Recent rapporten over de mislukkingspercentages voor AI-projecten heeft ongemakkelijke vragen opgeroepen voor organisaties die zwaar in AI investeren. Een groot deel van de discussie was gericht op technische factoren zoals modelnauwkeurigheid en datakwaliteit, maar nadat ik tientallen AI-initiatieven had zien lanceren, heb ik gemerkt dat de grootste kansen voor verbetering vaak cultureel en niet technisch zijn.
Interne projecten die het moeilijk hebben, hebben vaak gemeenschappelijke problemen. Technische teams bouwen bijvoorbeeld modellen waarvan productmanagers niet weten hoe ze die moeten gebruiken. Datawetenschappers bouwen prototypen die operationele teams moeilijk kunnen onderhouden. En AI-toepassingen ongebruikt blijven omdat de mensen waarvoor ze gebouwd waren niet betrokken waren bij de beslissing wat ‘nuttig’ eigenlijk betekende.
Organisaties die presteren daarentegen betekenisvolle waarde met AI heeft ontdekt hoe de juiste soort samenwerking tussen afdelingen kan worden gecreëerd en is een gedeelde verantwoordelijkheid voor de resultaten tot stand gekomen. De technologie is van belang, maar de gereedheid van de organisatie is net zo belangrijk.
Hier zijn drie praktijken die ik heb waargenomen die de culturele en organisatorische barrières aanpakken die het succes van AI kunnen belemmeren.
Breid AI-vaardigheden uit die verder gaan dan alleen techniek
Wanneer alleen ingenieurs begrijpen hoe een AI-systeem werkt en waartoe het in staat is, mislukt de samenwerking. Productmanagers kunnen geen afwegingen maken die ze niet begrijpen. Ontwerpers kunnen geen interfaces creëren voor functies die ze niet kunnen verwoorden. Analisten kunnen de output die ze niet kunnen interpreteren niet valideren.
De oplossing is niet om van iedereen een datawetenschapper te maken. Het helpt elke rol te begrijpen hoe AI van toepassing is op hun specifieke werk. Productmanagers moeten begrijpen welk soort gegenereerde inhoud, voorspellingen of aanbevelingen realistisch zijn op basis van de beschikbare gegevens. Ontwerpers moeten begrijpen wat AI daadwerkelijk kan doen, zodat ze functies kunnen ontwerpen die gebruikers nuttig zullen vinden. Analisten moeten weten welke AI-outputs menselijke validatie vereisen en welke kunnen worden vertrouwd.
Wanneer teams dit werkvocabulaire delen, is AI niet langer iets dat op de engineeringafdeling gebeurt, maar wordt het een hulpmiddel dat de hele organisatie effectief kan gebruiken.
Stel duidelijke regels vast voor AI-autonomie
De tweede uitdaging houdt in dat we moeten weten waar AI op zichzelf kan handelen en waar menselijke goedkeuring vereist is. Veel organisaties vervallen in extremen, waarbij ze elke AI-beslissing door middel van menselijke beoordeling in de weg staan, of AI-systemen zonder laten functioneren vangrail.
Wat nodig is, is een duidelijk raamwerk dat definieert waar en hoe AI onafhankelijk kan optreden. Dit betekent dat je vooraf regels moet vaststellen: kan de AI routinematige configuratiewijzigingen goedkeuren? Kan het schema-updates aanbevelen, maar deze niet implementeren? Kan het code implementeren in staging-omgevingen, maar niet in productie?
Deze regels moeten drie elementen bevatten: controleerbaarheid (kun je nagaan hoe de AI tot zijn besluit kwam?), reproduceerbaarheid (kun je het beslissingspad opnieuw creëren?), en waarneembaarheid (kunnen teams AI-gedrag monitoren terwijl het gebeurt?). Zonder dit raamwerk vertraag je ofwel tot het punt waarop AI geen enkel voordeel meer oplevert, ofwel creëer je systemen die beslissingen nemen die niemand kan verklaren of controleren.
Creëer multifunctionele draaiboeken
De derde stap is het codificeren van de manier waarop verschillende teams daadwerkelijk met AI-systemen werken. Wanneer elke afdeling zijn eigen aanpak ontwikkelt, krijg je inconsistente resultaten en overbodige inspanningen.
Cross-functionele draaiboeken werken het beste wanneer teams deze samen ontwikkelen, in plaats van ze van bovenaf te laten opleggen. Deze draaiboeken geven antwoord op concrete vragen als: Hoe testen we AI-aanbevelingen voordat we ze in productie nemen? Wat is onze fallback-procedure als een geautomatiseerde implementatie mislukt: geef deze over aan menselijke operators of probeer eerst een andere aanpak? Wie moet erbij betrokken worden als we een AI-besluit terzijde schuiven? Hoe kunnen we feedback gebruiken om het systeem te verbeteren?
Het doel is niet om bureaucratie toe te voegen. Het zorgt ervoor dat iedereen begrijpt hoe AI in zijn bestaande werk past en wat hij moet doen als de resultaten niet aan de verwachtingen voldoen.
Voorwaarts gaan
Technische expertise op het gebied van AI blijft belangrijk, maar bedrijven die de prestaties van modellen over-indexeren en tegelijkertijd organisatorische factoren negeren, bereiden zich voor op vermijdbare uitdagingen. De succesvolle AI-implementaties die ik heb gezien, behandelen culturele transformatie en workflows net zo serieus als de technische implementatie.
De vraag is niet of uw AI-technologie geavanceerd genoeg is. Het gaat erom of uw organisatie er klaar voor is om ermee aan de slag te gaan.
Adi Polak is directeur belangenbehartiging en developer experience engineering bij Confluent.
Welkom bij de VentureBeat-community!
In ons gastpostprogramma delen technische experts inzichten en bieden ze neutrale, onbevooroordeelde diepgaande inzichten in AI, data-infrastructuur, cyberbeveiliging en andere geavanceerde technologieën die de toekomst van het bedrijfsleven vormgeven.
Lees meer uit ons gastpostprogramma – en bekijk ons richtlijnen als u geïnteresseerd bent om uw eigen artikel bij te dragen!
