren. Weet alleen wel wanneer je moet stoppen!