Wanneer organisaties over AI praten, verschijnt al snel hetzelfde beeld: een chatvenster met een invoerveld eronder.
Dat is logisch. Chat is een heel zichtbare manier om met een taalmodel te werken.
Maar in projecten zien we steeds vaker dat de interessantste AI-toepassing helemaal geen aparte chatbot is.
AI kan op de achtergrond een document interpreteren. Informatie structureren. Een medewerker helpen een beslissing voor te bereiden. Kennis uit verschillende bronnen bij elkaar brengen. Een concepttekst opstellen. Of tijdens een bestaand proces precies de relevante informatie naar voren halen.
De gebruiker hoeft dan misschien niet eens bewust "met AI" bezig te zijn.
Begin niet bij het model
We proberen daarom niet te beginnen met de vraag:
"Wat kunnen we met AI doen?"
De betere vraag is meestal:
"Waar zit werk dat slimmer, sneller of consistenter kan?"
Pas daarna kijken we welke techniek daarbij past.
Soms is dat een taalmodel.
Soms is een normale zoekopdracht sneller en betrouwbaarder.
Soms hoort een regel gewoon in code te staan omdat hij volledig voorspelbaar moet zijn.
En vaak zit de beste oplossing in een combinatie daarvan.
AI naast regels en gewone software
Stel dat een medewerker een aanvraag moet beoordelen.
Een traditioneel systeem kan prima controleren of verplichte velden zijn ingevuld en of een bedrag binnen een vaste grens valt. Daar heb je geen generatief AI-model voor nodig.
Maar als bij dezelfde aanvraag ook een lang document moet worden gelezen om relevante argumenten of risico's te vinden, kan AI ineens wel nuttig zijn.
Het systeem kan de vaste controles in code uitvoeren, relevante passages met AI analyseren en het geheel vervolgens overzichtelijk aan de medewerker presenteren.
De beslissing blijft waar hij hoort. Bij de medewerker of bij de formele beslislogica.
AI ondersteunt het proces op het onderdeel waar taal en ongestructureerde informatie het moeilijk maken.
Dat soort combinaties vinden we interessanter dan een AI-label op ieder scherm plakken.
Kennis maakt een algemeen model specifiek bruikbaar
Een taalmodel weet veel, maar kent niet automatisch de werkwijze, afspraken en documenten van een organisatie.
Daarom werken we bij kennisgestuurde toepassingen met geselecteerde bronnen en context.
Binnen MAIVA is dat een belangrijk uitgangspunt. Een AI-assistent moet niet vooral antwoorden op basis van algemene modelkennis wanneer de organisatie zelf een procedure, methodiek of kennisdocument heeft dat leidend hoort te zijn.
De kwaliteit van de toepassing hangt daardoor niet alleen af van het gekozen model.
Bronselectie, toegangsrechten, versiebeheer, instructies en de manier waarop een antwoord wordt opgebouwd zijn minstens zo relevant.
Niet iedere AI-uitkomst hoort direct naar een gebruiker
AI is probabilistisch. Twee vergelijkbare opdrachten kunnen kleine verschillen opleveren en een model kan fouten maken.
Daar moet het ontwerp rekening mee houden.
Sommige taken lenen zich prima voor een direct antwoord aan de gebruiker. Andere uitkomsten willen we eerst structureren, controleren of combineren met vaste logica.
Bij kritischer toepassingen kan een mens expliciet onderdeel van de flow blijven.
Dat noemen we liever goed softwareontwerp dan "human in the loop" omdat het principe eigenlijk niet nieuw is: automatiseer wat verantwoord te automatiseren is en leg beslissingen op de juiste plek.
De beste AI-feature kan onzichtbaar zijn
Een medewerker hoeft niet per se te weten welke stappen achter een knop plaatsvinden.
Die wil vooral dat een taak makkelijker wordt.
Als het systeem bij het openen van een dossier automatisch de relevante bronnen toont, ontbrekende informatie markeert en een samenvatting klaarzet, is dat misschien waardevoller dan nog een chatvenster.
Als een kennisplatform het juiste antwoord kan geven mét de bron waarop het is gebaseerd, hoeft niemand eerst te leren welke promptstructuur het beste werkt.
Als een rapportage voor 80 procent automatisch wordt voorbereid en de medewerker alleen controleert en aanvult, zit de winst in het proces.
Niet in het feit dat er ergens AI draait.
AI als bouwsteen, niet als productcategorie
We verwachten dat AI uiteindelijk steeds minder als losse functie wordt gezien.
Net zoals niemand een moderne applicatie verkoopt met de boodschap dat er "een database in zit", zal het steeds normaler worden dat software op bepaalde plekken modellen gebruikt.
De interessante vraag wordt dan niet of software AI bevat.
De vraag wordt of de combinatie van mensen, regels, data en AI het werk aantoonbaar beter maakt.
Daar willen we onze toepassingen op beoordelen.