We stoppen AI in organisaties die er niet voor gebouwd zijn

Waarom we opnieuw moeten nadenken over hoe we bedrijven organiseren en werk uitvoeren.

Er gebeurt iets interessants in het bedrijfsleven. We beschikken inmiddels over technologie die informatie kan verwerken, beslissingen kan voorbereiden, systemen kan aansturen en hele werkprocessen kan uitvoeren. Tegelijkertijd proberen we die technologie een plek te geven in organisaties die nog grotendeels functioneren zoals ze dat twintig jaar geleden deden.

We geven medewerkers toegang tot Claude en ChatGPT, automatiseren wat administratieve taken en bouwen hier en daar een AI-agent. Er wordt volop geëxperimenteerd, maar de verwachte productiviteitswinst laat in veel gevallen nog op zich wachten.

Dat verbaast me eigenlijk niet zo.

Kijk eens hoe het dagelijkse werk in veel organisaties verloopt. Een aanvraag gaat langs verschillende afdelingen, iemand controleert handmatig gegevens, een collega weet toevallig hoe een bepaalde uitzondering moet worden afgehandeld en ergens aan het einde van de maand wordt een rapport opgesteld om te kijken hoe alles is verlopen.

Dergelijke processen zijn in de loop der jaren ontstaan. Ze zijn aangepast, uitgebreid en soms onnodig ingewikkeld geworden. Vaak weet niemand meer precies waarom bepaalde stappen er eigenlijk zijn.

En daar zetten we nu AI bovenop.

Ik denk dat we daarmee een veel interessantere kans laten liggen. We kunnen de komst van AI gebruiken om opnieuw te kijken naar hoe we ons werk organiseren. En daarvoor kunnen we verrassend veel leren van de wereld van softwareontwikkeling.

Wat softwareontwikkelaars al jaren anders doen
De manier waarop we software ontwikkelen is de afgelopen twintig jaar enorm veranderd. Vroeger werd er maandenlang aan een systeem gewerkt, waarna het werd getest en opgeleverd.. Tegenwoordig werken veel softwareteams in korte cycli, met automatische tests, versiebeheer en voortdurende verbeteringen.
Als er iets misgaat, kunnen ontwikkelaars achterhalen wat er is veranderd. Ze kunnen een eerdere versie herstellen, problemen oplossen en verbeteringen gecontroleerd doorvoeren.
Dat vinden we inmiddels heel normaal.
Maar kijk eens hoe we de rest van een bedrijf organiseren.

Processen staan beschreven in documenten ergens op een gedeelde schijf. Besluiten verdwijnen in e-mailconversaties. Medewerkers hebben hun eigen spreadsheets en werkwijzen. En de mensen met het langste dienstverband, weten vaak als enigen hoe bepaalde zaken werkelijk geregeld zijn.

Daar zit ontzettend veel kennis en ervaring. Alleen hebben we die nauwelijks op een gestructureerde manier vastgelegd.

Zolang mensen al die losse schakels met elkaar verbinden, blijft het meestal wel draaien. Maar zodra we AI een grotere rol willen geven, lopen we tegen de beperkingen van werkwijze aan.

Een AI-agent heeft namelijk duidelijke instructies, toegang tot de juiste informatie en afspraken over verantwoordelijkheden nodig. En dan blijkt ineens hoeveel van onze processen eigenlijk nergens goed zijn vastgelegd.

Wat als we bedrijfsprocessen behandelenals software?
Bij WeAreBrain werken we aan een concept dat we Citizen SDLC noemen. SDLC staat voor Software Development Life Cycle, de manier waarop software wordt ontworpen, ontwikkeld, getest, uitgerold en verbeterd.

Het idee is simpel: pas diezelfde werkwijze toe op reguliere bedrijfsprocessen.

Neem bijvoorbeeld een inkoopproces.

In veel organisaties begint dat met een e-mail of aanvraagformulier. Vervolgens controleren verschillende medewerkers de gegevens, worden er goedkeuringen gevraagd en gaan documenten heen en weer. Sommige aanvragen verlopen volgens de regels, anderen vragen om een uitzondering.

De mensen die dagelijks met dat proces werken, weten meestal precies waar het vastloopt en welke stappen eigenlijk overbodig zijn.

Stel dat we al die kennis samenbrengen en het hele proces opnieuw beschrijven. We leggen vast wie waarvoor verantwoordelijk is, welke regels gelden, wanneer iemand moet ingrijpen en hoe we meten of het proces goed functioneert.

Vervolgens kunnen we wijzigingen bijhouden, verbeteringen testen en het proces stap voor stap aanpassen.

Precies zoals softwareteams dat al jaren doen.

Dat is op zichzelf al waardevol. Je krijgt meer inzicht in hoe je organisatie werkt en kunt veel gerichter verbeteren.

En zodra je die basis op orde hebt, wordt het ook een stuk eenvoudiger om AI op een verstandige manier in te zetten.

Software krijgt steeds meer verantwoordelijkheid
Er verandert ondertussen ook iets aan de software zelf.

De meeste bedrijfssoftware die we vandaag gebruiken, wacht tot iemand iets doet. Een medewerker opent een applicatie, vult gegevens in, klikt op een knop en het systeem voert de bijbehorende actie uit.

Met AI-agents wordt dat anders.

Een agent kan zelfstandig informatie verzamelen, verschillende systemen raadplegen, gegevens controleren en binnen afgesproken grenzen acties uitvoeren.

Dat biedt veel mogelijkheden. Denk aan een AI-agent die een inkoopaanvraag controleert, leveranciersgegevens vergelijkt, afwijkingen signaleert en de aanvraag klaarzet voor goedkeuring.

Maar het betekent ook dat we anders moeten nadenken over de ontwikkeling en het beheer van software.

Een fout antwoord in ChatGPT is meestal eenvoudig te herkennen en te corrigeren. Wanneer een AI-agent zelfstandig een bestelling plaatst, gegevens wijzigt of een betaling voorbereidt, kunnen de gevolgen een stuk groter zijn.

Daarom werken we bij WeAreBrain ook met een tweede concept: de AI Agent Lifecycle.

Daarbij kijken we naar de volledige levenscyclus van een AI-agent. Van het bepalen van taken en bevoegdheden tot het testen, inzetten, monitoren en continue optimalisatie ervan.

Welke bronnen mag een agent raadplegen? Welke besluiten mag hij zelfstandig nemen? Hoe borgen we de kwaliteit? En wat gebeurt er als het verkeerd gaat?

Dit zijn vragen die onderdeel worden van het dagelijkse beheer van AI-systemen. Net zoals we bij gewone software gewend zijn om prestaties, fouten en beveiliging voortdurend in de gaten te houden.

Business en IT zullen veel nauwer moeten samenwerken
Voor mij wordt het pas echt interessant wanneer je die twee ontwikkelingen samenbrengt.

Met Citizen SDLC structureer, beheer en optimaliseer je bedrijfsprocessen. Met de AI Agent Lifecycle zorg je dat de technologie die het werk uitvoert betrouwbaar blijft functioneren.

Het een kan eigenlijk niet zonder het ander.

Een goed gebouwde AI-agent heeft weinig waarde wanneer het onderliggende bedrijfsproces onnodig ingewikkeld of onduidelijk is. En een perfect beschreven proces levert weinig op als niemand het vervolgens kan uitvoeren of verbeteren.

In de praktijk betekent dit dat mensen uit de business en IT veel intensiever zullen samenwerken.

De medewerkers die dagelijks met een proces werken, begrijpen de regels, uitzonderingen en problemen. Engineers weten hoe ze die kennis kunnen vertalen naar systemen en automatisering. Samen kunnen ze een proces ontwikkelen dat voortdurend wordt gemeten en verbeterd.

Ik verwacht dat dit ook de rol van IT binnen organisaties hiermee gaat veranderen.

IT was lange tijd vooral verantwoordelijk voor de systemen die het bedrijf ondersteunen. Naarmate AI een grotere rol krijgt in de uitvoering van dagelijkse werkzaamheden, zal IT steeds meer betrokken raken bij de manier waarop het werk zelf georganiseerd is.

Dat heeft gevolgen voor de samenwerking tussen afdelingen, de verdeling van verantwoordelijkheden en vaardigheden die organisaties nodig hebben.

Een onderwerp voor de bestuurstafel
Discussies over AI blijven vaak steken in vergelijkingen tussen de nieuwste taalmodellen en tools. Begrijpelijk, want de techniek evolueert razendsnel. Maar de échte uitdagingen zijn organisatorisch van aard.

Wie draagt verantwoordelijkheid voor besluiten van een AI-agent? Hoe weten we of een geautomatiseerd proces daadwerkelijk beter presteert? Welke werkzaamheden willen we door mensen laten uitvoeren? En hoe zorgen we ervoor dat medewerkers kunnen ingrijpen wanneer dat nodig is?

Dat zijn vragen waar bestuurders, operationele managers en technologieteams samen een antwoord op moeten vinden.

We moeten ook anders naar de resultaten van AI gaan kijken.

Het aantal AI-agents dat een organisatie heeft gebouwd, zegt bijvoorbeeld weinig over de waarde die ermee wordt gecreëerd. Veel interessanter is de doorlooptijd van een proces, hoeveelheid fouten die worden gemaakt, hoeveel menselijke tussenkomst nodig is en kosten per afgeronde taak.

Daarmee wordt AI ook een stuk concreter. Je kunt meten wat werkt, waar verbeteringen nodig zijn en of verdere investeringen zinvol zijn.

Begin met één proces
Het klinkt misschien als een enorme verandering, maar ik denk dat organisaties hier vrij praktisch mee kunnen beginnen.

Kies één proces waar meerdere afdelingen bij betrokken zijn en waar veel handmatig werk plaatsvindt. Bijvoorbeeld het verwerken van inkoopaanvragen, het onboarden van klanten of het controleren van documenten.

Breng in kaart hoe het vandaag werkelijk werkt. Praat met de mensen die het dagelijks uitvoeren en kijk waar tijd verloren gaat, fouten ontstaan of verantwoordelijkheden onduidelijk zijn.

Beschrijf vervolgens het proces, inclusief alle regels en uitzonderingen. Bepaal welke onderdelen eenvoudiger kunnen en waar automatisering of AI daadwerkelijk kan helpen.
Bouw daar een eerste gecontroleerde toepassing voor en meet de resultaten.

Binnen negentig dagen zie je wat de werkwijze oplevert, waar de kinderziektes zitten en wat er nodig is om op te schalen. Zo ontwikkelt de organisatie een herbruikbare blauwdruk voor de volgende processen.

Een andere manier van werken
Ik denk dat we aan het begin staan van een interessante verandering in hoe bedrijven worden georganiseerd.

We hebben de afgelopen decennia geleerd hoe we steeds complexere software betrouwbaar kunnen ontwikkelen en onderhouden. Met AI krijgen we nu de mogelijkheid om diezelfde principes op veel meer onderdelen van onze bedrijfsvoering toe te passen.

Daarvoor moeten we onze processen beter begrijpen, verantwoordelijkheden duidelijker vastleggen en technologie en mensen veel nauwer laten samenwerken.

Dat zal in de praktijk best wat weerstand opleveren. Veel processen bestaan al jaren, afdelingen hebben hun eigen werkwijzen en veranderingen kosten tijd. Bovendien zullen we moeten accepteren dat sommige dingen die we altijd op een bepaalde manier hebben gedaan, inmiddels veel slimmer kunnen.

Maar juist daar zit volgens mij de kans.

Bedrijven die hun werk goed weten te organiseren, kunnen sneller verbeteren, makkelijker nieuwe technologie toepassen en beter inspelen op veranderingen.
En ik vermoed dat we over een paar jaar heel anders zullen kijken naar de manier waarop bedrijven vandaag zijn ingericht.

We hebben jarenlang onze software steeds slimmer gemaakt. Het wordt tijd dat we dezelfde aandacht besteden aan hoe onze bedrijven werken.