Bijna iedereen heeft de neiging om met AI meteen groot te beginnen. Een uitgebreide AI-assistent voor de hele afdeling die klantvragen beantwoordt, rapportages schrijft, documenten controleert en ook nog even precies weet hoe alles intern is afgesproken. Snap ik. Als je tijd steekt in AI, wil je ook dat het meteen wat oplevert toch?
Maar juist daar gaat het vaak mis. Hoe groter de taak, hoe meer variabelen je tegelijk introduceert. Verschillende soorten input, uitzonderingen, interne afspraken, bronnen, gewenste output en gebruikers. Als het resultaat vervolgens tegenvalt, weet je eigenlijk niet waar het probleem zit. Ligt het aan de instructie? Aan de informatie die je AI meegeeft? Aan de gekozen tool? Aan ontbrekende kennis? Of was de taak zelf simpelweg niet duidelijk genoeg omschreven?
Begin met één taak die je goed kent
Een goede basis leg je daarom niet met één groot aan elkaar geknoopt systeem maar met met één scherp afgebakende taak.
Het liefst iets dat vaak terugkomt, want dan gaat het daadwerkelijk tijd opleveren. En kies vooral een taak waarvan je zelf goed kunt beoordelen of de uitkomst klopt. Bijvoorbeeld:
- losse inspectienotities omzetten in een eerste rapportage
- een klantvraag ordenen en benoemen welke informatie nog ontbreekt
- een tekst controleren op jargon en veelgebruikte termen
- een overleg vertalen naar besluiten en acties
- informatie uit een aantal vaste documenten volgens dezelfde structuur samenvatten
- een eerste controle uitvoeren op ontbrekende of afwijkende informatie.
Minder indrukwekkend misschien dan: “We bouwen een AI-assistent voor ons bedrijf.” Maar bij die ene duidelijke taak zie je wel precies wat er gebeurt.
Juist bij het testen ontdek je wat je nog niet had bedacht
Stel dat je AI losse inspectienotities laat omzetten naar een eerste rapportage. De eerste versie ziet er misschien prima uit. Totdat iemand zegt: “Ja, maar bij dit type inspectie moet dit onderdeel altijd apart worden benoemd.” Mooi. Dan heb je iets geleerd. Je past de instructie aan en probeert het opnieuw. Vervolgens blijkt dat collega’s hun notities allemaal net anders vastleggen. Ook relevante informatie. Misschien moet je eerst afspraken maken over de input voordat AI er betrouwbaar iets van kan maken.
Daar zit wat mij betreft een belangrijk deel van AI-implementatie: door een concrete taak uit te werken, maak je zichtbaar wat in je bestaande werkwijze nog impliciet, onduidelijk of inconsistent is.
Je ontdekt bijvoorbeeld:
- waar je instructie nog te vaag is
- welke kennis AI nodig heeft om de taak goed uit te voeren
- welke uitzonderingen er in de praktijk bestaan
- waar medewerkers verschillend werken
- welke controles altijd door een medewerker moeten worden uitgevoerd
- wanneer een uitkomst goed genoeg is om daadwerkelijk te gebruiken.
Daarmee bouw je veel meer op dan een goede instructie. Je ontwikkelt eigenlijk een werkwijze voor mens en AI.
Eerst betrouwbaar, daarna breder
Wil je uiteindelijk een AI-assistent bouwen die meerdere taken aankan, dan helpt het om eerst één onderdeel betrouwbaar te krijgen. Dit zie ik ook steeds terug in mijn AI-workshops. Hier begint het echte werk. Niet bij de tool en ook niet bij de langste of meest complexe prompt, maar bij haarscherp krijgen wat je precies wilt laten doen. Wat is de input? Wat moet AI daarmee doen? Wat moet er uitkomen? Aan welke eisen moet dat voldoen? Welke kennis is nodig? Wat mag AI zelf interpreteren en waar moet een mens controleren?
Als je daar goede antwoorden op hebt en dezelfde taak meerdere keren een bruikbaar resultaat oplevert, ontstaat er een basis waarop je verder kunt bouwen. Dan kun je bijvoorbeeld een tweede taak toevoegen. Extra kennis beschikbaar maken. Verschillende stappen met elkaar verbinden. Of uiteindelijk van een goed werkende werkwijze een gespecialiseerde AI-assistent maken. Dan schaal je dus niet op vanuit een ambitie, maar vanuit iets waarvan je al weet dat het werkt.
Klein beginnen betekent niet klein denken
Als je de AI-goeroes moet geloven, is AI inzetten simpel. Bouw een agent, automatiseer een proces en laat AI het werk doen. In de praktijk vraagt goed gebruik eerst huiswerk. Je moet weten welk probleem je oplost, hoe het werk nu wordt gedaan en wanneer een uitkomst daadwerkelijk goed is. Daarom zou ik niet beginnen met de vraag: “Welke AI-assistent kunnen we bouwen?” Maar met: “Welke terugkerende taak kunnen we zo scherp krijgen dat AI ons daar aantoonbaar bij helpt?”
Heb je die onder controle? Pak dan de volgende. Zo ontstaat uiteindelijk misschien precies die efficiënte AI-assistent die je vanaf het begin voor ogen had. Alleen is hij dan niet gebouwd op aannames, maar stap voor stap op jouw praktijk.
Wil je met je team verder dan losse prompts en AI echt bruikbaar maken in het dagelijkse werk?
In mijn AI-workshops werken we met concrete taken uit jullie eigen praktijk. Eerst scherp krijgen wat AI precies moet doen, daarna pas bouwen en uitbreiden.
