De implementatie van AI blijft in veel organisaties een hobbelig parcours. Wie succesvol wil zijn, moet verder kijken dan de hype. Experts Benoît Hespel (Proximus ADA) en Dirk Luyckx (Codit) delen de 7 belangrijkste lessen uit ruim 150 AI-projecten.
Dat AI enorme mogelijkheden biedt, staat intussen buiten kijf. De vertaalslag naar waarde in de praktijk blijft echter een uitdaging. Veel bedrijven botsen op drempels: van issues rond data, over een onduidelijke ROI tot weerstand bij de implementatie. Theorie is er nochtans genoeg, wat meestal ontbreekt, is echte praktijkervaring. Die ervaring kan Proximus NXT vandaag wel voorleggen. De teller staat intussen op meer dan 150 AI-projecten, die de aanleiding gaven tot deze 7 lessons learned.
1. Begin met het probleem, niet het model
“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.
2. Denk groot, maar werk met concrete meetpunten
“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.”
3. Geen waarde zonder degelijke data
“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.”
Ontdek ook de 4 andere inzichten van onze experts: een multidisciplinaire aanpak, schaalbaarheid van AI-projecten, ethische implicaties en projectondersteuning.