AI blijkt in staat om sneller en nauwkeuriger diagnoses te stellen dan artsen in de spoedeisende hulp. Een nieuwe Harvard-studie toont aan dat een AI-model uit 2024 beter presteerde dan twee behandelend artsen bij het diagnosticeren van 76 echte spoedgevallen. Dit is geen sciencefiction, maar een concreet voorbeeld van hoe AI datagedreven beslissingen kan verbeteren – ook buiten de zorg.

Wat er aan de hand is

Een Harvard-studie, gepubliceerd in Science, vergeleek OpenAI’s o1-preview-model (uit 2024) met twee artsen in de spoedeisende hulp. Het AI-model kreeg alleen de ruwe tekst uit elektronische patiëntendossiers. Bij de eerste triage gaf de AI in 67,1% van de gevallen de juiste diagnose, tegenover 55,3% en 50,0% voor de twee artsen. In één geval ontdekte de AI een zeldzame vleesetende infectie bij een transplantatiepatiënt, ongeveer 12 tot 24 uur voordat de behandelend arts het opmerkte. De beoordelaars konden niet zien welke diagnoses van de AI kwamen en welke van de mensen.

Wat dit betekent

Voor ondernemers is dit signaal helder: AI kan complexe, datagedreven beslissingen nemen op basis van ruwe data, zonder menselijke interpretatie. Waar artsen vertrouwen op ervaring en intuïtie, gebruikt AI patronen in data die voor mensen onzichtbaar blijven. Dit principe is direct toepasbaar in bedrijfsprocessen zoals klantenservice, logistiek, voorraadbeheer of financiële planning. Het gaat niet om het vervangen van mensen, maar om het ondersteunen van besluitvorming met data die anders onbenut blijft.

Hoe je dit kunt toepassen

Als je een webshop runt met een groot assortiment, kun je AI inzetten om voorraadbeslissingen te optimaliseren. Net zoals de AI in het ziekenhuis patronen in patiëntendata herkende, kan een AI-model verkoopdata, seizoensinvloeden en retourpercentages combineren om te voorspellen welke producten je moet bijbestellen. Je zou kunnen beginnen met een eenvoudig AI-systeem dat je wekelijkse verkooprapporten analyseert en afwijkingen signaleert, zoals een plotselinge stijging in een productcategorie.

Als je een team aanstuurt in de klantenservice, overweeg om AI in te zetten voor het prioriteren van klantvragen. Het model uit de studie analyseerde ruwe tekst zonder voorbewerking. Jouw klantenservice-chats en e-mails bevatten evenveel ongestructureerde data. Een AI-tool kan patronen herkennen in klantvragen en aangeven welke problemen urgent zijn of welke klanten mogelijk gaan opzeggen. Dit geeft je team een voorsprong van uren, net zoals de AI in het ziekenhuis de infectie eerder zag.

Als je in de logistiek werkt, kun je AI gebruiken om vertragingen in de keten te voorspellen. Het Harvard-model gebruikte alleen de ruwe data uit dossiers. Jouw data – levertijden, weersomstandigheden, verkeersinformatie – is vergelijkbaar. Een AI kan patronen herkennen die wijzen op een aanstaande vertraging, nog voordat een mens die ziet. Je zou kunnen experimenteren met een pilot waarbij AI je wekelijkse leveringsdata analyseert en waarschuwingen geeft.

Als je financiële beslissingen neemt, zoals het beoordelen van kredietaanvragen of investeringen, kan AI helpen om risico’s beter in te schatten. De studie toont aan dat AI objectiever kan zijn dan mensen, omdat het geen last heeft van vermoeidheid of vooroordelen. Een mogelijkheid is om een AI-model te trainen op historische data van goedgekeurde en afgewezen aanvragen, en het te laten aangeven welke factoren het meest voorspellend zijn voor succes.

De praktische toepassing hangt af van jouw situatie, maar de les is duidelijk: AI kan op basis van ruwe data betere beslissingen nemen dan mensen, mits je de juiste data beschikbaar stelt.

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