Waarom we AI nog steeds behandelen alsof het software is

Het verschil dat we blijven overslaan

Bij klassieke software bepaal jij de regels. Als er iets fout gaat, is er een oorzaak en die is in principe vindbaar. Daar is onze hele manier van werken op gebouwd: specificaties, testen, acceptatie, beheer. Een model werkt anders. Het geeft het meest waarschijnlijke antwoord op basis van patronen. Twee keer dezelfde vraag kan twee verschillende antwoorden geven, en soms is het antwoord met veel zelfvertrouwen gewoon onjuist.

Dat is geen kinderziekte die er over twee jaar uit is. Het is de aard van het ding. En zodra je dat serieus neemt, verandert de vraag. Niet meer: hoe rollen we dit uit. Maar: welke taken in ons bedrijf zijn zodanig dat een goed antwoord veel oplevert en een fout antwoord niet fataal is?

Een nuttiger vergelijking

Behandel het niet als een systeem maar als een nieuwe medewerker met een bijzonder profiel. Onvoorstelbaar breed onderlegd, razendsnel, nooit moe, geen enkel gevoel voor de politiek in jouw bedrijf, geen besef van wat hij niet weet, en geen enkele consequentie als hij zich vergist.

Bij zo iemand vraag je niet naar een licentie. Je vraagt: welk werk geef ik hem, wie kijkt zijn werk na, waar mag hij zelf beslissen, en wat is het protocol als het misgaat. Dat zijn organisatievragen. Ze gaan over verantwoordelijkheid, controle en vertrouwen. Daarom stranden zoveel trajecten bij de IT-afdeling: die is uitstekend in systemen en gaat niet over hoe beslissingen in het bedrijf verdeeld zijn.

Waarom het in de praktijk vastloopt

Ik zie drie mechanismen vaker terugkomen dan technische problemen.

Het eerste is dat niemand eigenaar is van de fout. Als een mens een verkeerde inschatting maakt, weten we hoe dat werkt. Als het model het doet en een medewerker het doorgeeft, is de vraag wie verantwoordelijk is opeens onduidelijk. Mensen zijn niet gek: bij onduidelijke aansprakelijkheid gebruiken ze het ding voorzichtig of niet.

Het tweede is dat de winst bij de organisatie landt en de moeite bij het individu. Je vraagt iemand zijn manier van werken om te gooien, terwijl de tijdwinst in een rapportage van de directie verschijnt. Wie de prikkels niet regelt, krijgt geen adoptie. Dat is geen kwestie van houding of van training.

Het derde is dat wordt gemeten wat makkelijk is. Aantal gebruikers, aantal gesprekken, licenties in gebruik. Allemaal cijfers over activiteit. Zelden een cijfer over de kwaliteit van de beslissingen die er echt door veranderden.

Wat er gebeurt als je dit wel doordenkt

Als de kosten van denkwerk sterk dalen, verandert niet alleen je efficiëntie. Dan verandert wat rendabel is. Dingen die je nooit deed omdat ze te veel analyse of te veel maatwerk vroegen, komen binnen bereik. Dat is een strategische vraag, niet een productiviteitsvraag.

Wie AI als software behandelt, wordt iets sneller in het werk dat hij toch al deed. Dat is winst, en het is bescheiden. Wie het als een verschuiving in kosten behandelt, kijkt naar wat hij nu voor het eerst zou kunnen aanbieden. Dat verschil is de komende jaren waarschijnlijk groter dan het verschil tussen twee modellen.