Het gevaar voor ondernemers is niet dat AI niets kan, maar dat ze er iets mee bouwen waar niemand op zit te wachten. Dezelfde disconnect tussen technische mogelijkheden en menselijke behoeften die eerder bij de metaverse en NFT’s speelde, dreigt zich bij AI te herhalen. De les is duidelijk: succesvolle innovatie begint niet bij de technologie, maar bij het echte probleem van een echte klant.

Wat er aan de hand is

In een column voor The Verge beschrijft auteur Josh Dzieza hoe technologen soms zo gefascineerd raken door de mogelijkheden van een nieuwe technologie, dat ze het contact met de alledaagse behoeften van ’normale mensen’ verliezen. Hij geeft het voorbeeld van een kennis die opgewonden vertelt over een ‘ontdekking’ met large language models (LLM’s): dat kennis gestructureerd is in taal. Voor de techneut was dit een revolutionaire openbaring, vergelijkbaar met de uitvinding van het schrift. Voor de buitenstaander is het een inzicht dat al lang gemeengoed is. Dit patroon – technische fascinatie die leidt tot oplossingen voor niet-bestaande problemen – zagen we eerder bij de hype rond NFT’s en de metaverse, waar miljarden in werden geïnvesteerd terwijl het grote publiek er weinig mee kon.

Wat dit betekent

Voor ondernemers betekent dit een waarschuwing tegen ‘oplossingisme’: de neiging om eerst een gave technologie te omarmen en dan pas te bedenken voor wie het nuttig zou kunnen zijn. Het risico is dat je tijd, geld en energie steekt in het ontwikkelen van een AI-toepassing die technisch indrukwekkend is, maar die geen enkel urgent probleem oplost voor je doelgroep. De kloof tussen wat technisch mogelijk is en wat mensen daadwerkelijk willen of nodig hebben, is een van de grootste redenen waarom innovatieprojecten falen. Het betekent dat je bij elke AI-investering de vraag moet stellen: “Voor wie maakt dit het leven makkelijker, sneller of beter?” – en het antwoord moet verder gaan dan “voor techneuten zoals ik”.

Hoe je dit kunt toepassen

De praktische toepassing is een mentaliteitsverandering in je innovatieproces. In plaats van te beginnen met de vraag “Wat kunnen we met AI?”, begin je met “Welk probleem van onze klant kunnen we oplossen?”.

Als je een nieuwe dienst of product overwegt… voer dan eerst een simpele ‘probleemvalidatie’ uit. Praat met vijf klanten en vraag naar hun grootste ergernissen of tijdverslinders. Als jouw AI-idee niet minstens één van die specifieke punten adresseert, is het waarschijnlijk een oplossing op zoek naar een probleem.

Als je een team aanstuurt dat met AI experimenteert… stel dan een ‘relevantie-check’ in. Vraag bij elk prototype of proof-of-concept niet alleen naar de technische werking, maar verplicht het team om een concrete gebruiker en een concrete use-case te benoemen. “Wie gebruikt dit, wanneer, en waarom zou diegene stoppen met wat hij nu doet?” Als het antwoord vaag is, is het project niet rijp.

Als je investeert in automatisering met AI… test het nut altijd aan de hand van een bestaande, handmatige workflow. Kies een proces dat nu veel tijd kost (bijvoorbeeld het sorteren van supporttickets of het maken van offertes) en bouw een minimale AI-ondersteuning. Meet dan of het daadwerkelijk tijd bespaart voor je medewerkers of kwaliteit toevoegt voor je klanten. De technologie is pas geslaagd als hij onzichtbaar een bestaande pijn wegneemt.

De kern is om AI te zien als een middel, nooit als een doel op zich. De meest krachtige toepassingen zijn vaak de minst spectaculaire: ze lossen een saai, terugkerend probleem op, zodat mensen zich kunnen richten op werk dat er echt toe doet.

Bron: The Verge