1
00:00:00,980 --> 00:00:05,900
Welkom bij AIToday Live, waar we kunstmatige intelligentie begrijpbaar maken voor iedereen.
2
00:00:05,900 --> 00:00:09,920
Deze aflevering is een beetje anders dan je van ons gewend bent.
3
00:00:09,920 --> 00:00:15,880
Door een ernstige longontsteking ben ik, Joop, helaas mijn stem kwijt.
4
00:00:15,880 --> 00:00:21,060
Maar zoals je weet, laten we ons bij deze podcast niet zomaar tegenhouden.
5
00:00:21,060 --> 00:00:27,360
Daarom gebruik ik vandaag een kopie van mijn stem gemaakt met ElevenLabs,
6
00:00:27,640 --> 00:00:35,120
zodat we je ook nu kunnen blijven voorzien van inspirerende inzichten en praktische kennis over kunstmatige intelligentie.
7
00:00:35,120 --> 00:00:36,020
Laten we beginnen.
8
00:00:36,020 --> 00:00:41,020
Vandaag start ik een speciale driedelige serie over leiderschap in AI transformaties.
9
00:00:41,020 --> 00:00:44,100
Deze serie is niet zomaar uit de lucht komen vallen.
10
00:00:44,100 --> 00:00:49,600
We hebben recent een groot marktonderzoek gedaan onder 414 Nederlandse organisaties
11
00:00:49,600 --> 00:00:53,360
om te zien hoe ver we als land eigenlijk zijn met AI adoptie.
12
00:00:53,680 --> 00:00:57,860
En de resultaten zijn, op zijn zachtst gezegd, ontnuchterend.
13
00:00:57,860 --> 00:01:04,840
Slechts 3% van de Nederlandse organisaties heeft AI volledig geïntegreerd in hun bedrijfsprocessen.
14
00:01:04,840 --> 00:01:11,040
Nog schokkender, 60% heeft helemaal geen duidelijke strategie voor het gebruik van AI.
15
00:01:11,040 --> 00:01:13,840
En weet je wat het meest opvallende was?
16
00:01:14,380 --> 00:01:18,920
De grootste uitdagingen blijken niet technisch van aard.
17
00:01:18,920 --> 00:01:22,780
Het zijn geen problemen met algoritmes of computerkracht.
18
00:01:22,780 --> 00:01:28,380
Nee, het gaat om leiderschap, visie en organisatieverandering.
19
00:01:28,380 --> 00:01:33,200
Het onderzoek laat zien dat een derde van de organisaties nog in de verkennende fase zit.
20
00:01:34,160 --> 00:01:38,840
Ze experimenteren wat, ze kijken rond, maar er is geen concrete richting.
21
00:01:38,840 --> 00:01:41,780
En dat is precies waarom ik deze serie maak.
22
00:01:41,780 --> 00:01:47,760
Want AI is fundamenteel anders dan eerdere technologische innovaties.
23
00:01:47,760 --> 00:01:54,480
Het is als het verschil tussen het aanleggen van een spoorlijn en het uitvinden van elektriciteit.
24
00:01:54,480 --> 00:01:57,780
Een spoorlijn is een duidelijk project.
25
00:01:58,580 --> 00:02:02,560
Je weet waar je begint, waar je eindigt en wat er tussenin moet gebeuren.
26
00:02:02,560 --> 00:02:04,440
Maar elektriciteit?
27
00:02:04,440 --> 00:02:06,360
Dat veranderde alles.
28
00:02:06,360 --> 00:02:08,580
Van hoe we werken tot hoe we leven.
29
00:02:08,580 --> 00:02:11,780
En dat is precies wat er nu met AI gebeurt.
30
00:02:11,780 --> 00:02:16,160
Nu we de stand van zaken kennen, laten we kijken naar drie cruciale aspecten
31
00:02:16,160 --> 00:02:20,440
die het verschil maken tussen succes en falen bij AI-implementatie.
32
00:02:20,440 --> 00:02:26,420
Laat me je meenemen in deze drie essentiële aspecten die ik in mijn werk steeds weer tegenkom.
33
00:02:27,060 --> 00:02:32,820
Ten eerste het verschil tussen een AI-project en een AI-transformatie.
34
00:02:32,820 --> 00:02:37,020
Veel organisaties beginnen met een AI-project.
35
00:02:37,020 --> 00:02:40,500
Ze willen bijvoorbeeld hun klantenservice verbeteren met een chatbot.
36
00:02:40,500 --> 00:02:48,520
Prima start, maar wat ik vaak zie is dat ze het behandelen als een geïsoleerd technisch project.
37
00:02:48,520 --> 00:02:53,200
Ze geven het aan de IT-afdeling en denken regel het maar.
38
00:02:53,200 --> 00:02:55,040
Maar dan gebeurt er iets interessants.
39
00:02:55,400 --> 00:02:57,140
Die chatbot gaat vragen beantwoorden.
40
00:02:57,140 --> 00:03:02,160
En opeens realiseert de marketing-afdeling zich dat ze toegang hebben tot nieuwe klantinzichten.
41
00:03:02,160 --> 00:03:07,460
De sales-afdeling ziet patronen in klantvragen die ze kunnen gebruiken.
42
00:03:07,460 --> 00:03:13,020
De HR-afdeling denkt, kunnen we dit ook niet gebruiken voor interne ondersteuning?
43
00:03:13,880 --> 00:03:19,780
Voor je het weet raakt je simpele chatbot project aan alle aspecten van je organisatie.
44
00:03:19,780 --> 00:03:28,680
Waar het eerste aspect draait om de scoop van AI-projecten, raakt het tweede aspect de kern van elke organisatie.
45
00:03:28,680 --> 00:03:31,740
De menselijke kant en het cultuur aspect.
46
00:03:32,580 --> 00:03:37,440
Hier werd ik recent hard mee geconfronteerd tijdens een workshop bij een grote onderneming.
47
00:03:37,440 --> 00:03:46,480
Ze hadden een prachtig plan ontwikkeld om AI in te zetten voor kwaliteitscontroles.
48
00:03:47,040 --> 00:03:48,460
De business case was helder.
49
00:03:48,460 --> 00:03:51,520
Het zou sneller gaan, efficiënter zijn en kosten besparen.
50
00:03:51,520 --> 00:03:58,940
Maar het meest ingrijpende aspect was dat de kwaliteitscontroleurs niet meer op locatie hoefden te werken.
51
00:03:58,940 --> 00:04:04,120
Ze zouden voortaan vanachter een bureau de AI-systemen monitoren.
52
00:04:04,780 --> 00:04:08,200
Van een fysieke, praktische baan in het veld naar een kantoorfunctie.
53
00:04:08,200 --> 00:04:14,640
Toen ik vroeg hoe de controleurs hier tegenover stonden, viel er een lange stilte.
54
00:04:14,640 --> 00:04:18,400
Het bleek dat niemand het hen had gevraagd.
55
00:04:18,400 --> 00:04:20,500
Niet één persoon.
56
00:04:20,500 --> 00:04:23,300
Er zat een hele groep slimme mensen bij elkaar.
57
00:04:23,300 --> 00:04:26,220
Managers, IT-specialisten, consultants.
58
00:04:26,220 --> 00:04:31,720
Maar niemand had bedacht om de mensen wiens werk compleet zou veranderen erbij te betrekken.
59
00:04:32,280 --> 00:04:36,160
En dan vragen we ons af waarom AI-projecten vaak mislukken.
60
00:04:36,160 --> 00:04:39,340
Dit sluit precies aan bij wat we in ons onderzoek zien.
61
00:04:39,340 --> 00:04:44,480
13% van de organisaties worstelt met verandermanagement en adoptie.
62
00:04:44,480 --> 00:04:51,840
En dat percentage is waarschijnlijk nog veel hoger omdat veel organisaties deze uitdaging pas zien als het al te laat is.
63
00:04:51,840 --> 00:04:56,760
Wat hier miste was leiderschap dat verder keek dan de technologie.
64
00:04:56,760 --> 00:05:01,960
Leiderschap dat begrijpt dat je mensen moet meenemen in de verandering.
65
00:05:01,960 --> 00:05:12,560
Want hoe goed je AI-systeem ook is, als de mensen die ermee moeten werken zich gepasseerd voelen, heb je bij voorbaat al verloren.
66
00:05:12,560 --> 00:05:17,600
Deze culturele impact brengt ons bij het derde cruciale aspect.
67
00:05:17,600 --> 00:05:20,880
De rol van visie en timing.
68
00:05:22,200 --> 00:05:24,240
En hier moet ik een hardnekkige mythe ontkrachten.
69
00:05:24,240 --> 00:05:31,740
Vaak hoor ik leiders zeggen, we moeten eerst al onze data op orde hebben voordat we met AI kunnen beginnen.
70
00:05:31,740 --> 00:05:34,900
Dat klinkt logisch, maar het is een valkuil.
71
00:05:34,900 --> 00:05:41,000
Het is als zeggen dat je pas gaat koken als je een perfect uitgeruste sterrenkeuken hebt.
72
00:05:41,000 --> 00:05:42,580
De realiteit is anders.
73
00:05:42,960 --> 00:05:45,920
Je begint met een experiment, een eerste toepassing.
74
00:05:45,920 --> 00:05:51,440
En juist dat experiment brengt de echte strategische vraagstukken naar boven.
75
00:05:51,440 --> 00:05:58,820
Uit ons onderzoek blijkt dat slechts één op de tien organisaties een gedocumenteerd ethisch kader heeft voor AI-gebruik.
76
00:05:59,420 --> 00:06:04,040
Maar weet je wanneer organisaties meestal beseffen dat ze zo'n kader nodig hebben?
77
00:06:04,040 --> 00:06:05,680
Precies.
78
00:06:05,680 --> 00:06:10,640
Als ze midden in hun eerste AI-project zitten en tegen ethische dilemma's aanlopen.
79
00:06:10,640 --> 00:06:13,500
Het is als het ontdekken van een nieuwe stad.
80
00:06:13,500 --> 00:06:22,240
Je kunt eindeloos kaarten bestuderen, maar pas als je er rondloopt, ontdek je waar de echte uitdagingen liggen.
81
00:06:22,240 --> 00:06:24,380
Welke data mis je nog?
82
00:06:24,380 --> 00:06:27,860
Welke ethische grenzen wil je als organisatie hanteren?
83
00:06:28,320 --> 00:06:30,440
Waar wil je over vijf jaar staan?
84
00:06:30,440 --> 00:06:31,900
En hoe past AI?
85
00:06:31,900 --> 00:06:33,200
In dat plaatje.
86
00:06:33,200 --> 00:06:35,620
Welke risico's ben je bereid te nemen?
87
00:06:35,620 --> 00:06:39,060
Dit zijn geen vragen die je vanaf de zijlijn kunt beantwoorden.
88
00:06:39,060 --> 00:06:45,360
Ons onderzoek laat zien dat 23% van de organisaties worstelt met datakwaliteit.
89
00:06:45,360 --> 00:06:51,200
Maar interessant genoeg zien we ook dat organisaties die al experimenteren met AI,
90
00:06:51,200 --> 00:06:56,500
veel beter weten welke data ze missen en waarom die data waardevol is.
91
00:06:57,100 --> 00:07:00,080
Ze hebben een concreet doel voor ogen.
92
00:07:00,080 --> 00:07:07,080
Dit brengt me bij drie essentiële verantwoordelijkheden voor leiders in AI transformatie.
93
00:07:07,080 --> 00:07:10,820
De eerste is het creëren van een lerende organisatie.
94
00:07:11,480 --> 00:07:21,360
Uit ons onderzoek blijkt dat 24% van de bedrijven investeert in training en bewustwordingsprogramma's voor medewerkers over veilig AI gebruik.
95
00:07:21,360 --> 00:07:22,720
Maar let op.
96
00:07:22,720 --> 00:07:25,160
Het gaat niet alleen om veiligheid.
97
00:07:25,200 --> 00:07:36,180
Het gaat om het creëren van een cultuur waarin mensen durven te experimenteren, fouten mogen maken en vooral hun zorgen kunnen delen.
98
00:07:36,180 --> 00:07:39,920
De tweede verantwoordelijkheid is het bewaken van ethische grenzen.
99
00:07:40,120 --> 00:07:50,340
In ons onderzoek geeft 29% van de organisaties aan dat privacy en ethische overwegingen hun grootste uitdaging vormen bij AI implementatie.
100
00:07:50,340 --> 00:07:53,540
Als leider moet je hier proactief mee aan de slag.
101
00:07:53,540 --> 00:07:55,860
Wacht niet tot er problemen ontstaan.
102
00:07:55,860 --> 00:07:59,380
De derde verantwoordelijkheid is het verbinden van verschillende werelden.
103
00:08:00,040 --> 00:08:08,240
Ons onderzoek laat zien dat bij 32% van de organisaties de verantwoordelijkheid voor AI bij één specifieke afdeling ligt.
104
00:08:08,240 --> 00:08:09,180
Meestal IT.
105
00:08:09,180 --> 00:08:12,380
Dat is een recept voor mislukking.
106
00:08:12,380 --> 00:08:17,120
AI moet een gezamenlijke verantwoordelijkheid zijn.
107
00:08:17,120 --> 00:08:19,540
Gedragen door de hele organisatie.
108
00:08:19,540 --> 00:08:21,420
Wat betekent dit concreet?
109
00:08:21,420 --> 00:08:28,180
In ons onderzoek zien we dat organisaties die AI succesvol implementeren drie dingen gemeen hebben.
110
00:08:28,640 --> 00:08:33,760
Ze investeren in kennisdeling over afdelingen heen.
111
00:08:33,760 --> 00:08:36,600
Ze betrekken medewerkers vroeg in het proces.
112
00:08:36,600 --> 00:08:42,240
En misschien wel het belangrijkste, ze durven te beginnen voordat alles perfect is.
113
00:08:42,240 --> 00:08:45,180
Als je na deze aflevering één ding wil doen.
114
00:08:45,180 --> 00:08:47,260
Begin klein, maar begin wel.
115
00:08:47,260 --> 00:08:49,060
Kijk naar je eigen organisatie.
116
00:08:49,060 --> 00:08:52,280
Waar zou AI waarden kunnen toevoegen?
117
00:08:52,280 --> 00:08:58,320
Start een gesprek, niet alleen met je IT afdeling, maar juist met de mensen die het dagelijkse werk doen.
118
00:08:58,320 --> 00:09:03,440
Want zoals ons onderzoek laat zien, de technologie is meestal niet het probleem.
119
00:09:03,440 --> 00:09:05,380
Het gaat om de menselijke kant.
120
00:09:05,380 --> 00:09:11,380
En als je meer wilt weten over dit onderwerp, zorg dan dat je volgende week weer luistert.
121
00:09:11,380 --> 00:09:19,580
Dan duiken we dieper in de specifieke uitdagingen waar leiders tegenaan lopen bij AI implementaties.
122
00:09:20,260 --> 00:09:23,000
En hopelijk gaat dat weer met mijn eigen stem.
123
00:09:23,000 --> 00:09:27,760
Je hoorde vast dat de voice cloning hier en daar een foutje maakte.
124
00:09:27,760 --> 00:09:31,080
Voor mij was dit een nuttig experiment.
125
00:09:31,080 --> 00:09:34,960
En zo konden we deze aflevering toch mogelijk maken.
126
00:09:34,960 --> 00:09:36,760
Tot volgende week.
127
00:09:36,760 --> 00:10:06,740
[Muziek]
