Activatie van gegevens om de AI-ROI-kloof te dichten: 4 stappen om bedrijfswaarde te realiseren via Agentic AI

Terwijl we het vierde opeenvolgende “jaar van AI” ingaan, overwegen veel organisatieleiders twee schijnbaar tegenstrijdige vragen. Ten eerste, is generatieve AI de meest transformatieve technologie van de 21e eeuw? En ten tweede, is AI overgehyped? Ik zou paradoxale wijze ja antwoorden op beide vragen. Maar ik denk dat dit de verkeerde vragen zijn. In plaats daarvan denk ik dat deze leiders zich een andere vraag moeten stellen: hoe kan mijn organisatie nu bedrijfswaarde uit AI halen?

De realiteit is dat veel bedrijven de afgelopen drie jaar hebben geïnvesteerd in nieuwe AI-technologieën en hebben geëxperimenteerd met nieuwe AI-hulpmiddelen, maar ze hebben nog niet de voorziene resultaten behaald. Ondanks de druk van CEO’s om “AI te gebruiken voor alles”, zien organisaties niet de retour op investering die ze zouden willen. Dit zou niet verwonderlijk moeten zijn. De geschiedenis leert ons dat de meest diepgaande technische innovaties tijd nodig hebben voordat ze opleveren. Er is een vertraging tussen technische uitvinding en bedrijfsinnovatie.

Thomas Edison toonde de kracht van elektriciteit in Manhattan in 1882, maar het was pas toen Ford de elektrisch aangedreven productielijn in 1913 introduceerde dat elektriciteit volledig stoomkracht in de productie verving. Kun je je een bedrijfsleider in 1885 voorstellen die zijn fabrieksarbeiders aanspoort om te experimenteren met elektrische kracht? Toch prevaleerde elektrische kracht en legde de basis voor veel van de revolutionaire innovaties van de 20e eeuw, van radiouitzendingen tot digitale computing.

Als een recentere voorbeeld, ging het World Wide Web in de vroege jaren 90 mainstream. Consumentengebruik explodeerde onmiddellijk, maar bedrijfsadoptie vertraagde. Het duurde een half decennium voordat de meeste gevestigde ondernemingen begonnen te profiteren van het web via e-commerce. Toch legde het web de basis voor sociale media, mobiele betrokkenheid, cloud computing en uiteindelijk AI. Bedrijfswaarde wordt gegenereerd door nieuwe technologieën.

Als de elektrische tijd van het bedrijfsleven begon met de productielijn, en de webtijd begon met e-commerce, wat zal dan de killer-app zijn voor de tijd van AI-bedrijven? De lancering van ChatGPT in het najaar van 2022 introduceerde de kracht van grote taalmodellen aan het grote publiek. Vanwege zijn populariteit werd de “chatbot die me begrijpt en klinkt als een mens” het archetype voor hoe AI kon worden toegepast. Als gevolg daarvan begonnen veel bedrijven met AI door soortgelijke assistenten te introduceren die waren afgestemd op hun bedrijf. In veel gevallen werden de resultaten goed ontvangen door gebruikers, maar de bedrijfsrendementen op productiviteit zijn moeilijk te meten.

Een van de meest ontwikkelde toepassingen van LLM’s voor bedrijven is op het gebied van coding-assistenten. Claude Code, Cursor en andere tools hebben brede populariteit verworven en laten bijna magische resultaten zien. Echter, onderzoeken geven aan dat de productiviteitswinst van individuele ontwikkelaars nog niet zijn vertaald in de algehele productiviteit van de organisatie. Bovendien helpt het versnellen van de ontwikkeling een organisatie niet als hetgeen dat wordt geproduceerd zelf geen bedrijfswaarde oplevert. Coding-assistenten zullen helpen om de adoptie van AI over tijd te versnellen, maar ze zijn niet de killer-app.

Om de meest impactvolle toepassing van AI te vinden, moeten organisaties zich richten op de onderdelen die hun eigen bedrijfsmodellen aandrijven. In ons boek Unbundling the Enterprise onderzoeken Stephen Fishman en ik het concept van “waar dynamiek”, een methode om bedrijfsmodellen te ontleden in een reeks verbonden waarde-uitwisselingen. Waarde-uitwisselingen omvatten meerdere “valuta”, waaronder kosten, tijdsbesparingen, bereik en verbeterde kwaliteit. De meest unieke valuta is gegevens. In het boek laten we zien hoe bedrijven als Google en Meta gegevensaccumulatie omzetten in digitale dominantie. Hun succes kwam door het bieden van real-time, geautomatiseerde links in hun waarde-uitwisselingen. Ze koppelden gegevensverzameling aan omzetgeneratie in een deugdzame cirkel. Beide bedrijven contextualiseerden klantgegevens in de vorm van advertentiedoelstellingen en gebruikten dit om hun kernomzet te stimuleren en nog meer gegevens te verzamelen via gebruikersbetrokkenheid.

Terwijl veel organisaties de afgelopen paar decennia gegevens hebben verzameld en verfijnd, hebben ze nog niet volledig geprofiteerd van de potentieel rendabele gegevens via een dergelijke vliegwiel. Een groot taalmodel is in wezen toegepaste gegevens. Het heeft het potentieel om de motor te zijn die een dergelijk vliegwiel van waarde voor organisaties aandrijft, maar die motor heeft brandstof nodig in de vorm van gecontextualiseerde gegevens en moet worden gekoppeld aan de onderdelen van het bedrijfsmodel van de organisatie. Dit “gegevensactivatieproces” maakt gegevens betrouwbaar en beschikbaar op grote schaal, legt de basis voor dynamische automatisering in het bedrijf en onthult uiteindelijk de killer-AI-app voor dergelijke organisaties.

Wat zullen organisaties eruitzien die hun gegevens hebben geactiveerd voor de AI-tijd? Overweeg de volgende scenario’s:

• Een farmaceutisch bedrijf dat momenteel moet investeren in dure, jarenlange inzet van nieuwe medicijnen in een wendbaarder bedrijf met kortere, parallelle klinische proefcycli die mogelijk worden gemaakt door dynamische, AI-geïnfuseerde automatisering
• Een retailbank die momenteel “hoop en bid” productaanbiedingen naar al zijn klanten stuurt met weinig opname en handmatige downstream-uitvoering naar gepersonaliseerde aanbiedingen met gestroomlijnde kredietverstrekking, wat leidt tot een hogere adoptie van winstgevende leningproducten
• Een retailer wiens huidig voorraadbeheersysteem is geplaagd door zowel overvoorraad als ondervoorraad naar een bedrijf dat zijn voorraadpositie in real-time begrijpt, dankzij directe outlet-, warehouse- en leveranciersverbindingen die worden geanalyseerd door altijd-aanwezige AI-agents

De weg naar ROI die in deze scenario’s wordt geschetst, volgt deze nieuwe vorm van dynamische automatisering en wordt aangedreven door gegevensactivatie.

Hoe kunnen organisaties deze reis beginnen? Hier zijn vier stappen om te beginnen…

Stap 1: Begrijp de waarde dynamiek van uw organisatie

Het ontleden van het bedrijfsmodel van een organisatie in de onderliggende waarde-uitwisselingen is waardevol om verschillende redenen. De resulterende waarde-uitwisselingskaart toont welke capaciteiten het bedrijf aandrijven, welke bedrijfsfuncties het meest kritiek zijn en hoe elk onderdeel van een organisatie bijdraagt aan de creatie, vaststelling en distributie van waarde. Voor onze doeleinden kan de waarde-uitwisselingskaart worden gebruikt om de kernbedrijfsprocessen te visualiseren die kandidaten zullen zijn voor dynamische automatisering. Als een volgende laag naar beneden kunt u elke waarde-uitwisseling en component koppelen aan hoe ze worden geoperationaliseerd binnen de organisatie. Dit kan in de vorm zijn van softwaretoepassingen, gegevensopslag of zelfs taken van medewerkers. Automatiseringsmogelijkheden kunnen dan worden afgewogen op basis van impact en implementatiecomplexiteit om in te zoomen op de beste plek om AI en gegevensactivatie toe te passen.

Stap 2: Propageer optie door een gegevensactivatielaag

De mogelijkheid van een organisatie om gegevens te activeren hangt af van de optie van haar digitale landschap. Optie is overvloedig wanneer digitale assets – softwarefuncties, gegevensbronnen, diensten van derden – in real-time toegankelijk zijn. In een AI-context betekent dit twee dingen. Ten eerste moet een organisatie in staat zijn om gegevens uit verschillende bronnen te synthetiseren om precieze context te bieden aan LLM’s die leiden tot nauwkeurige redenering en hallucinatie vermijden. Ten tweede moeten softwarecomponenten die core businessfuncties uitvoeren – zoals een bank’s leningbeoordelingsdienst of een retailers live-inventarisysteem – opvraagbaar zijn door LLM-gebaseerde toepassingen om de automatisering te voltooien. In beide gevallen zijn API’s het beste mechanisme om gegevens en functies op een passende manier toegankelijk te maken. Het Model Context Protocol (MCP) wint aan populariteit als het API-protocol van keuze voor gegevensactivatie. Deze set van toegankelijke capaciteiten kan worden omgezet in een contextuele platform voor uw organisatie. Het transformeren van uw digitale landschap van een reeks gesloten toepassingen en gegevens naar een laag van business-georiënteerde API’s is cruciaal om ROI te behalen via gegevensactivatie.

Stap 3: Omarm de agente-paradigma van digitale oplossingen

De dominante softwarearchitectuur van de AI-tijdperk ontwikkelt zich. Geoptimaliseerde softwareoplossingen vereisen een balans tussen AI-geïnfuseerde en niet-AI-componenten. AI-agents – de AI-geïnfuseerde componenten in deze opkomende architectuur – gebruiken LLM-gebaseerde redenering die is geworteld in contextuele bewustzijn om taken uit te voeren via de tools die tot hun beschikking staan. Ze zijn de instrumenten van gegevensactivatie en dynamische automatisering. Een digitaal landschap dat is geoptimaliseerd door API’s (inclusief MCP-hulpmiddelen) is de meest vruchtbare grond voor dergelijke agents om te gedijen. Agente-architectuur stelt verschillende patronen mogelijk die de deterministische softwarecomponenten in de bestaande infrastructuur combineren met dergelijke AI-agents. Deze patronen variëren van eenvoudige chatbots en worker-agents tot agente-workflows en tot autonome multi-agent systemen. Organisaties die deze architecturale benadering aannemen, zullen in staat zijn om de meeste waarde te oogsten uit hun bestaande digitale assets terwijl ze AI adopteren met een tempo dat hen in staat stelt om de toenemende complexiteit van oplossingen te beheren die meer en meer waarde brengen.

Stap 4: Gebruik AI als een productiviteitstool om agente-automatiseringen te bouwen

Het toepassen van AI voor de productiviteit van werknemers kan op zichzelf niet de hoogste rendementen opleveren voor een bedrijf. Het gebruik van AI-productiviteitswinsten in de dienst van het activeren van de gegevens van een organisatie en het bieden van agente-automatisering kan echter echte rendementen versnellen. Dit betekent niet alleen het gebruiken van AI om de werkzaamheden van ontwikkelaars te versnellen. Zelfs voordat de AI-explosie, was een van de grootste barrières voor de levering de organisatorische kloof tussen bedrijfsdomeinexperts die de toepassing van technologie begrijpen en de IT-teams die oplossingen bouwen. Organisatorische trends zoals DevOps hebben geholpen om die kloof te overbruggen, maar AI kan op een meer tastbare manier helpen. Als een taalgebaseerde technologie kunnen LLM’s de vertaling tussen vereisten en oplossingen op een ongekende manier vertalen. Multimodale AI stelt de vastlegging van bedrijfsschetsen mogelijk die bruikbare artefacten kunnen genereren voor downstream-ontwikkeling. Transcripts kunnen worden omgezet in prototypes. Dit is een nieuw type gegevensactivatie: het omzetten van bedrijfsdomeinkennis in oplossingsstructuur in real-time.

Door deze vier stappen te volgen, kunnen organisaties hun gegevens activeren en beginnen met het zien van rendementen op hun AI-investeringen. Bovendien zullen ze beter zijn voorbereid op de nieuwe ecosystemen, banen en kansen die worden gecreëerd door de AI-economie. Door de waarde dynamiek van uw bedrijf te begrijpen, uw digitale assets om te zetten in uitvoerbare opties en u te richten op agente-architectuur, bereidt u uw organisatie voor op de AI-toekomst door deze zelf uit te vinden.