In veel grote organisaties bestaan inmiddels meerdere AI-initiatieven naast elkaar. Pilots in operatie, experimenten in finance, copilots in IT, modellen bij een individuele businessunit, en losse tools die zijn binnengekomen via leveranciers. Het beeld op directieniveau is vaak dat er beweging is. Het beeld op uitvoerend niveau is vaak dat er weinig samenhang is.
Het probleem is zelden een gebrek aan technologie. Het probleem is fragmentatie, verspreid over meerdere lagen die elk hun eigen logica volgen en zelden in samenhang worden bestuurd.
01
Wat er in organisaties gebeurt
Fragmentatie ontstaat omdat AI in eerste instantie een innovatieonderwerp is, en pas later een operationeel onderwerp. Innovatie wordt op meerdere plekken tegelijk opgepakt. Operatie wordt centraal bestuurd. Tussen die twee bewegingen ontstaat ruimte voor parallelle initiatieven die elkaar niet kennen en niet hoeven te kennen, zolang er niets misgaat.
Wij zien fragmentatie consequent terugkomen op vijf lagen:
- Technologie. Verschillende modellen, leveranciers, vector stores, integraties en hostingkeuzes per team.
- Data. Dezelfde feiten op meerdere plekken, met verschillende definities, refresh-momenten en eigenaarschap.
- Processen. AI wordt gekoppeld aan taken, niet aan processen. De omgeving rond de taak blijft handmatig.
- Eigenaarschap. Wie verantwoordelijk is voor uitkomst, kwaliteit en onderhoud is per initiatief anders belegd.
- Besluitvorming. Vrijgave, escalatie en uitzonderingsbeheer verschillen per team en zijn zelden gedocumenteerd.
02
Waarom dit problematisch wordt
Zolang AI experimenteel is, is fragmentatie acceptabel. Zodra AI onderdeel wordt van de operatie, niet meer. Op dat moment komen de vijf lagen elkaar tegen: een model in proces A gebruikt data uit systeem B, dat onderhouden wordt door team C, met een vrijgaveproces dat alleen team D kent.
Het gevolg is operationeel en bestuurlijk. Operationeel: trage doorlooptijden, onverklaarbare uitkomsten, herwerk en stille workarounds. Bestuurlijk: een directie die niet kan aangeven welke AI waar wordt gebruikt, waar de risico's liggen en wie verantwoordelijk is voor wat het systeem produceert.
03
Waar Pientro op let
Wij beoordelen AI-initiatieven niet eerst op modelkeuze of leverancier, maar op de plek in de operatie. De vragen die wij stellen, zijn dezelfde die de organisatie zichzelf zou moeten stellen voordat een nieuw initiatief erbij komt.
- Welk proces wordt geraakt, en wie is daar eigenaar van.
- Welke data wordt gebruikt, en wie staat in voor de kwaliteit.
- Welke beslissingen worden geautomatiseerd, en welke niet.
- Welke vrijgavemomenten en uitzonderingen zijn voorzien.
- Hoe het initiatief past binnen wat er al draait.
04
Vragen die leiders moeten stellen
- Kunnen wij op één pagina laten zien waar AI in onze processen zit?
- Weten wij per initiatief wie verantwoordelijk is voor de uitkomst?
- Hanteren wij dezelfde definities voor data die door meerdere AI-systemen wordt gebruikt?
- Is duidelijk welke beslissingen menselijke beoordeling vragen, en waarom?
- Welke initiatieven kunnen worden samengebracht, en welke moeten worden gestopt?
Volgende stap
Wilt u dit binnen uw organisatie concreet maken?
De AI Operations Audit brengt processen, data, beslispunten en governance in kaart. Een gesprek is ook een goed beginpunt wanneer het vraagstuk nog niet scherp is.