Een Harvard-studie toont aan dat een AI-model uit 2024 nauwkeuriger diagnoses stelt dan twee spoedeisende-hulpartsen in 76 echte patiëntgevallen. Dit betekent dat AI, zelfs met oudere technologie, sneller en beter datagedreven beslissingen kan nemen dan mensen in tijdkritische situaties.

Wat er aan de hand is

Onderzoekers van Harvard publiceerden in het wetenschappelijke tijdschrift Science een studie waarin ze OpenAI’s o1-preview-model, dat in 2024 werd uitgebracht, testten tegenover twee artsen op de spoedeisende hulp. Het model kreeg alleen de ruwe tekst uit elektronische patiëntendossiers. Bij de eerste triage gaf de AI in 67,1 procent van de gevallen de juiste diagnose, tegenover 55,3 en 50,0 procent voor de twee artsen. In één geval signaleerde de AI een zeldzame vleesetende infectie bij een transplantatiepatiënt, ongeveer twaalf tot 24 uur voordat de behandelend arts het ontdekte. Onafhankelijke beoordelaars konden niet zien of een diagnose van de AI of van een mens afkomstig was.

Wat dit betekent

De studie laat zien dat AI, zelfs een model dat al een jaar oud is, in staat is om onder tijdsdruk betere beslissingen te nemen dan ervaren specialisten. Voor ondernemers is de parallel helder: in elk bedrijf zijn er momenten waarop snelle, datagedreven keuzes nodig zijn, zoals bij klantenservice, voorraadbeheer of prijsstelling. De AI presteert beter omdat het zonder afleiding of vermoeidheid patronen herkent in grote hoeveelheden data. Dit is geen toekomstmuziek meer, maar een bewezen toepassing die nu al werkt.

Hoe je dit kunt toepassen

Als je een webshop runt met piekmomenten in de klantenservice. Overweeg om een AI-tool in te zetten die klantvragen analyseert en prioriteert op basis van urgentie, zoals de triage in de ER. Je zou kunnen experimenteren met een systeem dat binnenkomende berichten scant op trefwoorden als ‘klacht’, ‘retour’ of ‘betaling’, en deze direct doorzet naar de juiste afdeling. Dit bespaart tijd en voorkomt dat urgente zaken tussen de mazen van het net glippen.

Als je een team aanstuurt dat onder hoge druk moet presteren. Een mogelijkheid is om een AI-dashboard te gebruiken dat realtime data uit verschillende bronnen combineert, zoals verkoopcijfers, klanttevredenheid en voorraadniveaus. Net zoals de AI in het ziekenhuis ruwe tekst omzet in een diagnose, kun jij ruwe bedrijfsdata omzetten in een actieplan. Overweeg om wekelijks een AI-gegenereerde samenvatting te laten maken van de belangrijkste afwijkingen, zodat je niet zelf door spreadsheets hoeft te spitten.

Als je in de logistiek werkt en snel moet schakelen bij verstoringen. Je zou een AI-model kunnen trainen op historische vertragingsdata en weersinformatie, zodat het vooraf waarschuwt voor mogelijke knelpunten. De Harvard-studie toont aan dat AI patronen ziet die mensen missen, zoals de vleesetende infectie die pas later werd opgemerkt. In jouw geval kan dat betekenen dat de AI een leveringsvertraging voorspelt op basis van subtiele signalen in de data, zoals een opeenstapeling van kleine vertragingen bij een bepaalde vervoerder.

Als je een dienstverlener bent die snel moet beslissen op basis van klantdata. Denk aan een financieel adviseur die portefeuilles beoordeelt. Een optie is om een AI-tool te gebruiken die klantprofielen analyseert op risicopatronen, vergelijkbaar met hoe de AI in de ER patiëntendossiers doorneemt. Je zou kunnen beginnen met een proefperiode waarin de AI voorstellen doet, die jij vervolgens beoordeelt. Dit verhoogt de snelheid zonder dat je de controle verliest.

De praktische toepassing hangt af van jouw situatie, maar de kern is hetzelfde: laat AI de ruwe data voor je filteren, zodat jij je kunt concentreren op de beslissingen die menselijk inzicht vereisen.

Bron: Therundown (https://www.therundown.ai/p/ai-shows-its-skills-in-the-emergency-room)