Nu het stof van de eerste AI-storm een beetje is gaan liggen, kunnen we ontwaren wat AI kan gaan betekenen. Naast allerlei mooie, interessante en fascinerende resultaten uit de AI-laboratoria, komen er nu de eerste bedrijfsmatige AI-gebaseerde applicaties naar boven. Deze applicaties doen wat ze moeten doen op hun nauwe toepassingsgebied. De toepassing bestaat voornamelijk uit analysewerkzaamheden. Zoals het interpreteren van beelden, het intelligent zoeken en interpreteren van teksten, het vinden van patronen in cijfers. AI wordt succesvol toegepast bij het diagnosticeren aan de hand van medische scans, het interpreteren van sollicitatiebrieven en Cv’s en het opsporen van fraudeurs.

AI is de volgende stap in het mechaniseren van werk”

Wat bij al deze cases geldt, is dat er niet echt menselijke intelligentie in zijn volle breedte wordt nagebootst. Het zijn beperkte taken die geautomatiseerd worden. Ik zie AI als de volgende stap in het mechaniseren van werk. AI is niet zo ver dat we haar hele processen laten overnemen. IBM stelt expliciet dat AI mensen moet ondersteunen (zogenaamde ‘augmented intelligence’) en niet vervangen. Al is het verleidelijk om hele processen te automatiseren en dus veel efficiëntievoordelen te behalen.


De huidige AI is vooral gebaseerd op machine learning en big data. Zonder grote hoeveelheden data kan AI niet de patronen herkennen waarop zij haar interpretaties en voorspellingen baseert. Maar data gaan over het verleden. Daarop worden de analyses gebaseerd. En resultaten uit het verleden geven dan garanties voor de toekomst. Vooral als het gaat om het afhandelen van uitzonderingen. Want die komen te weinig voor in de dataset. Dit betekent dat we vooral AI kunnen inzetten waar we eigenlijk geen creativiteit of improvisatie willen zien. Maar dat betekent ook dat AI niet zo goed in staat is nieuwe ontwikkelingen in een vroeg stadium te ontdekken. En het is moeilijk AI iets nieuws te leren als we bijvoorbeeld nieuwe innovatieve processen willen gaan gebruiken. Het kan zijn dat we het leertraject van AI opnieuw moeten gaan doen.

“Het leren van AI-systemen duurt lang”

En daar zit dan ook de crux. AI is niet moeilijk vanwege de technologie. AI-algoritmes zijn vrij verkrijgbaar. Maar het leren van AI-systemen duurt bijna menselijk lang. Niet omdat computers langzaam leren, maar omdat we als mensen wel eerst het ‘lespakket’ moeten samenstellen. En dit pakket bestaat bij wijze van spreken niet uit een paar voorbeeldboeken, maar uit een bibliotheek met boeken, die wel eerst allemaal beoordeeld moeten worden op hun geschiktheid. (…) Ook de inpassing van AI-systemen in de bedrijfsprocessen vergt de nodige aandacht, maar dat geldt voor iedere nieuwe technologie.


Maar waar kunnen we AI het beste inzetten? Het beste is om het simpel te houden. Wie hoge verwachtingen wil waarmaken, zal veel inspanningen moeten verrichten. En deze inspanningen moeten wel terugverdiend worden. Veel businesscases rondom AI-projecten zijn moeilijk, omdat de investeringen niet terugverdiend kunnen worden. Ze blijven steken in de laboratoriumfase en dat is zonde. Hoe komt dat? Veel proefprojecten gaan over technisch en functioneel interessante toepassingen. Maar deze toepassingen hebben voor het bedrijf weinig meerwaarde in economische zin.

“Er bestaan veel mythes over machine learning en AI

Wie aan de toepassing van AI begint, moet eerst een duidelijk beeld hebben van de meerwaarde – of eigenlijk klantwaarde – van het systeem. Wie denkt met AI de kip met de gouden eieren te kunnen kopen, komt van een koude kermis thuis. Er zijn zo veel mythes rondom machine learning en AI, dat je je eerst goed moet oriënteren wat dat allemaal inhoudt. Naast kennis van AI is vooral kennis van de eigen processen nodig. Want dan pas weet je waar je Artificiële Intelligentie het beste kunt toepassen.

Deze blog post is eerder gepubliceerd op de AG Connect-blog geplaatst.


Artificial Intelligence is based on machine learning and big data. Learn how AI can add value to your business processes.

Although many software packages with built-in artificial intelligence (AI) are readily available on the market today, a specific customer solution still requires a lot of traditional handicraft. However, these specific systems allow AI to actually be used for those business processes in which they drive the most benefit. The question is: which business processes are the most suitable for applying AI?

AI is not that smart, but it is very fast

Now that the dust from the current AI storm has settled somewhat, we can see what its importance will really be. In addition to all those beautiful, interesting, and fascinating results to emerge from AI laboratories, the first commercial applications are beginning to emerge. These applications may have a narrow field of application, but they do perform quite well. They primarily conduct data analysis and pattern recognition, for example interpreting images and text, finding patterns in figures, and running intelligent searches. AI successfully diagnoses medical scans, interprets application letters and CVs, and tracks down fraudsters.

The value of these applications lies mAInly in the fact that computers can do things faster than humans. Whether AI really does the job better is still the question, although AI is less likely to overlook things the way people sometimes do. The general trend is for AI to replace boring and repetitive human work. Examples are: reading thousands of pages of police reports in search of cold cases, interpreting medical scans, and predicting customer behavior at retailers.

“The information society resulted in the mechanization of information processing. By using machines (computers) a lot of manual paperwork will be taken out of your hands.” Floriaan Hornaar

What applies to all these cases is that real human intelligence is not imitated in its full breadth. Only limited tasks are automated. I see AI as the next step in mechanizing work. AI is not advanced enough to take over entire processes. IBM explicitly states that AI must support people (augmented intelligence) and not replace them, although it is tempting to automate entire processes to gain the most efficiency benefits.

AI is conservative

Currently, AI is mAInly based on machine learning and big data. Without large amounts of data, it cannot recognize the patterns on which to base its interpretations and predictions. But data is about the past – the analyses are based on the past – and past results cannot provide guarantees for the future (especially when it comes to exceptions) because exceptions do not occur enough in the dataset. This implies that we can use AI mAInly in those processes in which we do not want to see creativity or improvisation. It also implies that AI is not that good at discovering new trends and developments early on. Moreover, it is difficult to teach AI something new if, for example, we want to use new and innovative processes. We may have to repeat the learning trajectory of AI all over again.

“Many conventional AI systems are merely machine learning, or neural networks, or deep learning. They’re good at handling large sets of data but lack situational awareness or the ability to navigate around missing or incomplete data. They get stuck.” AJ Abdallat (CEO of Beyond Limits)

And herein lies the crux of the matter. AI is not difficult because of the technology; AI algorithms are freely avAIlable. But trAIning AI systems takes almost as long as teaching humans. This is true not because computers learn slowly, but because we first have to compile the “educational package” for the computer. And this package consists not of a few sample books, but of a whole library that must first be checked for suitability. Integrating AI systems into the business processes also requires attention, but that’s the case for every new technology.

AI must have added value

Where can we best use AI today? The best thing is to keep it simple. The investments in implementing AI must be earned back. The higher the investment, the more difficult it is to guarantee a decent return. Many business cases around AI projects are difficult because the investments cannot be recouped. They remain in the laboratory phase and that is a pity. How does this happen? Many pilot projects involve technically and functionally interesting applications, but these applications have little added economic value. For example: how much money can you save if you apply AI in recruitment and selection? At most, you can save a few FTEs. That doesn’t amount to a decent ROI for your AI project. But didn’t we just say that AI will support people and not replace them?

“Machine learning is cool, but it requires data. Theoretically, you can take data from a different problem and then tweak the model for a new product, but this will likely underperform basic heuristics. If you think that machine learning will give you a 100% boost, then a heuristic will get you 50% of the way there.” Martin Zinkevich (Google)

The solution can be found in two areas. The first involves applying AI to new, innovative activities – things that your organization does not do now, activities that cannot happen without AI. This sounds very exciting, but, as any innovation project, it is also ridden with risks. In some sense, you could consider yourself lucky if you find a promising innovation with AI is the core of the solution.

The solution can also be found by applying AI to the primary bulk processes, such as medical diagnoses, claims handling, or fraud detection. AI does not have to be all that efficient because frequent small savings add up to fairly large amounts. Tom Rickert, partner at Next World Capital, claims that AI, used as a tool, can realize an efficiency improvement of two to five for the process step where the AI is applied. (When fully automating gains up to hundred times can be achieved.) In our case for tooling, AI becomes interesting only when it is used frequently – so basically, only within the primary processes of an organization.

After all, starting with the application of AI we must first have a clear picture of the added value – or actually customer value – of the system we want to create. Anyone who thinks they can buy the golden AI goose may be in for some very unpleasant surprises. There are so many myths surrounding machine learning and AI, you first have to study carefully what AI really is and know your own processes. Only then will you know where you can best apply AI for the best results – with the greatest value for your customers.

This blog post has been previously posted on Capgemini blog site.

Photo Public Domain via PxHere