80 % van de ondernemings-AI projecten mislukt nog steeds... Dus wat zijn de sleutels tot succes? Hoe kunt u kunstmatige intelligentie afstemmen op uw strategische doelstellingen? Een AI-project tot een succes maken is niet iets dat je kunt improviseren: ontdek de concrete feedback van pionierende bedrijven. Een praktische kijk op hoe je van een AI-project een succes maakt.
Kunstmatige intelligentie belooft een revolutie: kostenoptimalisatie, klantpersonalisatie, ontwrichtende innovatie... Maar volgens verschillende onderzoeken (Gartner, RAND), 80 % van AI-projecten mislukken voordat ze hun volledige potentieel bereiken.
Hoe verklaar je deze kloof tussen belofte en realiteit? En vooral, hoe kun je een van de 20 succesvolle %'s worden? Ontdek aan de hand van concrete voorbeelden van Franse en internationale bedrijven hoe je AI kunt afstemmen op je strategische doelstellingen.
1. AI-fouten: 8 dodelijke valkuilen en hun oplossingen
Voordat we de wegen naar succes verkennen, is het cruciaal om te begrijpen waarom zoveel AI-projecten vastlopen of mislukken. Verschillende factoren dragen bij aan dit hoge mislukkingspercentage.
Val 1 : de mogelijkheden van AI overschatten
In 2024 moest McDonald's zijn project voor spraakopdrachten aan het stuur in zijn drive-throughs opgeven en de drie jaar durende samenwerking met IBM beëindigen. Het bedrijf had het vermogen van AI om zijn teamleden te vervangen bij het afhandelen van accenten en complexe verzoeken overschat.
AI beschouwen als een magische oplossing die alle problemen in één keer oplost, of de technische beperkingen negeren, kan leiden tot teleurstelling en mislukking.
Oplossing Schakel technische experts in om de haalbaarheid van AI-projecten te beoordelen en de grenzen van deze technologie te begrijpen. Kies voor een gefaseerde aanpak. Begin met proefprojecten om de resultaten te testen en te valideren voordat je overgaat tot grootschaligere implementaties..
Val 2 Onduidelijke doelstellingen en gebrek aan KPI's
70 % van de AI PoC's (Proof of Concept) wordt nooit in productie genomen. Dit komt vaak door een gebrek aan monitoring en prestatie-indicatoren (KPI's). Veel bedrijven beginnen aan AI zonder hun doelstellingen of KPI's duidelijk te definiëren.
Oplossing Voordat je de sprong waagt, is het cruciaal om AI-projecten af te stemmen op de strategische behoeften van het bedrijf. Definieer duidelijk de doelstellingen, use cases en KPI's om het succes van AI-initiatieven te meten. Bedrijven moeten zich richten op projecten die concurrentievoordeel opleveren in plaats van op kleine verbeteringen. Een Point of Delivery (POD)-benadering kan ook helpen omBeginnen met 2 of 3 modulaire eenheden om de haalbaarheid te testen voordat ze op grotere schaal worden ingezet.
Val 3 Gegevens van slechte kwaliteit
Een bedrijf als Philip Morris zag een verkoopanalyseproject mislukken vanwege incompatibele gegevens tussen verschillende regio's.
De effectiviteit van AI is sterk afhankelijk van de kwaliteit van de gegevens die worden gebruikt om de modellen te trainen. Slechte kwaliteit, onvolledige, bevooroordeelde of slecht beheerde gegevens kunnen leiden tot resultaten die onnauwkeurig zijn of niet aan de verwachtingen voldoen.
Oplossing Het is noodzakelijk om de volledigheid, nauwkeurigheid en relevantie van de gegevens te controleren. Er moeten ook processen worden ingevoerd om de gegevens te standaardiseren, bij te werken en vertekeningen te elimineren. De gouvernance des données et la gestion des accès sont aussi des points clés.
Val 4 hoge en onvoorspelbare kosten
FedEx gebruikt het Agentforce 2.0-platform van Salesforce om zijn activiteiten te stroomlijnen, maar wordt volgens experts geconfronteerd met "angstaanjagende" kosten volgens CIO Online, omdat deze AI-agent gebruikmaakt van op conversaties gebaseerde prijzen waarvan het rendement op investering onduidelijk blijft. Deze prijsbenadering per gesprek voor AI via agents vertegenwoordigt een nieuw kostenmodel dat voor bedrijven moeilijk te voorspellen is,
Volgens een rapport van RAND uit 2024 mislukt 26 % van de AI-projecten door budgettaire problemen. De kosten in verband metGeneratieve AIDeze kosten, vooral voor infrastructuur, modeltraining en energieverbruik, kunnen hoog zijn en moeilijk te voorspellen. Willekeurige prijsstelling door leveranciers kan projectbudgettering ook bemoeilijken.
Oplossingbedrijven moeten op gebruik gebaseerde prijsmodellen overwegen voor een betere zichtbaarheid en kostenbeheersing. Het is ook een goed idee om je te concentreren op basisgebruiksgevallen en een duidelijker inzicht te krijgen in je behoeften.SaaS-oplossingen gebruiken in plaats van modellen op maat te maken, vooral voor niet-technologische bedrijven. Het optimaliseren van de energiekosten is ook een belangrijke overweging.
Val 5 : de gebrek aan betrokkenheid van werknemers en weerstand tegen verandering
60 % van de werknemers vreest dat AI hun baan zal vervangen.
Het succes van AI hangt ook af van het vermogen van werknemers om het te omarmen. Weerstand, desinteresse of een ongeorganiseerde hectiek kunnen de inzet van AI in gevaar brengen.
Oplossing Het is belangrijk om werknemers bij het proces te betrekken, kennis te delen, angsten weg te nemen en gemeenschappelijke doelstellingen te definiëren. Het is essentieel dat onze teams worden getraind in en gewend raken aan AI. Initiatieven zoals "AI-cafés" of "AI-ambassadeurs" binnen elke afdeling kunnen de adoptie vergemakkelijken. Het is cruciaal om te laten zien hoe AI werknemers kan helpen tijd te besparen en zich te richten op taken met een hogere toegevoegde waarde.
Val 6 Het gebrek aan betrokkenheid van de business lines
Het MDPH van Landes is erin geslaagd de tijd die nodig is voor het verwerken van invaliditeitsdossiers te verkorten door de bedrijfsteams vanaf de ontwerpfase erbij te betrekken.
AI mag geen geïsoleerd initiatief van de IT-afdeling zijn.
Oplossing Samenwerking tussen IT- en bedrijfsteams is essentieel om behoeften te identificeren, use cases te definiëren en de adoptie van oplossingen te garanderen.
Val 7 : gebrek aan monitoring en actualisering van modellen
In februari 2024 werd Air Canada veroordeeld tot het compenseren van een klant na een chatbot onjuiste informatie over tarieven gaf. Het bedrijf probeerde zichzelf vrij te pleiten van verantwoordelijkheid, maar de rechtbank oordeelde dat het bedrijf geen "redelijke voorzorgsmaatregelen" had genomen om de juistheid van de antwoorden van zijn AI te controleren.
AI-modellen moeten voortdurend worden gecontroleerd om ervoor te zorgen dat ze niet afdrijven en effectief blijven.
Oplossing : test- en menselijke validatielussen opzetten om de doeltreffendheid van de modellen te beoordelen en ze voortdurend aan te passen. Surveiller la dérive (les modifications du contenu) pour détecter les baisses de qualité et les problèmes de biais, d’éthique et d’hallucination. La Société Générale utilise des boucles de validation humaine pour réduire les faux positifs de 50 % en détection de fraude.
Val 8 : geen rekening houden met de impact op vaardigheden
Volgens de Global AI Job Barometer 2024 van advies- en auditbureau PwC verwacht 69% van de bedrijfsleiders wereldwijd dat AI nieuwe vaardigheden van hun werknemers zal vergen. Bovendien evolueren de vereiste vaardigheden voor beroepen die aan AI zijn blootgesteld 25 % sneller dan voor banen die minder aan AI zijn blootgesteld.
AI kan bepaalde taken automatiseren, maar het is cruciaal om te investeren in de omscholing en bijscholing van werknemers, zodat ze zich kunnen aanpassen aan de nieuwe vereisten.
Oplossing Opleiding: bedrijven moeten toekomstige behoeften aan vaardigheden vaststellen en opleidingsplannen opstellen om de beroepsmobiliteit te ondersteunen. Decathlon heeft zijn teams opgeleid om retourzendingen van klanten te analyseren, waardoor het aantal teruggestuurde producten met 15 is gedaald %.
Succesverhalen: het succes van AI-projecten in bedrijven
Gelukkig zijn sommige bedrijven erin geslaagd om zichzelf aan hun laars te lappen en zijn ze rolmodellen geworden op het gebied van AI. Hier zijn een paar concrete voorbeelden en de lessen die we van hen kunnen leren.
| Bedrijf | Sector | Afdeling/Zakelijke lijn | AI-gebruiksgevallen | Impact |
|---|---|---|---|---|
| Société Générale | Bank | Naleving | AI voor het opsporen van fraude en het witwassen van geld | 50% vermindering van vals positieven in fraudedetectie |
| Oranje | Telecommunicatie | Onderhoud van het netwerk | Voorspellend onderhoud van netwerkapparatuur |
|
| Carrefour | Distributie | Marketing | Analyse van aankoopgegevens om promotionele aanbiedingen te personaliseren |
|
| Airbus | Ruimtevaart | Productie | Samenwerkende robots en AI voor assemblage |
|
| Capgemini | Raad | HR | AI voor werving en talentmanagement | 30% reductie in rekruteringstijd |
| Decathlon | Distributie | Productontwerp | AI voor het analyseren van feedback van klanten |
|
| Atos | IT-diensten | Klantenondersteuning | AI-chatbots voor technische ondersteuning |
|
| Bouygues | Bouw | Planning | AI voor complex projectbeheer |
|
Deze paar voorbeelden laten zien dat AI niet alleen de productiviteit verhoogt. Het helpt ook om de klanttevredenheid en het welzijn van werknemers te verbeteren (veiligheid, gezondheid, verminderde mentale werkdruk, meer dankbare taken, enz.)
Uiteindelijk zijn de toepassing van AI en het succes van AI-projecten niet alleen een kwestie van technologie. Het is in de eerste plaats een menselijk avontuur, dat een duidelijke visie, de betrokkenheid van alle spelers en voortdurende aanpassing vereist. Door inspiratie te halen uit succesverhalen en de valkuilen van mislukte experimenten te vermijden, kunt ook u van AI een nieuwe hefboom voor groei maken.
