De menselijke factor: waarom AI-projecten niet kunnen slagen zonder mensen en processen

Machines die voorspellen wanneer onderhoud nodig is. Systemen die complexe technische vragen kunnen beantwoorden zonder dat een specialist urenlang door databases hoeft te zoeken. Software die automatisch code schrijft en optimalisaties suggereert... AI biedt enorme kansen in de maakindustrie.

De technologie is er, maar tussen proof-of-concept en volledige implementatie ligt een grote uitdaging. Bedrijven die erin slagen AI te adopteren hebben één ding gemeen: ze besteden net zoveel aandacht aan de menselijke en organisatorische aspecten als aan de technische kant.

Van data naar intelligente beslissingen

Moderne productiebedrijven verzamelen enorme hoeveelheden data, maar de echte uitdaging ligt in het omzetten van deze gegevens in bruikbare inzichten. Dat vereist meer dan alleen slimme algoritmes.

Neem predictief onderhoud. Door patronen in data te detecteren, kunnen algoritmes voorspellen wanneer een onderdeel waarschijnlijk zal falen. Dit vermindert ongeplande stilstand en zorgt ervoor dat productielijnen of logistieke processen soepel blijven draaien.

Een andere toepassing ligt in kennismanagement. Bij incidenten met complexe machines of nieuwe hardware en software die kalibratie vereisen, moet vaak zeer specifieke informatie opgehaald worden uit grote databases. Veel van die kennis zit momenteel in de hoofden van slechts een paar ervaren specialisten. Een technische vraag kan iemand twintig minuten aan het zoeken in documenten en lijsten kosten, een handmatig en iteratief proces. Een systeem dat is getraind op bedrijfsspecifieke data kan dezelfde vragen in natuurlijke taal beantwoorden binnen enkele seconden.

AI maakt ook een verschil in softwareontwikkeling. Tools die helpen bij het schrijven van scripts, het opsporen van bugs, of het optimaliseren van algoritmes kunnen de ontwikkelsnelheid aanzienlijk verhogen.

Uitdagingen bij de implementatie van AI

Veel productiebedrijven hebben ervaring opgedaan met AI-pilots. Deze experimenten zijn vaak succesvol, maar het blijkt moeilijk om tot structurele implementatie over te gaan. De redenen hiervoor zijn meestal organisatorisch en niet technisch.

Beperkte middelen
AI-projecten vereisen gespecialiseerde expertise en tijd, beide zijn in veel organisaties schaars. Het tekort aan IT-talent is een uitdaging die de meeste bedrijven herkennen.

Geen topprioriteit
AI is nog relatief nieuw. Het kan werken, maar het kan ook mislukken, en je weet het van tevoren niet zeker. Omdat AI-toepassingen vaak gericht zijn op efficiëntiewinst binnen specifieke teams in plaats van directe omzetgroei, krijgen ze niet altijd topprioriteit. Het overtuigen van het management van de noodzaak kan op zichzelf al een uitdaging zijn.

Culturele weerstand
Medewerkers die gewend zijn aan beproefde methoden kunnen AI zien als een bedreiging in plaats van een hulpmiddel. Vooral ervaren ingenieurs kunnen zich afvragen waarom ze hun aanpak zouden veranderen als die altijd heeft gewerkt. Het creëren van bewustzijn en vertrouwen in nieuwe technologie kost tijd.

Het black-box-probleem
Vertrouwen speelt een cruciale rol in de productie. AI-systemen functioneren vaak als een black box: je voert gegevens in en ontvangt een uitkomst, maar het is niet altijd duidelijk hoe die uitkomst tot stand is gekomen. Mensen zijn voorzichtig met het overlaten van cruciale beslissingen over productie of machines aan AI. Als er iets misgaat en een machine stopt, heeft dat impact op de hele toeleveringsketen, tot en met de eindklanten. Met de reputatie van het bedrijf op het spel, neigen besluitvormers naar voorzichtigheid.

Bovendien ontstaan er organisatorische uitdagingen. AI-projecten vereisen samenwerking tussen IT, operations, data-analisten en management. Dit vraagt om nieuwe processen en duidelijke afspraken over verantwoordelijkheden. Voor traditionele organisaties met strikte hiërarchieën en gescheiden afdelingen betekent dit een aanzienlijke verandering.

Succes begint bij mensen

Succesvolle implementatie van AI begint bij mensen. Het draait om het opbouwen van vertrouwen en het vergroten van bewustwording, niet via een eenmalige presentatie, maar door geduld en volharding. Deze acties kunnen helpen om AI tot een succes te maken:

• Stel AI-ambassadeurs aan: Enthousiaste vroege gebruikers die experimenteren met de technologie en hun collega’s begeleiden. Zij kunnen laten zien wat wel en niet mogelijk is, waardoor onrealistische verwachtingen worden voorkomen.
• Bied praktische training aan: Niet iedereen hoeft een data scientist te worden, maar een basisbegrip van hoe machine learning werkt is behulpzaam. Werknemers die weten wat AI wel en niet kan, zijn beter uitgerust om het effectief te gebruiken.
• Begin klein: In plaats van het hele productieproces in één keer te transformeren, start met eenvoudige toepassingen die snelle resultaten opleveren. Bijvoorbeeld een interne chatbot om veelgestelde technische vragen te beantwoorden, of software die helpt bij het genereren van testrapporten.

Het is ook belangrijk om transparant te zijn over beperkingen. AI lost niet elk probleem op en kan fouten maken. Door hier eerlijk over te zijn, voorkomt u teleurstelling en behoudt u vertrouwen binnen uw team.

Governance en datakwaliteit

Naast de menselijke factor vereist AI-adoptie aangepaste processen. Wie is verantwoordelijk als een algoritme een verkeerde beslissing neemt over een productie-instelling? Hoe zorg je ervoor dat de gegevens waarop het systeem is getraind up-to-date blijven? En hoe waarborg je privacy en beveiliging?

Deze vragen worden nog complexer met nieuwe wetgeving zoals de AI Act, en bestaande regelgevingen zoals GDPR. Bedrijven moeten hun governance aanpassen om aan deze eisen te voldoen. Het kost tijd en middelen, maar het is onvermijdelijk als je AI verantwoord wilt inzetten.

En dan is er nog de kwestie van datakwaliteit. Algoritmes zijn slechts zo goed als de informatie waarop ze getraind zijn. Als je dataset onvolledig of bevooroordeeld is, zal het systeem daar de gevolgen van ondervinden.

Van pilot naar productie

Overgaan van een proof-of-concept naar een daadwerkelijke implementatie vereist meer dan alleen technische validatie. Het vraagt om een solide implementatieplan dat zowel technische als organisatorische aspecten adresseert.

Succesvolle bedrijven hanteren vaak een gefaseerde aanpak. Ze starten met processen waarbij fouten geen grote gevolgen hebben en de risico's laag zijn, zoals het optimaliseren van onderhoudsplanningen of het automatiseren van rapporten. Zodra er vertrouwen is opgebouwd, breiden ze uit naar meer kritieke toepassingen.

AI biedt enorme mogelijkheden. Maar om deze te benutten, heb je meer nodig dan slimme algoritmen en krachtige computers. Het vergt mensen die openstaan voor verandering en processen die hen ondersteunen. Bedrijven die in deze factoren investeren, creëren de beste voorwaarden voor een succesvolle AI-implementatie.