Activating Data to Close the AI ROI Gap: 4 Steps to Realizing Business Value Through Agentic AI

Als 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 overbelicht? 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 verwachte beloning geoogst. Ondanks de druk van CEO’s om “AI alles te doen”, zien organisaties niet de retour op investering die ze zouden willen. Dit zou niet verrassend 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 aan in Manhattan in 1882, maar het was pas toen Ford de elektrisch aangedreven productielijn onthulde in 1913 dat elektriciteit volledig de overhand kreeg op stoomkracht in de productie. 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 meer recent voorbeeld, ging het World Wide Web mainstream in de vroege jaren negentig. 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 bedrijven begon met de productielijn, en de webtijd begon met e-commerce, wat zal 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, afgestemd op hun bedrijfsversie van ChatGPT. In veel gevallen werden de resultaten goed ontvangen door gebruikers, maar zijn de bedrijfsrendementen op productiviteit 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, met bijna magische resultaten. Echter, studies geven aan dat de productiviteitswinst van individuele ontwikkelaars nog niet is vertaald in de algehele productiviteit van de organisatie. Bovendien helpt het versnellen van de ontwikkeling de bedrijfsprestaties van een organisatie niet als wat wordt geproduceerd, zelf geen bedrijfswaarde oplevert. Coding-assistenten zullen helpen bij het opschalen van AI-adoptie in de loop van de tijd, maar ze zijn niet de killer app.

Om de meest impactvolle toepassing van AI te vinden, moeten organisaties zich richten op de tandwielen die hun eigen bedrijfsmodellen aandrijven. In ons boek Unbundling the Enterprise, onderzoeken Stephen Fishman en ik het concept van “waarodynamiek”, 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 data. In het boek laten we zien hoe bedrijven als Google en Meta dataaccumulatie 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 ad targeting, en gebruikten dit om hun kernomzet te stimuleren en nog meer gegevens te verzamelen via gebruikersbetrokkenheid.

Terwijl veel organisaties de afgelopen paar decennia hebben gespendeerd aan het verzamelen en verfijnen van gegevens, hebben ze nog niet volledig geprofiteerd van de potentiële opbrengst van gegevens via zo’n vliegwiel. In wezen is een groot taalmodel gewoon toegepaste gegevens. Het heeft het potentieel om de motor te zijn die zo’n vliegwiel van waarde voor organisaties aandrijft, maar die motor heeft brandstof nodig in de vorm van gecontextualiseerde gegevens, en moet worden gekoppeld aan de tandwielen van het bedrijfsmodel van de organisatie. Dit “data-activatieproces” maakt gegevens betrouwbaar en beschikbaar op grote schaal, en legt de basis voor meer dynamische automatisering in het bedrijf, en uiteindelijk ontdekt de killer AI-app voor dergelijke organisaties.

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

• Een farmaceutisch bedrijf dat momenteel moet gokken met miljoenen dollars, jarenlange inzetten op nieuwe medicijnen, naar een meer behendig bedrijf met kortere, parallelle klinische proefcycli, mogelijk gemaakt door dynamische, AI-geïnfuseerde automatisering
• Een retailbank die momenteel “hoop en bid” productaanbiedingen naar alle klanten stuurt met weinig opname en handmatige downstream-uitvoering, naar gepersonaliseerde aanbiedingen met gestroomlijnde kredietverstrekking, leidend tot een hogere adoptie van winstgevende leningsproducten
• Een retailer wiens huidig voorraadbeheersysteem vol zit met 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 zoals beschreven in deze scenario’s volgt deze nieuwe vorm van dynamische automatisering, en wordt aangedreven door data-activatie.

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

Stap 1: Begrijp de Waarodynamiek van Uw Organisatie

Het ontleden van een organisatiebedrijfsmodel in zijn onderliggende waarde-uitwisselingen is van onschatbare waarde om verschillende redenen. De resulterende waarde-uitwisselingskaart toont welke capaciteiten de onderneming aandrijven, welke bedrijfsfuncties het meest kritiek zijn, en hoe elk onderdeel in 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, kunt u elke waarde-uitwisseling en component koppelen aan hoe ze worden geoperationaliseerd binnen de organisatie. Dit kan in de vorm van softwaretoepassingen, gegevensopslag of zelfs medewerkertaken. Automatiseringsmogelijkheden kunnen dan worden afgewogen door impact en implementatiecomplexiteit om in te zoomen op de beste plek om AI en data-activatie toe te passen.

Stap 2: Propageer Optie door een Data-Activatielaag

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 loanbeoordelingsdienst of een retailers live-inventarisysteem – door LLM-gebaseerde toepassingen kunnen worden aangeroepen 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 de API-protocol van keuze voor data-activatie. 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 data-activatie.

Stap 3: Omarm de Agentische Paradigm van Digitale Oplossingen

De dominante softwarearchitectuur van de AI-tijd is in opkomst. 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 gebaseerd op contextuele bewustzijn om taken uit te voeren via de tools die tot hun beschikking staan. Ze zijn de instrumenten van data-activatie 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. Agentische architectuur biedt talrijke patronen die de deterministische softwarecomponenten in de bestaande infrastructuur combineren met dergelijke AI-agents. Deze patronen variëren van eenvoudige chatbots en werkers tot agentische workflows en zelfs 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 bieden.

Stap 4: Gebruik AI als een Productiviteitstool om Agentische Automatiseringen te Bouwen

Het toepassen van AI voor werknemerproductiviteit kan 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 agentische automatisering, kan echter echte rendementen versnellen. Dit betekent niet alleen het gebruik van AI om de werkzaamheden van ontwikkelaars te versnellen. Zelfs voordat de AI-explosie, was een van de grootste barrières voor levering de organisatorische kloof tussen businessdomeinexperts die de toepassing van technologie begrijpen, en de IT-teams die oplossingen bouwen. Organisatorische trends zoals DevOps hebben geholpen om deze kloof te overbruggen, maar AI kan helpen op meer tastbare manieren. Als een taalgebaseerde technologie, zijn LLM’s in staat om te vertalen tussen vereisten en oplossingen op een ongekende manier. Multimodale AI stelt in staat om businessschetsen te maken die bruikbare artefacten kunnen genereren voor downstream-ontwikkeling. Transcripts kunnen worden omgezet in prototypes. Dit is een nieuwe vorm van data-activatie: het omzetten van businessdomeinkennis 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 worden voorbereid op de nieuwe ecosystemen, banen en kansen die worden gecreëerd door de AI-economie. Door de waarodynamiek van uw bedrijf te begrijpen, uw digitale assets om te zetten in oefenbare opties en u te richten op agentische architectuur, bereidt u uw organisatie voor op de AI-toekomst door deze zelf uit te vinden.