De grootste vooruitgang in AI zit niet langer in wachten op een nieuw, algemeen model, maar in het aanpassen van een bestaand model met je eigen bedrijfsdata. Dit proces, dat verder gaat dan eenvoudige ‘fine-tuning’, creëert een concurrentievoordeel dat specifiek is voor jouw bedrijf. Het bouwt een model dat jouw jargon, processen en interne logica begrijpt.

Wat er aan de hand is

De tijd van enorme sprongen in capaciteit bij elk nieuw algemeen AI-model is voorbij, volgens een analyse in MIT Technology Review. De echte, revolutionaire verbeteringen vinden nu plaats op het gebied van domeinspecifieke intelligentie. Dit betekent dat organisaties die een AI-model trainen met hun eigen, unieke data en interne logica, een stap vooruit kunnen zetten. Het artikel noemt dit “de institutionalisering van expertise in een AI-systeem”. Het gaat hierbij niet om het aanleren van een paar voorbeelden, maar om het fundamenteel laten begrijpen van de specifieke taal en regels van een sector of bedrijf. Als voorbeeld wordt Mistral AI genoemd, die samenwerkt met bedrijven om domeinkennis in te bouwen.

Wat dit betekent

Voor ondernemers en professionals betekent dit een verschuiving in strategie. In plaats van te hopen dat het volgende algemene model jouw specifieke probleem oplost, wordt het steeds belangrijker om te kijken hoe je bestaande AI kunt aanpassen aan jouw context. Dit is relevant voor sectoren met een eigen jargon en complexe processen, zoals technische engineering, financiële dienstverlening, softwareontwikkeling of gespecialiseerde productie. Het voordeel is een AI-assistent die niet alleen algemene vragen beantwoordt, maar die meedenkt in jouw taal en volgens jouw bedrijfslogica. Dit kan leiden tot een blijvend concurrentievoordeel, omdat de kennis van jouw bedrijf verankerd raakt in het AI-systeem.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie en de complexiteit van je data. Het is een traject dat begint met een heldere afweging en mogelijk met eenvoudige stappen.

Als je een gespecialiseerd product of dienst verkoopt… denk dan na over de unieke kennis die je klanten vragen. Dit kunnen technische specificaties, installatiehandleidingen of veelgestelde vragen zijn. Een eerste stap is niet meteen een model trainen, maar al je interne documenten, klantcorrespondentie en productdata gestructureerd verzamelen in een centraal systeem. Dit vormt de basis voor elke toekomstige AI-toepassing.

Als je een team met repetitieve, kennisintensieve taken hebt… zoals het beoordelen van offertes, het controleren van compliance of het onderhouden van specifieke softwarecode, dan is dit een kansgebied. Begin met het identificeren van de meest tijdrovende, regelgestuurde taken. Analyseer welke informatie en beslissingsbomen je teamleden nu in hun hoofd hebben. Het documenteren van deze processen is de eerste, cruciale stap richting automatisering met een aangepast model.

Als je in een sterk gereguleerde sector werkt… zoals financiën, zorg of juridische dienstverlening, dan is de interne logica van je bedrijf vaak verweven met wet- en regelgeving. Hier kan een aangepast model helpen om consistentie te waarborgen. Een praktische benadering is om eerst te experimenteren met het ‘voeden’ van een bestaande AI-chatbot (via Retrieval-Augmented Generation of RAG) met je eigen beleidsdocumenten en protocollen, voordat je overgaat tot volledige modeltraining.

De kern is om te beginnen met het waardevol maken van je eigen data. Zonder gestructureerde, hoogwaardige interne data is elke vorm van AI-aanpassing zinloos. Overweeg daarom eerst te investeren in datamanagement voordat je de stap naar modelcustomization zet.

Bron: MIT Technology Review