De vicieuze cirkel doorbreken: hoe organisaties doemdenken kunnen vermijden en succes kunnen behalen

Sinds het theoretische concept in de jaren 1950 heeft kunstmatige intelligentie (AI) de weg vrijgemaakt voor bedrijven om verbeterde kansen en productiviteit te ervaren door middel van diverse technieken, met name machine learning-systemen. Deze tools/technologieën hebben de voorspelling en besluitvorming verbeterd en de basis gelegd voor toekomstige technologische vooruitgang. De laatste tijd belooft generatieve AI alles wat we weten over werken op zijn kop te zetten en heeft het de AI-ervaring gedemocratiseerd. Gebruikers communiceren nu met AI-modellen zoals ChatGPT via "prompts", waarbij ze heen en weer interageren met een AI-model. Deze voordelen brengen echter ook een nieuwe uitdaging met zich mee: doomprompting. Dit is vergelijkbaar met eindeloos scrollen door online content, zonder een duidelijk doel, waardoor gebruikers vast komen te zitten in een konijnenhol. Bij AI praat het konijnenhol echter terug. Deze voortdurende verfijning van AI-prompts voor zowel generatieve als agentische modellen, gedreven door de ambitie om de perfecte output te bereiken (en soms door prompts zonder specifiek doel voor ogen), leidt tot hogere kosten en afnemende rendementen. Het vormt een grote hindernis voor succes en ondermijnt het doel van het gebruik van AI-technologie zelf.

Naarmate bedrijven hun budgetten voor AI verhogen, moeten besluitvormers inzicht krijgen in het traject naar een reëel rendement op hun investeringen en de waarde die deze genereren. Een rapport uit 2025 van IEEE, 'De verborgen kosten van AI: hoe kleine inefficiënties zich opstapelenDit laat zien hoe kleine aanpassingen kunnen uitgroeien tot aanzienlijke economische lasten. Om te voorkomen dat organisaties deel gaan uitmaken van deze kostbare strijd, moeten ze de training van hun medewerkers met behulp van LLM's verfijnen om het volledige potentieel van hun AI-investeringen te benutten.

Generatieve AI biedt de belofte van optimalisatie en efficiëntie. Wanneer teams echter vast komen te zitten in een cyclus van eindeloze verfijning (of doelloos ronddwalen), ondermijnt inefficiëntie dit fundament.

Het opruimen van de “werkplekafval”.

Een van de redenen waarom teams hun output voortdurend verfijnen om een ​​perfect antwoord te genereren, is 'workslop'. Workslop, voor het eerst beschreven in de Harvard Business Review, omvat 'door AI gegenereerde werkcontent die zich voordoet als goed werk, maar de inhoud mist om een ​​bepaalde taak daadwerkelijk vooruit te helpen'.

Deze door AI geproduceerde 'rommel' is de eerste dominosteen in een lange rij die de vicieuze cirkel van negatieve feedback in gang zet. Hoewel het belangrijk is om de ondermaatse content te verbeteren door middel van iteraties of bewerkingen, moet men begrijpen wanneer te stoppen, voordat het effect afneemt. Organisaties moeten hun tijdsinvestering in AI-training zorgvuldig afwegen. Enerzijds moeten teams zich bewust zijn van de vereiste kwaliteit; anderzijds moeten ze weten wanneer het te veel wordt. Het trainen van medewerkers in het slimmer gebruik van AI-modellen door middel van optimale feedback en duidelijke doelen is daarbij ook van groot belang.

Het inzetten van AI met behulp van agenten om doemscenario's te vermijden.

De afgelopen jaren hebben bedrijven hun interesse in en investeringen in agentische AI ​​aanzienlijk verhoogd. Deze technologie staat bekend om haar vermogen om de operationele efficiëntie te verbeteren. Agentische AI ​​kan complexe taken uitvoeren, samenwerken met meerdere agenten (waaronder RAG- en actieagenten) om de te volgen koers te bepalen en de taken autonoom uitvoeren om de gehele taak te voltooien.

Deze eigenschappen kunnen AI helpen om doomprompting te verminderen of zelfs helemaal te voorkomen. Hierdoor is het niet langer nodig om GenAI-interfaces via meerdere prompts te instrueren om een ​​taak te voltooien. Een voorbeeld hiervan is te vinden in AI-gestuurde IT-operations, of AIOps, die IT moderniseren door AI in dagelijkse taken te integreren. Traditioneel besteden teams hun tijd aan het handmatig aanpassen van systemen. Afdelingen in de 21e eeuw maken gebruik van AI om autonoom cruciale functies zoals probleemoplossing, incidentrespons en resourceallocatie af te handelen.

Een ander treffend voorbeeld is hoe AI-systemen met agenten een complex incident autonoom kunnen afhandelen. Deze agenten, in samenwerking met ITOps, zijn in staat het probleem contextueel te begrijpen, met redenerende agenten te overleggen om de te volgen procedure te bepalen, actieagenten in te zetten voor de laatste herstelwerkzaamheden aan IT-systemen en ten slotte lerende agenten in te zetten om de oplossing te begrijpen en deze effectiever toe te passen bij toekomstige incidenten.

De intelligente automatisering van Agentic AI zorgt voor minder menselijke interactie en voert taken autonoom uit. Om aan de veranderende zakelijke eisen te voldoen, moeten repetitieve taken en bewerkingen worden overgedragen aan autonome AI. Deze delegatie elimineert de cyclus van herhaaldelijk vragen en verfijnen die vaak tot negatieve feedback leidt. Autonome bewerkingen stellen AI-modellen in staat om continu te optimaliseren en te reageren op veranderende variabelen zonder handmatige tussenkomst, wat leidt tot snellere resultaten met minimale menselijke interventie.

Hoewel getrainde professionals nog steeds een essentiële rol zullen spelen in de dagelijkse werkzaamheden dankzij de menselijke tussenkomst, zal hun tijd beter worden benut voor het scannen en verifiëren van de resultaten. Deze aanpak minimaliseert het risico op fouten of overcorrecties.

De rol van governance bij het voorkomen van doemdenken.

In een recente McKinsey-enquête88% van de respondenten gaf aan AI in ten minste één bedrijfsfunctie te gebruiken. Dit was een stijging van 10% ten opzichte van 2024 en een verbazingwekkende toename van 33% sinds 2023. Voor Agentic AI was deze stijging zelfs nog groter: van slechts 33% in 2023 naar bijna 80% in 2025.

Deze wijdverbreide toepassing dwingt bedrijven ertoe nieuwe oplossingen te vinden voor doomprompting. Een van die oplossingen zijn robuuste governance-frameworks. Deze moeten zorgvuldig worden ontworpen om ervoor te zorgen dat AI-projecten in lijn blijven met de bedrijfsdoelstellingen en niet ten prooi vallen aan de eindeloze dans van optimalisatie. Bij het ontwikkelen van deze frameworks moeten teams rekening houden met:

• Richtlijnen opstellenDe datastromen van en naar AI-modellen worden steeds complexer. Om dit te vereenvoudigen, zouden AI-richtlijnen een raamwerk moeten creëren waarmee teams op een verantwoorde manier met data om kunnen gaan, beslissingen kunnen nemen en de output van AI-modellen kunnen beheren.
• Het trainen van de gebruikers: Een goede training in het gebruik van de juiste hulpmiddelen kan bijdragen aan optimale productiviteit.
• Gebruik van gespecialiseerde modellen: Industrie- en doelspecifieke AI-modellen zullen waarschijnlijk sneller contextuele en zinvolle resultaten opleveren.
• Het trainen van de AI-modellen: Het trainen van AI-modellen met branche-/taak-/organisatiespecifieke data (waar mogelijk) kan leiden tot minder werk en sneller betere resultaten.
• RegelontwikkelingHet opstellen en implementeren van een duidelijke set regels is essentieel voor het sturen van de ontwikkeling en implementatie van AI. Wanneer teams operationele grenzen vaststellen, zorgen ze ervoor dat de gebruikte systemen aansluiten bij de organisatiedoelen, ethische normen en wettelijke vereisten.

Hoewel de adoptie van AI-oplossingen toeneemt, is de governance dat niet. Volgens het PEX Industry Report 2025.minder dan de helft Een AI-governancebeleid is aanwezig. Slechts 25% was bezig met de implementatie ervan, en bijna een derde had geen enkel AI-governancebeleid. Deze kaders kunnen doorslaggevend zijn om bedrijven te helpen duidelijke grenzen te stellen aan wat acceptabele prestaties zijn.

Ontsnappen aan de Doomprompt-loop

Om te voorkomen dat bedrijven in een vicieuze cirkel van eindeloze optimalisatie terechtkomen, moeten ze AI-strategieën omarmen die resultaten boven perfectie stellen. Het gebruik van prompt-training, doelgerichte AI-modellen en modellen die getraind zijn op contextuele bedrijfsgegevens kan de noodzaak voor uitgebreide herhaalde optimalisatie verminderen. Bedrijven die gebruikmaken van agentische AI, autonome IT-processen en sterke governancekaders kunnen cruciale middelen herverdelen om hun bedrijfsdoelen te bereiken zonder vast te lopen in eindeloze optimalisatiecycli. Succes komt wanneer teams hun denkwijze verschuiven van constante verfijning naar gerichte uitvoering en meetbare resultaten.