7 praktijklessen uit meer dan 150 AI-projecten

“We zagen het al in 2018”, vertelt Benoît Hespel, Head of AI bij Proximus ADA. “Plots wilde iedereen neural networks inzetten, ook al waren die voor bepaalde projecten niet de juiste keuze.” Technologie om de technologie is nooit het beste startpunt. Toch gebeurt vandaag net dat met LLM’s en AI-agents. “Bedrijven willen niet achterblijven. Ze willen graag ‘iets met AI doen’, maar starten niet vanuit een reëel probleem”, zegt Dirk Luyckx, CTO bij Codit. “Dan moeten we samen terug naar de kern: wat wil je precies oplossen?”

Een zinvol AI-traject start met een heldere businessvraag, niet met een voorkeur voor een bepaalde technologie. Beter werk je met een roadmap, waarbij je ideeën omzet naar haalbare usecases met impact.

Ambitie is uiteraard belangrijk, zolang je die opdeelt in werkbare stappen. “Zeggen dat je de ‘efficiëntie van het netwerk wil verbeteren’ is te vaag”, aldus Benoît. “Wat betekent dat concreet? Welke KPI’s wil je verbeteren en in welke mate?” Zonder duidelijk meetkader ontstaan eindeloze iteraties zonder beslissingen. “Daarbij moet je echt streng zijn voor jezelf. Als de verwachtingen niet strak afgelijnd zijn, mislukt het project nog voor het begint.”

“AI haalt haar waarde niet zomaar uit de lucht”, zegt Dirk. “Je hebt data nodig, en die moet bruikbaar, beschikbaar en correct zijn.” Te vaak blijkt bij de start van een project dat de noodzakelijke labels ontbreken, of dat wat teams dachten te hebben, in de praktijk onbruikbaar is. “Je moet de maturiteit van je data objectief inschatten”, stelt Benoît. “Zonder governance, inzicht in data-eigenaarschap en privacy, loop je onvermijdelijk vast.”

Ook de technische integratie blijkt vaak een struikelblok. “Data leeft in silo’s”, zegt Dirk. “Je moet die silo’s doorbreken en de data laten samenwerken. Integratie vereist meer dan pipelines: het vraagt consistentie, semantische afstemming en vaak ook organisatorische afspraken.”

AI vereist een multidisciplinaire aanpak. “De grootste fout die organisaties maken, is denken dat het wel lukt met enkel een data scientist en een data engineer”, aldus Benoît. “Je hebt ook stakeholders uit de business nodig, vakinhoudelijke experts, IT-architecten en analytische vertalers.” Die laatste groep is essentieel om de vertaalslag te maken tussen de businessverwachtingen en de technische modellen.

Dirk pikt daarop in: “Het team moet vanaf dag één nadenken over de adoptie van de technologie. Je moet het model niet alleen bouwen, maar het ook uitleggen, motiveren en begeleiden. Anders loop je tegen weerstand aan.” AI zorgt voor verandering – en verandering kan maar slagen als er een draagvlak voor bestaat.

“Een proof of concept uitwerken, is één ding”, zegt Dirk. “De oplossing opschalen is al meteen een heel stuk moeilijker.” Vaak steunt een model op een beperkte dataset, zonder rekening te houden met verwerking in real time, integratie of onderhoud. “Dan werkt een model wel goed gedurende de testfase, maar slaagt het er niet in overeind te blijven wanneer het live gaat op grotere schaal.”

Volgens Benoît zit de sleutel in de voorbereiding. “Denk van bij de start aan je beoogde eindsituatie. Wil je realtimetoepassingen, dan moeten de infrastructuur en dataflows daarop voorbereid zijn. Zo niet, dan herbegin je van nul.” Een POC uitwerken onder het motto ‘daarna zien we wel’? Dat is niet het beste idee, stellen de experts. “Werk met het grotere doel voor ogen.”

Ehtiek is geen optionele stap als het om AI gaat. “AI is fundamenteel anders dan klassieke IT-toepassingen”, zegt Dirk. “De uitkomst van een vraag aan een LLM verandert doorheen de tijd, zelfs als de prompt ongewijzigd blijft.” De monitoring van de risico’s die daarmee samenhangen is daarom een must. “We doen dat met tools voor content safety, bias detection en model drift”, licht Dirk toe.

Ook de intentie achter het gebruik van een AI-model speelt een rol. Benoît: “Dezelfde technologie kan je op een ethisch aanvaardbare of onaanvaardbare manier inzetten. Sentimentanalyse is bijvoorbeeld prima voor generieke trendrapporten, maar kan je bijvoorbeeld ook op een vileine manier inzetten om individuele medewerkers te beoordelen. Monitoring is dus nodig, ook om compliant te blijven.”

AI-systemen verouderen. Data verandert, gedrag verschuift en de performantie daalt. “En toch is er bij een AI-traject zelden budget voorzien voor nazorg”, zegt Benoît. “Zonder monitoring heb je geen zicht op degradatie en zonder updates blijft de oplossing niet relevant.” Ook de adoptie valt stil als de ondersteuning van de toepassing na de go-live verdwijnt.

De oplossing? “Zie support als een verlengde ontwikkelingsfase”, stelt Dirk. “Het team blijft zo actief betrokken, met ruimte voor feedback en verdere optimalisatie. Ook dat is een belangrijke les: een AI-project eindigt niet bij de release, dan begint het eigenlijk pas.” Neem dat mee in het hele traject, inclusief het budget.

De grootste waarde van AI zit in de toepassing, maar net daar gaat het nog vaak fout. De technologie alleen volstaat niet: bedrijven moeten ook governance, schaalbaarheid, ethiek en adoptie meenemen in het traject. En vooral: wie met AI van start gaat, moet blijven leren. “Ervaring maakt het verschil”, besluit Benoît. “Niet alleen om fouten te vermijden, maar ook om beter te worden. Elke use case scherpt je aanpak aan.”