S07E42 - Grijs wordt goud: AI als antwoord op personeelstekort

In de nieuwste aflevering van AIToday Live staat het thema 'AI en productiviteit' centraal. De podcast bespreekt hoe organisaties met minder mensen hetzelfde of meer werk kunnen verzetten door de inzet van AI. Dit onderwerp is actueel vanwege de toenemende vergrijzing en krapper wordende arbeidsmarkt in Nederland.

De aflevering belicht de uitdagingen en valkuilen bij de implementatie van AI voor productiviteitsverbetering. Er wordt ingegaan op het gevaar van suboptimalisatie en het belang van een holistische benadering bij AI-projecten.

Aan de hand van praktijkvoorbeelden wordt geïllustreerd hoe de relatie tussen mens en machine verandert door AI. De podcast benadrukt het belang van menselijk draagvlak en strategische scherpte voor succesvolle AI-implementaties.

Onderwerpen

• Productiviteitsverbetering door AI
• Suboptimalisatie van processen
• De nieuwe werkrelatie tussen mens en machine
• Strategische scherpte en menselijk draagvlak
• AI als onderdeel van bedrijfsstrategie

Links

• Podcast: AIToday Live podcast
• Aflevering: S05E42 - Shorts - Hoe meet je succes van kunstmatige intelligentie
• Kaartspel: AI Game Changer - Generative AI editie

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:02,320 --> 00:00:04,840
Hoi, welkom bij een nieuwe aflevering van AIToday Live.

2
00:00:05,360 --> 00:00:11,460
Ik ben Joop Snijder en vandaag ga ik het hebben met jullie over een onderwerp dat vrijwel elk bedrijf in Nederland raakt.

3
00:00:12,140 --> 00:00:15,920
Hoe kunnen we met minder mensen hetzelfde of meer werk verzetten?

4
00:00:17,020 --> 00:00:21,400
We hebben te maken met vergrijzing en een arbeidsmarkt die steeds krapper wordt.

5
00:00:22,140 --> 00:00:27,120
En AI zou ons daarbij kunnen helpen, maar hoe zorg je ervoor dat dit dan ook echt lukt?

6
00:00:28,180 --> 00:00:33,240
Een van de grote beloftes van kunstmatige intelligentie is productiviteitsverbetering.

7
00:00:33,800 --> 00:00:37,200
We hebben het vaak over vergrijzing en wat er allemaal op ons afkomt.

8
00:00:37,880 --> 00:00:41,760
En als je deze dingen wil blijven doen, of zelfs meer met minder mensen,

9
00:00:42,780 --> 00:00:45,800
dan moet er gewoon productiviteitswinst gehaald worden.

10
00:00:47,180 --> 00:00:51,520
In mijn gesprekken met bedrijven zie ik dat AI deze belofte zeker kan inlossen.

11
00:00:51,820 --> 00:00:56,560
Maar alleen als je heel goed kijkt waar in het proces je deze technologie inzet.

12
00:00:57,380 --> 00:01:07,280
Want wat we vaak tegenkomen is dat er heel erg puntsgewijs wordt gekeken waar AI kan helpen en waar het een proces zou kunnen versnellen.

13
00:01:08,560 --> 00:01:14,600
Maar wat vaak vergeten wordt is dat dit subprocessen zijn in een veel groter geheel.

14
00:01:15,220 --> 00:01:23,600
En als je dat grotere geheel uiteindelijk niet in zijn geheel productiever maakt, ben je bezig met suboptimalisatie.

15
00:01:24,400 --> 00:01:26,640
Dat is toch echt zonde van je tijd, geld en energie.

16
00:01:28,620 --> 00:01:30,320
Laat me dit verduidelijken met een voorbeeld.

17
00:01:31,600 --> 00:01:38,300
Want wat er feitelijk gebeurt bij suboptimalisatie is dat je wachttijd creëert tussen verschillende processen.

18
00:01:38,900 --> 00:01:41,220
En die wachttijd wordt alleen maar langer.

19
00:01:41,680 --> 00:01:44,660
Klinkt misschien vreemd, maar blijft er even bij.

20
00:01:45,200 --> 00:01:50,380
Je maakt dus namelijk iets efficiënter, waardoor je eigenlijk de bottleneck alleen maar verplaatst.

21
00:01:50,450 --> 00:01:52,540
In plaats van dat je de bottleneck oplost.

22
00:01:53,280 --> 00:02:04,900
Stel je voor, je optimaliseert één specifiek onderdeel van je productieproces met AI, maar dit leidt alleen maar tot een hogere output die vervolgens moet wachten op het volgende proces in de keten.

23
00:02:05,370 --> 00:02:11,220
Je hebt dan misschien dat ene proces sneller gemaakt, maar de totale doorlooptijd blijft hetzelfde.

24
00:02:12,000 --> 00:02:13,680
In het slechtste geval wordt het zelfs langer.

25
00:02:14,890 --> 00:02:16,940
Dit zie je bijvoorbeeld bij planningsystemen.

26
00:02:16,980 --> 00:02:23,959
Ik was ooit betrokken bij een project van een leverancier van software die planningsoftware ontwikkelde voor kassencomplexen.

27
00:02:25,120 --> 00:02:29,580
Deze software zou planners ondersteunen bij het bepalen waar gewassen in kassen moesten staan.

28
00:02:30,280 --> 00:02:33,520
De belofte was dat AI dit veel beter zou kunnen plannen dan mensen.

29
00:02:34,540 --> 00:02:36,600
En puur technisch gezien klopte dat ook.

30
00:02:37,420 --> 00:02:43,960
Maar wat we onderschatten was de impliciete kennis en flexibiliteit die deze planners bezaten.

31
00:02:44,500 --> 00:02:56,520
In plaats van dat ze voor 100% zo'n kas vulden zoals het systeem zou doen, konden deze ervaren planners op sommige momenten wel 110% realiseren door slim gebruik te maken van bijvoorbeeld gangen of tijdelijke opslagruimtes.

32
00:02:57,180 --> 00:03:03,520
Ze, tussen aanhalingstekens, smokkelden met de regels op een manier die moeilijk in een algoritme te vangen was.

33
00:03:05,000 --> 00:03:10,560
Deze leverancier liep uiteindelijk vast op zoveel weerstand bij de afnemers dat ze gestopt zijn met het experiment.

34
00:03:11,940 --> 00:03:20,920
De adoptie werd simpelweg niet gevraagd in de markt, omdat de AI oplossing de volledige complexiteit en flexibiliteit van het menselijk oordeelsvermogen niet kon overnemen.

35
00:03:22,780 --> 00:03:34,420
Een ander aspect dat vaak vergeten wordt als we het hebben over de toepassing van AI, is hoeveel training en kennis er door medewerkers moet worden opgedaan om deze processen ook goed uit te voeren.

36
00:03:35,220 --> 00:03:38,980
Er ontstaat een wezenlijke verandering in hoe het werk eruit gaat zien.

37
00:03:39,480 --> 00:03:45,140
De eerste stap is vaak dat je hoopt dat wat je nu als mens doet door AI kan worden overgenomen.

38
00:03:45,940 --> 00:03:47,380
Zo werkt het natuurlijk niet.

39
00:03:48,200 --> 00:03:49,460
Die processen gaan veranderen.

40
00:03:49,760 --> 00:03:55,240
De mens moet meer naar de technologie komen of de technologie moet meer naar de mens toe.

41
00:03:56,140 --> 00:04:01,220
Maar het betekent dat mensen moeten leren omgaan met een hele andere manier van werken.

42
00:04:02,160 --> 00:04:08,059
Niels, de andere host van deze podcast, die vertelde me ooit eens enthousiast over een project

43
00:04:08,200 --> 00:04:11,040
dat hij in de praktijk heeft gezien bij een slachthuis.

44
00:04:11,640 --> 00:04:15,960
Daar stonden mensen aan de slachtlijn die visueel drie type varkens moesten herkennen.

45
00:04:16,980 --> 00:04:20,000
Het ging zoiets als om een zeug, beer en een borg.

46
00:04:20,260 --> 00:04:25,200
Het maakt op zich niet zo wel uit om te bepalen welke vervolgstappen er in het slachtproces moesten plaatsvinden.

47
00:04:26,060 --> 00:04:29,960
Ze hebben daar een AI-model geïmplementeerd dat hetzelfde deed met een camera.

48
00:04:30,800 --> 00:04:34,280
En wat Niels zo bijzonder vond was dat ze niet die persoon hebben vervangen.

49
00:04:34,600 --> 00:04:40,700
En in tegendeel, die medewerker is de validatie van het AI-model gaan doen en de bijsturing daarvan.

50
00:04:42,100 --> 00:04:46,220
Zijn jarenlange ervaring en kennis werd gecombineerd met de technologie.

51
00:04:46,960 --> 00:04:50,100
En Niels vertelde dat in eerste instantie het model nog niet zo goed was.

52
00:04:50,430 --> 00:04:57,020
Maar naarmate het model beter werd, zag hij de sprankeling in de ogen van die medewerker van wauw, dit kan met technologie.

53
00:04:57,780 --> 00:05:03,260
En vervolgens maakte die persoon zelf de stap naar, ja maar hoe kunnen we dit in het proces verder omarmen?

54
00:05:06,200 --> 00:05:07,700
we moeten wel rekening houden

55
00:05:08,000 --> 00:05:09,920
dat naast menselijk draagvlak

56
00:05:10,100 --> 00:05:12,080
ook strategische scherpte nodig is

57
00:05:12,180 --> 00:05:12,780
voor succes

58
00:05:13,240 --> 00:05:14,820
zo laat het voorbeeld van Niels zien

59
00:05:15,000 --> 00:05:17,500
hoe belangrijk het is om medewerkers vanaf het begin te betrekken

60
00:05:17,580 --> 00:05:19,060
bij AI implementaties

61
00:05:19,720 --> 00:05:21,520
maar helaas is deze betrokkenheid

62
00:05:21,580 --> 00:05:23,160
niet altijd vanzelfsprekend

63
00:05:23,720 --> 00:05:25,100
er zit vaak een groot verschil

64
00:05:25,260 --> 00:05:27,180
in de manier waarop verschillende lagen

65
00:05:27,180 --> 00:05:29,140
in de organisatie naar AI projecten kijken

66
00:05:29,800 --> 00:05:31,140
en wat we vaak zien

67
00:05:31,260 --> 00:05:33,300
is dat hoe hoger je in de

68
00:05:33,320 --> 00:05:38,060
organisatie komt, hoe makkelijker er eigenlijk wordt gedacht over die veranderende processen.

69
00:05:38,920 --> 00:05:42,400
Er wordt te weinig rekening gehouden met wat het voor de mensen betekent.

70
00:05:43,330 --> 00:05:46,200
Er wordt heel erg gekeken naar de oplossingen.

71
00:05:46,390 --> 00:05:50,440
En als er gekeken wordt naar risico's, dan zijn het ethische of juridische risico's.

72
00:05:51,660 --> 00:05:56,740
Maar toch wel heel weinig naar welk deel van het proces je eigenlijk hier helemaal mee omgooit.

73
00:05:57,740 --> 00:06:03,160
Daar is iets gezeten waar werd gesproken over geweldige productiviteitsverbeteringen.

74
00:06:03,660 --> 00:06:05,920
Zonder het te hebben over de mensen waar dit over ging.

75
00:06:07,500 --> 00:06:09,480
Gewoon een grote productiviteitsverbetering.

76
00:06:09,620 --> 00:06:11,160
Maar wat dat voor de mensen betekent.

77
00:06:11,300 --> 00:06:13,860
Of ze dat werk dan nog wel leuk vinden.

78
00:06:14,120 --> 00:06:15,680
Wat het betekent voor hun vaardigheden.

79
00:06:15,700 --> 00:06:16,580
Voor hun werkplezier.

80
00:06:17,140 --> 00:06:18,620
Daar werd gewoon niet over nagedacht.

81
00:06:19,640 --> 00:06:22,700
En voor hetzelfde geld heb je op papier een productiviteitswinst.

82
00:06:23,140 --> 00:06:25,000
Maar als mensen dat werk niet meer leuk vinden.

83
00:06:25,320 --> 00:06:26,500
Of veel fouten gaan maken.

84
00:06:27,020 --> 00:06:29,840
En dan ben je die hele winst misschien in één keer weer kwijt.

85
00:06:32,380 --> 00:06:37,020
Wat we nog veel zien bij bedrijven is dat ze AI aanvliegen als innovatie.

86
00:06:37,500 --> 00:06:41,100
Het is een coole nieuwe technologie en die moeten we gaan inzetten.

87
00:06:41,600 --> 00:06:42,900
Want wij moeten mee met de stroom.

88
00:06:43,840 --> 00:06:47,880
Maar het is veel belangrijker om duidelijke doelen te stellen en helder te hebben welke richting je op wilt.

89
00:06:48,800 --> 00:06:53,320
Als je dat namelijk combineert met goed change management, dan kom je waar je wezen wil.

90
00:06:53,760 --> 00:07:02,380
Als productiviteit echt een belangrijk onderdeel is, koppel je al je initiatieven eraan en toets je of ze bijdragen aan die productiviteit.

91
00:07:03,280 --> 00:07:07,520
En als je kwaliteitsverbetering wilt, maak je dus keuzes die die kwaliteitsverbetering ondersteunen.

92
00:07:07,520 --> 00:07:12,880
Maar goed, we hebben het hier over tegengaan van vergrijzing, dus het gaat natuurlijk vooral over productiviteit.

93
00:07:14,000 --> 00:07:16,960
Maar hoe weet je eigenlijk of je AI-initiatieven succesvol zijn?

94
00:07:17,700 --> 00:07:25,180
In aflevering 42 van seizoen 5 hebben we verschillende metrieken besproken die je kunt gebruiken om de impact van AI te meten.

95
00:07:25,780 --> 00:07:30,660
Denk aan ROI waarbij je de kosten van een AI oplossing vergelijkt met het financiële rendement.

96
00:07:31,350 --> 00:07:39,260
Maar goed, je hebt ook productiviteitsmetingen, klanttevredenheid, operationele efficiënties en allemaal belangrijke indicatoren die je kan gebruiken.

97
00:07:41,540 --> 00:07:48,080
Wat ik zou willen dat je onthoudt in deze aflevering, is dat je concrete meetbare doelstellingen moet hebben voordat je begint.

98
00:07:48,370 --> 00:07:53,200
Als je bijvoorbeeld zegt, we willen onze klantenservice verbeteren met een chatbot, dan is dat te vaag.

99
00:07:54,320 --> 00:07:58,520
Bepaal liever, we willen de gemiddelde afhandellingstijd met 20% verkorten.

100
00:07:59,110 --> 00:08:05,800
Of we willen het aantal queries dat zonder menselijke tussenkomst wordt opgelost verhogen naar 70%.

101
00:08:06,380 --> 00:08:10,500
Zo kun je achteraf objectief bepalen of je investering in een jaar geslaagd is.

102
00:08:12,220 --> 00:08:13,920
Dit vereist pijnlijke keuzes.

103
00:08:13,960 --> 00:08:18,020
Want op een gegeven moment worden de mogelijkheden van AI zo groot.

104
00:08:18,060 --> 00:08:19,920
Dat je denkt dat je het overal kunt inzetten.

105
00:08:20,980 --> 00:08:25,500
Maar je moet AI niet zien als IT-project of innovatie-project.

106
00:08:25,700 --> 00:08:27,800
Maar als onderdeel van je strategie.

107
00:08:28,940 --> 00:08:29,740
Hoe kan ik het meten?

108
00:08:29,800 --> 00:08:31,780
Hoe zorg ik dat de business case helder is?

109
00:08:32,740 --> 00:08:34,060
En waarom gaan we dit doen?

110
00:08:34,640 --> 00:08:35,960
Hoe gaan we de voortgang meten?

111
00:08:39,539 --> 00:08:44,920
Juist dit strategische perspectief op AI-implementatie brengt ons bij een belangrijk inzicht.

112
00:08:45,560 --> 00:08:48,840
Er bestaat namelijk geen one-size-fits-all aanpak.

113
00:08:49,580 --> 00:09:00,540
Zelfs als de technologische mogelijkheden hetzelfde zijn, zal de daadwerkelijke implementatie sterk moeten worden afgestemd op de specifieke bedrijfscultuur en de waarde die je hebt binnen je bedrijf.

114
00:09:01,440 --> 00:09:04,580
De toepassing van AI kan sterk verschillen per type bedrijf.

115
00:09:04,920 --> 00:09:09,560
Neem bijvoorbeeld een voedingsbedrijf dat wordt aangestuurd door buitenlandse private equity.

116
00:09:10,140 --> 00:09:12,880
Met een vrij kille cultuur gerichte productie.

117
00:09:13,460 --> 00:09:19,520
Daar zou je een heel andere AI oplossing kunnen toestaan dan bij een familiebedrijf met een warme cultuur.

118
00:09:20,000 --> 00:09:24,160
Waar je misschien besluit om de autonomie van je mensen niet aan te tasten.

119
00:09:25,160 --> 00:09:29,380
Het komt terug op je kernwaarden en de strategie van je organisatie.

120
00:09:29,940 --> 00:09:33,260
Er is heel veel mogelijk met AI, maar wil je het ook?

121
00:09:33,820 --> 00:09:35,880
Het begint bij wie je bent, wat je waarden zijn.

122
00:09:36,320 --> 00:09:41,300
Daar zit een afweging in hoe hard je de technologie inzet en wat het doet met je medewerkers.

123
00:09:42,079 --> 00:09:47,860
Het kan soms nadelig zijn voor een werkgeluk, maar daar moet je dan ook eerlijk in zijn, wat mij betreft.

124
00:09:48,960 --> 00:09:55,340
Uit mijn ervaring met AI-implementaties in verschillende sectoren komen drie succesfactoren naar voren.

125
00:09:55,720 --> 00:09:57,380
Ten eerste, ik begin met het waarom.

126
00:09:57,820 --> 00:09:59,780
Het klinkt simpel, maar het is cruciaal.

127
00:10:00,200 --> 00:10:02,240
Want waarom wil je met deze technologie aan de slag?

128
00:10:02,520 --> 00:10:03,420
Wat wil je bereiken?

129
00:10:03,960 --> 00:10:07,200
Als je die vraag niet kunt beantwoorden, wordt het gewoon een speeltuin.

130
00:10:07,540 --> 00:10:11,860
Leuk, je leert er iets van, maar je bereikt geen structurele verandering in je bedrijf.

131
00:10:12,380 --> 00:10:14,000
Ten tweede, maak keuzes.

132
00:10:14,540 --> 00:10:16,740
Veel bedrijven willen alles tegelijkertijd.

133
00:10:17,440 --> 00:10:20,380
Productiviteit, winst, kwaliteitsverbetering en omzetverhoging.

134
00:10:21,740 --> 00:10:22,280
Ja, wil ik ook.

135
00:10:22,400 --> 00:10:27,000
Maar als je daar geen keuzes in maakt, blijf je all over the place bezig.

136
00:10:27,220 --> 00:10:30,020
Dus kies waar je wilt beginnen en richt je daar volledig op.

137
00:10:30,520 --> 00:10:34,080
Ten derde, kijk naar het geheel en niet alleen naar de deelprocessen.

138
00:10:34,800 --> 00:10:37,420
Optimaliseer de hele keten en niet slechts een stukje ervan.

139
00:10:38,000 --> 00:10:40,900
Vergeet de mensen niet. Heb je je medewerkers in beeld?

140
00:10:41,360 --> 00:10:43,720
Weet je wat je met hen wil doen qua verandering en adoptie?

141
00:10:44,080 --> 00:10:44,640
Dat is belangrijk.

142
00:10:45,760 --> 00:10:47,740
Laten we terugkeren naar waar we mee begonnen.

143
00:10:48,100 --> 00:10:51,340
De vergrijzing en de beloften van productiviteitswinst.

144
00:10:52,180 --> 00:10:53,360
De uitdaging is helder.

145
00:10:53,800 --> 00:10:56,099
We krijgen te maken met een krimpende beroepsbevolking...

146
00:10:56,660 --> 00:10:59,000
terwijl de vraag naar producten en diensten niet afneemt.

147
00:11:00,160 --> 00:11:05,240
AI biedt een kans om deze kloof te overbruggen, maar alleen als we het slim en strategisch aanpakken.

148
00:11:07,020 --> 00:11:11,660
Org ervoor dat AI een versterking is van menselijke capaciteiten en niet slechts een vervanging.

149
00:11:12,660 --> 00:11:17,160
Kortom, betrek je mensen, kies je doelen bewust en veranker AI in je strategie.

150
00:11:17,720 --> 00:11:19,300
Dan kan AI echt het verschil maken.

151
00:11:19,340 --> 00:11:23,800
En bedenk, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past.

152
00:11:25,400 --> 00:11:28,340
Dank je wel weer voor het luisteren naar deze aflevering van AIToday Live.

153
00:11:29,200 --> 00:11:32,100
Vergeet je niet te abonneren via je favoriete podcast app.

154
00:11:32,360 --> 00:11:33,580
Dan mis je geen aflevering.

155
00:11:33,880 --> 00:11:34,600
Tot de volgende keer.

156
00:11:35,780 --> 00:12:03,800
[Muziek]