AI-systemen zijn geen magische zwarte dozen die automatisch succes opleveren. Ze zijn instrumenten die je zelf moet afstellen en sturen. De kern van succesvolle AI-implementatie ligt niet in de complexiteit van de algoritmes, maar in de eenvoud van de vraag: wat wil je eigenlijk bereiken? Het bronartikel benadrukt dat wat je meet, de richting bepaalt waarin een AI-systeem zich ontwikkelt. Meet je de verkeerde dingen, dan optimaliseert de AI voor iets dat geen waarde toevoegt aan je bedrijf.

Waarom meten zo cruciaal is voor AI

Een AI-model wordt getraind en geoptimaliseerd op basis van een doel, een zogenaamde ‘objective function’. Dit is een meetbaar doel dat je het systeem geeft. Stel dat je een AI inzet om klantenservice-e-mails te beantwoorden. Als je het systeem alleen maar beloont voor het snel afhandelen van tickets, zal het leren om zo kort mogelijk te antwoorden, mogelijk ten koste van klanttevredenheid. Het systeem doet precies wat je vraagt, maar niet wat je bedoelt. Het kiezen van de juiste metric is daarom een fundamentele strategische keuze, geen technische.

Voorbeelden van goede en slechte meetpunten

Het artikel illustreert dit met praktische voorbeelden. Een slecht meetpunt voor een content-aanbevelingssysteem is bijvoorbeeld ‘maximale kliks’. Dit kan leiden tot clickbait-achtige suggesties die weliswaar worden aangeklikt, maar de gebruiker uiteindelijk frustreren en het vertrouwen schaden. Een beter, alomvattender doel zou kunnen zijn ‘maximale leestijd per sessie’ of ’terugkeerratio van gebruikers’, omdat deze meer zeggen over de daadwerkelijke waarde en betrokkenheid.

Voor een chatbot die producten verkoopt, is ‘aantal verkochte eenheden’ een voor de hand liggende, maar mogelijk te beperkte metric. Het kan de chatbot aanmoedigen om agressief te pushen, wat op de lange termijn klanten kan wegjagen. Een metric die ook ‘gemiddelde klantwaardering’ of ‘aantal terugkerende aankopen’ meeneemt, stuurt het systeem naar duurzamere verkoopgesprekken.

De valkuil van proxy-metrics

Een veelgemaakte fout is het gebruik van ‘proxy-metrics’: meetpunten die eenvoudig te meten zijn, maar slechts een indirecte aanwijzing vormen voor wat je echt wilt. Het meten van ‘social media shares’ als doel voor kwalitatieve content is een klassiek voorbeeld. Het kan auteurs aanmoedigen om polariserende of sensationele content te maken die veel gedeeld wordt, maar niet per se informatief of waardevol is voor je merk. De kunst is om zo dicht mogelijk bij de uiteindelijke bedrijfswaarde te meten, ook al is dat lastiger.

Hoe kun je dit vandaag toepassen?

De praktische toepassing begint bij het helder definiëren van je bedrijfsdoel, voordat je überhaupt over AI nadenkt. Van daaruit werk je terug naar meetbare metrics die dat doel dienen.

Als je een webshop runt en overweegt een persoonlijke aanbevelings-AI in te zetten, dan is ‘omzet’ een logisch einddoel. Maar stuur je de AI alleen aan op directe verkoop per bezoek, dan mis je mogelijk cross-selling of klantbehoud. Een mogelijkheid is om het systeem ook te laten sturen op metrics zoals ‘aantal producten bekeken per sessie’ of ‘gemiddelde orderwaarde van terugkerende klanten’, om loyaliteit te stimuleren.

Als je een marketingteam aanstuurt dat AI gebruikt voor contentcreatie of advertentie-optimalisatie, dan is het verleidelijk om te sturen op kosten per klik (CPC) of click-through rate (CTR). Een bredere blik zou kunnen zijn: overweeg om de AI ook te laten optimaliseren voor metrics verder in de funnel, zoals ‘kosten per acquisitie’ (CPA) of zelfs ’levendswaarde van een klant’ (LTV), indien je die data hebt. Dit moedigt het systeem aan om kwalitatievere leads aan te trekken.

Als je als professional diensten levert en AI gebruikt voor leadgeneratie of eerste klantcontact, dan kan een metric als ‘aantal gegenereerde leads’ contraproductief werken. Het kan leiden tot een stortvloed aan laagkwalitatieve contacten. Je zou kunnen proberen het systeem te trainen of in te stellen op het herkennen en prioriteren van leads die voldoen aan specifieke criteria, zoals bedrijfsgrootte of branche, en die metric te maximaliseren.

Als je een SaaS-bedrijf hebt en AI inzet voor klantondersteuning via chatbots, dan is ‘snelheid van antwoord’ een veelgebruikte, maar beperkte metric. Een beter stuurmiddel is vaak ‘aantal tickets dat in één interactie wordt opgelost’ (first-contact resolution) of de ’net promoter score (NPS) van chats’. Dit stuurt de AI naar daadwerkelijke probleemoplossing in plaats van alleen snelle reacties.

Als je een redactie of contentteam leidt dat AI-tools gebruikt, dan ligt de valkuil van ‘pageviews’ op de loer. In plaats daarvan zou je kunnen kijken naar metrics die duiden op betrokkenheid, zoals ‘gemiddelde leestijd’, ‘scroll-depth’ (hoe ver men leest) of ‘aantal nieuwsbrief-inschrijvingen per artikel’. Dit moedigt het creëren van verdiepende content aan waar de lezer daadwerkelijk iets aan heeft.

De essentie is telkens hetzelfde: begin met de vraag wat voor jouw bedrijf echte waarde creëert op de lange termijn, en vertaal dat pas daarna naar een meetbaar doel voor een AI-systeem. Het systeem zal precies doen wat je meet.

Bron: Marketingfacts