Succesvolle invoering van AI leidt tot een tweede uitrol waar bedrijven zelden op plannen

Ongeveer drie jaar geleden nam ik mijn eerste betaalde AI-abonnement en begon ik uit te proberen wat ik er eigenlijk mee kon. Geleidelijk groeide wat begon als persoonlijk experimenteren uit tot een klein intern project, vervolgens tot zakelijke abonnementen voor het hele bedrijf en uiteindelijk tot een AI-uitrol in bijna alle afdelingen — ontwikkeling, financiën, juridische zaken, marketing en ondersteuning.

De eerste fase verliep in grote lijnen goed. Binnen ongeveer zes maanden nam onze interne ontwikkelsnelheid met ongeveer een factor vijf toe. Tegelijkertijd steeg nog een ander cijfer: onze AI-uitgaven werden ongeveer 15 keer zo hoog.

Toen begreep ik dat succesvolle invoering van AI ook problemen met zich mee kon brengen. Zodra de technologie op grote schaal werd gebruikt, bleken de regels waarmee we waren begonnen niet meer te werken. De kosten konden uit de hand lopen doordat AI toegang kreeg tot steeds meer bedrijfsgegevens en steeds meer taken overnam, terwijl veel van de tools zelf nog steeds door externe aanbieders werden beheerd.

Wat moet een CEO doen als de invoering van AI succesvol is, maar het bedrijf niet meer volledig in de hand heeft hoe die wordt gebruikt? Laten we proberen die vraag te beantwoorden.

Stel actief AI-gebruik niet gelijk aan bedrijfsresultaten

Wat me meteen opviel, was dat adoptiecijfers tijdens de eerste uitrol, zoals het aantal actieve gebruikers of de gebruiksfrequentie, zinvol waren. Als leidinggevende wil je weten of medewerkers de tools gebruiken, welke tools ze precies gebruiken en of AI hun daadwerkelijk tijd bespaart. Maar zodra het gebruik zich over het hele bedrijf verspreidt, worden deze cijfers een stuk minder bruikbaar.

Dat hebben we zelf gezien. Zodra mensen toegang kregen tot krachtige modellen, begonnen ze die voor bijna alles te gebruiken. Op een gegeven moment gingen medewerkers AI vragen hoe laat het was in New York. Dat voorbeeld is natuurlijk absurd, maar het laat zien hoe snel het gebruik kan toenemen zonder het bedrijf noemenswaardige waarde op te leveren.

Shopify liep tegen een vergelijkbaar probleem aan nadat het AI zo diep had geïntegreerd dat zijn interne agent River inmiddels tot de helft van de pullrequests voor productiecode opstelt. CEO Tobi Lütke waarschuwde onlangs echter voor wat hij ‘slopgranaten’ noemt: door AI gegenereerd werk dat medewerkers doorsturen zonder het goed te controleren, waardoor iemand anders de uitvoer moet beoordelen, verbeteren of zelfs samenvatten.

Met andere woorden: meer AI-activiteit kan gemakkelijk tot meer werk leiden in plaats van meer waarde. Een bedrijf kan indrukwekkende gebruikscijfers en enorme hoeveelheden output hebben, terwijl een deel daarvan simpelweg weer een taak oplevert voor iemand anders.

Dit is wat CEO’s moeten veranderen. Prompts, aanmeldingen en tokenverbruik laten zien dat er volop activiteit is binnen de workflow. Maar ze laten niet zien of AI zichzelf daadwerkelijk terugverdient.

Snelheid leidt tot een nieuw knelpunt

Er is een gezegde: haastige spoed is zelden goed. Ik denk dat dit ook voor AI geldt, want we hebben geleerd dat mensen met AI ‘sneller’ laten werken niet per se betekent dat er ineens minder werk te doen is.

Bij de ontwikkeling kan ons team dankzij AI in dezelfde tijd aanzienlijk meer code produceren, maar het belangrijkste is dat al die code nog steeds moet worden gecontroleerd voordat die live gaat. Geautomatiseerde controle helpt zonder twijfel.

Toch is het nog lang niet iets waarop ik blindelings zou vertrouwen. Ontwikkelaars besteden dus minder tijd aan het zelf schrijven van alles, maar moeten nu veel meer output beoordelen, testen en er beslissingen over nemen.

Met andere woorden: het werk verdwijnt niet. Het duikt alleen in een andere vorm weer op.

Daardoor klinkt onze vervijfvoudiging van de ontwikkelsnelheid iets minder indrukwekkend, aangezien ook de hoeveelheid code die menselijke aandacht vereist toeneemt. De werkelijke kosten van een AI-ondersteunde workflow omvatten ook de tijd die wordt besteed aan het controleren van wat AI produceert en vooral aan de beslissing of die output überhaupt te vertrouwen is.

Een tweede uitrol is noodzakelijk

Vanuit mijn perspectief hebben bedrijven behoefte aan wat ik een ‘tweede’ AI-uitrol zou noemen.

De eerste uitrol draait vooral om adoptie: mensen toegang geven, toepassingen vinden en nagaan waar de technologie daadwerkelijk helpt en waar niet. Maar na enkele maanden van daadwerkelijk gebruik beschik je al over iets veel waardevollers dan aannames: eigen bewijs van waar de kosten stijgen, welke teams betere resultaten behalen en waar mensen te veel tijd besteden aan het controleren van AI-output.

Daarom denk ik dat dit het moment is om de regels rond AI opnieuw vorm te geven, in plaats van alleen maar op breder gebruik aan te dringen. In de praktijk zou ik me op drie dingen richten:

• Kies het model dat bij de taak past. Routinematige verzoeken kunnen worden doorgestuurd naar kleinere, goedkopere modellen, terwijl complexer werk terechtkomt bij modellen die de extra kosten rechtvaardigen. Het uiteindelijke doel is te voorkomen dat je de tarieven van grensverleggende modellen betaalt voor taken met weinig waarde.
• Bepaal waar menselijke controle verplicht is. Leg voor productiecode, juridische documenten en andere resultaten met grote impact vast op welke punten een mens het resultaat moet goedkeuren voordat het verdergaat in de workflow. Stel daarnaast toegangsregels op voor gevoelige gegevens, zodat medewerkers weten welke modellen die gegevens wel en niet mogen ontvangen.
• Stel een noodplan op, ook als je denkt dat je het niet nodig hebt. Als een kritieke workflow afhankelijk is van een externe aanbieder, documenteer dan de prompts, integraties, gegevensstromen en modelspecifieke afhankelijkheden zo grondig dat de workload in geval van nood naar een andere aanbieder kan worden overgezet.

Dat is het verschil tussen de eerste en de tweede AI-uitrol. Bij de eerste vraag je: waar kunnen we AI inzetten? Bij de tweede: waar moeten we AI inzetten, volgens welke regels en tegen welke kosten?

Controleer de uitrol voordat je die verder opschaalt

Als AI-adoptie goed werkt en de eerste uitrol succesvol lijkt, zou ik die niet nog een jaar op dezelfde manier blijven opschalen. Na ongeveer 90 tot 180 dagen daadwerkelijk gebruik zou ik pas op de plaats maken en controleren wat het bedrijf werkelijk heeft opgebouwd.

Dit betekent dat je meet welke bedrijfsresultaten daadwerkelijk zijn behaald, het model en de kosten ervan afstemt op de werkelijke waarde van de taak, vaststelt waar menselijke controle nog verplicht is en waar een workflow op de een of andere manier verder richting volledige automatisering kan worden gebracht.

De eerste uitrol bewijst dat AI het bedrijf sneller kan maken. De tweede zorgt ervoor dat die snelheid niet leidt tot onnodige uitgaven, ongecontroleerde toegang of afhankelijkheden van leveranciers waarmee het bedrijf nooit bewust heeft ingestemd.