Om waarde te halen uit data-science, machine learning en ai moeten organisaties ai-methodologie verankeren in de kern van hun bedrijfsmodel. Het creëren, meten en onderhouden van bedrijfswaarde in ai-projecten is evenwel gemakkelijker gezegd dan gedaan. Zelfs als iedereen in de organisatie het eens is over hoe het zou moeten, is de vraag: waar ligt de verantwoordelijkheid voor het daadwerkelijk bijhouden van hoe volwassen en waardevol ai is?
Een van de beste manieren om de bedrijfswaarde van ai nauwlettend in de gaten te houden, is een centraal team op te richten dat zich op dit doel richt. Idealiter zou dit ‘waardeteam’ verantwoordelijk zijn voor een viertal taken.
Allereerst het implementeren van een use-case en het aanstellen van een eigenaar die deze use-cases kan kwalificeren (hetzij binnen het team of extern). Daarnaast moet er worden samengewerkt met de teams die de ai-projecten ontwikkelen om de toegevoegde waarde zo vroeg mogelijk te kunnen volgen. Ook is het aan het waardeteam om de waarde van ai binnen de organisatie te communiceren, inclusief het regelmatig delen van successen en het rapporteren van kpi’s aan het management, minstens eens in het kwartaal. Als laatste is het belangrijk om, na verloop van tijd, de basis te ontwikkelen waarop de waarde van ai te kwantificeren is buiten de waarde van elke losse use-case. Denk aan de waarde van hergebruik en kapitalisatie over meerdere projecten heen.
Het laatste punt is van cruciaal belang en de voornaamste reden om een speciaal ai-waardeteam te hebben, aangezien veel van de waarde buiten de use-cases om meestal functie-overschrijdend is. Een ai-team kan bijvoorbeeld helpen om silo’s te doorbreken tussen it, analyseteams en stakeholders. Dit is vaak moeilijk uit te voeren wanneer één specifieke bedrijfslijn of team deze taak moet oppakken in plaats van een overkoepelend team.
Praktisch
Een praktisch voorbeeld van een use-case-kwalificatiekader zien we bij de Rabobank. Door in de afgelopen anderhalf jaar meer dan honderd ai-projecten af te ronden, heeft de Rabobank grote successen geboekt met zijn ai-initiatieven. Ze hebben onder andere de tijd die nodig is om teamleden – met name data-scientists – aan te nemen, teruggebracht van maanden naar weken.
Alle data-science-, machine learning- en ai-projecten bij de bank zijn gebaseerd op de ‘innovatietrechter’. Naarmate de use-case zich verder in het proces bevindt, krijgt het meer vorm. Maar wanneer de use-case niet voldoet aan de gedefinieerde normen, is zij te stoppen bij een van de ’poorten’ in het proces.
Vanwege de beperkte bandbreedte kan de selectie van use-cases zeer competitief zijn. Over het algemeen worden use-cases geselecteerd op basis van de waarschijnlijkheid dat ze door de poorten komen en de verwachte waarde tegenover de vereiste inspanning.
Van cruciaal belang zijn de cijfers en de kwantificering van de impact. Kwantificeringen als ‘het proces zal sneller verlopen’ worden niet aanvaard. Duidelijke rendementen van investeringen (roi’s) zoals ‘het zal drie voltijd-werknemers per jaar besparen’ of andere financiële kpi’s zijn de enige weg vooruit in de Innovatietrechter.
Naast een gekwantificeerde roi hebben use-cases een eigenaar nodig. De Rabobank gaat echter nog een stap verder door te stellen dat de echte business owner vrij hoog in de hiërarchie van de organisatie moet staan. Op deze manier is top-down-ondersteuning te garanderen terwijl de dagelijkse product owner lager in de hiërarchie staat.
Of een organisatie nu net begint de ai-volwassenheid te verbeteren en te versnellen of aan het bepalen is hoe een specifiek element, zoals governance of talent, op te schalen, het ontwikkelen van een ai-waardeteam draagt eraan bij dat de tastbare roi van ai centraal blijft staan.
