De grootste sprongen in AI-kwaliteit haal je niet meer door te wachten op een nieuw algemeen model, maar door een bestaand model aan te passen met je eigen bedrijfsdata. Dit proces, dat verder gaat dan eenvoudig ‘fine-tunen’, codeert de unieke kennis en werkwijze van je bedrijf in het AI-systeem. Het resultaat is een model dat de specifieke taal en logica van jouw sector spreekt, wat een blijvend concurrentievoordeel oplevert.

Wat er aan de hand is

De tijd van enorme, algemene kwaliteitssprongen bij elke nieuwe AI-modelrelease is voorbij, volgens een analyse in MIT Technology Review. De echte, revolutionaire verbeteringen vinden nu plaats op het gebied van domeinspecifieke intelligentie. Hierbij wordt een AI-model niet alleen getraind op algemene data, maar volledig aangepast en ‘gefuseerd’ met de eigen data, logica en historie van een organisatie. Dit proces institutionaliseert bedrijfsexpertise in een AI-systeem. Het Franse AI-bedrijf Mistral AI werkt bijvoorbeeld samen met organisaties om deze domeinkennis in hun trainingssystemen in te bouwen. Concrete voorbeelden uit het artikel zijn een netwerkhardwarebedrijf dat een model trainde op zijn eigen gespecialiseerde code, en een autofabrikant die AI inzet om crashtests te analyseren.

Wat dit betekent

Dit betekent een fundamentele verschuiving in de AI-strategie voor bedrijven. De focus verplaatst zich van het kiezen van het ‘beste’ algemene model naar het creëren van het meest geschikte, aangepaste model. Voor ondernemers en professionals betekent dit dat de waarde van hun interne data – van klantcorrespondentie en offertes tot specifieke procesbeschrijvingen en vakjargon – exponentieel toeneemt. Een model dat getraind is op deze data begrijpt de context van jouw bedrijf en sector intrinsiek. Het kan niet alleen antwoorden geven, maar redeneren in dezelfde termen en volgens dezelfde interne logica die jouw bedrijf uniek maakt. Dit creëert een ‘concurrentiegracht’: een voorsprong die moeilijk is te kopiëren, omdat deze gebouwd is op jouw eigen, niet-openbare kennis.

Hoe je dit kunt toepassen

De praktische toepassing begint met het identificeren van je meest waardevolle, unieke data en het verkennen van toegankelijke tools. Het doel is niet om zelf een model vanaf nul te bouwen, maar om een bestaande, krachtige basis te personaliseren.

Als je een specialistisch adviesbureau of ingenieursbureau runt… dan bestaat je kennis uit jaren aan projectdocumenten, technische specificaties en interne notities. Een mogelijkheid is om te beginnen met het gestructureerd verzamelen en opschonen van deze documenten. Vervolgens kun je een clouddienst onderzoeken die ‘fine-tuning’ of ‘custom model training’ aanbiedt op basis van een model zoals GPT-4 of Claude. Door het model te trainen op deze corpus, creëer je een interne expert-assistent die helpt bij het opstellen van offertes, het vinden van relevante precedenten in oude projecten of het controleren van nieuwe ontwerpen tegen interne standaarden.

Als je een webshop met een niche-productassortiment runt… dan is je unieke kennis de manier waarop je klanten vragen stellen, de specifieke productkenmerken die er toe doen en je eigen service-taal. Je zou kunnen beginnen met het exporteren van al je klantenservice-chats, productbeschrijvingen en veelgestelde vragen. Met deze data kun je een eenvoudige, aangepaste chatbot trainen die niet alleen algemene vragen beantwoordt, maar dit doet in de stijl en met de expertise van jouw winkel. Dit verhoogt de klanttevredenheid en ontlast je medewerkers van repetitief werk.

Als je een MKB-bedrijf met veel administratieve processen hebt… zoals een transportbedrijf, een zorginstelling of een productiebedrijf, dan draait je efficiëntie om formulieren, workflows en sectorjargon. Overweeg om een model aan te passen op basis van al je facturen, werkorders, procesbeschrijvingen en e-mailverkeer. Het aangepaste model kan dan functioneren als een superefficiënte administratief medewerker die helpt bij het invullen van formulieren, het controleren van gegevens op consistentie en het snel vinden van informatie in duizenden documenten, allemaal in de juiste context.

De kern is om klein te beginnen: identificeer één repetitief, kennisintensief proces waar veel interne data voor beschikbaar is. Verken daarna de mogelijkheden van platformen die customisatie aanbieden, vaak via een betaalde API. De investering ligt niet per se in dure hard- of software, maar in het gestructureerd maken en benutten van de kennis die je al in huis hebt.

Bron: Technologyreview