Waar AI in het mkb nog niet goed in is

Dit artikel gaat over de grens. Wie die grens kent, richt zijn automatiseringen beter in dan wie hem moet ontdekken.

Waarom rekent AI niet betrouwbaar?

Een taalmodel voorspelt tekst. Het rekent niet, het schrijft op wat een plausibel getal is. Bij kleine sommen gaat dat meestal goed en bij een btw-controle over driehonderd regels gaat het een keer mis — en je ziet niet waar.

De oplossing is niet een beter model maar een andere werkverdeling: het model schrijft het rekenscript, het script rekent. Dan staat de som vast, is hij herhaalbaar, en kun je hem nalezen. Elke berekening in de Studio werkt zo. Vraag altijd of je de som kunt terugzien; kan dat niet, dan is het een schatting die eruitziet als een uitkomst.

Wat gebeurt er met een uitzondering die niemand heeft opgeschreven?

Hier zit de grootste valkuil. Een automatisering leert van wat er in je systemen staat. Wat er níét staat — dat die ene klant altijd eerst belt, dat je bij die leverancier de prijs handmatig nakijkt sinds dat gedoe vorig jaar — bestaat voor het systeem niet.

Die kennis zit in de hoofden van mensen die er lang werken. Het is ook precies de kennis die pas boven tafel komt als er iets fout gaat.

Daarom is de volgorde belangrijk: eerst een paar weken meekijken, dan pas automatiseren. En daarom staat goedkeuring standaard aan bij alles wat met geld en klanten te maken heeft. Niet omdat het systeem dom is, maar omdat het jouw geschiedenis niet kent.

Welk werk moet je niet automatiseren?

Werk	Waarom niet	Wat dan wel
Een oordeel over een mens (aannemen, beoordelen)	Hoog risico onder de AI-verordening, en je wilt het zelf doen	AI de stukken laten samenvatten, jij beoordeelt
Een slechtnieuwsgesprek of een klacht met emotie	De toon is de boodschap	AI bereidt voor, jij voert
Een uitzondering die één keer per jaar voorkomt	Inrichten kost meer dan het oplevert	Met de hand, en opschrijven
Iets waar jij de enige bent die het snapt	Niemand kan controleren of het goed gaat	Eerst vastleggen hoe het werkt
Een eenmalige klus	Een automatisering verdient zich terug door herhaling	Gewoon doen

De laatste rij is de meest onderschatte. Automatiseren loont bij herhaling. Iets wat drie keer per jaar gebeurt, doe je sneller met de hand dan dat je het inricht.

Hoe weet je of AI het goed doet?

Aan drie dingen, en alle drie zijn te controleren zonder verstand van techniek.

Is de uitkomst terug te lezen? Kun je zien wat er binnenkwam, wat ermee gebeurde en waarom? Zo niet, dan weet je bij een fout niet waar je moet kijken.

Zegt het systeem het als het iets niet weet? Een automatisering die bij een onleesbaar bedrag toch een bedrag invult, is gevaarlijker dan een die stopt en het vraagt.

Blijft het origineel bewaard? Bij elke verwerking hoort het oorspronkelijke document terug te vinden te zijn.

Betekent dit dat AI mensen niet vervangt?

Voor het werk dat in dit artikel staat: nee. Het werk dat wél overgaat is het overtypen, het doorsturen, het opzoeken en het samenvatten — het werk dat niemand aan het eind van de dag met plezier doet.

Wat overblijft is het vakwerk: de inschatting, het gesprek, de uitzondering, de verantwoordelijkheid. Dat is ook waarom we trainingen geven aan dezelfde mensen wier overtypwerk we wegnemen. Een ploeg die begrijpt wat de automatisering doet, ziet als eerste wanneer hij iets geks doet.