AI is nauwkeurig. Out of the box denken, minder.

Ik werk elke dag met AI in mijn dataprojecten. Ik heb er zelfs eigen gereedschap voor gebouwd, zodat ik rechtstreeks met mijn datamodel kan werken in plaats van alles met de hand aan te passen.

Dus dit is geen artikel van iemand die het van buitenaf beoordeelt. Het is mijn eerlijke stand van zaken na een jaar intensief gebruik.

Waar het uitblinkt

Nauwkeurigheid en volhouden.

Een berekening controleren, en dan nog eens, en dan nog eens. Drie keer dezelfde data nakijken zonder slordiger te worden bij de derde keer. Dat is precies waar een mens afhaakt en waar het verschil gemaakt wordt in dit vak, want de meeste fouten in rapportering zijn geen denkfouten maar oplettendheidsfouten.

Automatiseren is het tweede. Repetitief werk dat je kan beschrijven, kan je laten doen. Dat scheelt geen minuten maar uren, en vooral: het scheelt de weerstand om aan dat werk te beginnen.

En als sparringpartner werkt het beter dan ik verwacht had. Niet omdat het betere ideeën heeft, maar omdat je iets moet formuleren voor je het kan voorleggen. De helft van de keren weet ik het antwoord al voor ik klaar ben met de vraag te typen.

Waar het tegenvalt

Out of the box denken.

Dat is de eerlijke beperking en ze is structureel. Je krijgt uitstekende uitvoering van wat er al bestaat, en zelden de zijsprong. De oplossing die niet voor de hand ligt, de vraag die niemand gesteld heeft, het verband dat alleen zichtbaar is als je die sector kent: dat komt van jou.

In een dataproject is dat precies het waardevolle deel. Het bouwen van een model is uitvoering. Beslissen welke vraag dat model moet beantwoorden, is dat niet.

Ik merk het het duidelijkst bij definities. Vraag wat een actieve klant is en je krijgt een verdedigbaar antwoord. Of dat antwoord past bij hoe jouw zaak werkt, weet alleen jij, en dat is meteen de belangrijkste beslissing van het hele project.

Waarom ik toch eigen gereedschap gebouwd heb

Omdat de combinatie werkt.

Ik neem de beslissingen over wat er moet gebeuren en waarom. De uitvoering, het nakijken en het herhalen laat ik over. Dat is een taakverdeling die klopt met waar allebei goed in is, en ze levert mij meer tijd op voor het deel waar ik het verschil maak.

Wat ik bewust niet doe, is het laten beslissen over de inhoud. Een model dat er correct uitziet en de verkeerde vraag beantwoordt, is gevaarlijker dan een model dat duidelijk stuk is.

Wat dat betekent voor een kmo

Als je overweegt om met AI aan je rapportering te beginnen: doe het, maar verwacht het juiste.

Het gaat je helpen om sneller te bouwen, om meer te controleren dan je anders zou doen, en om werk te automatiseren waar je anders niet aan begint.

Het gaat je niet vertellen welke cijfers er voor jouw zaak toe doen. Dat komt uit jouw hoofd of uit het hoofd van iemand die je sector kent. En wie je vertelt dat een model dat voor je doet, verkoopt je iets anders dan wat hij levert.

De stelling

AI verhoogt je snelheid en je nauwkeurigheid, en het verandert niets aan de kwaliteit van je vragen. In een dataproject zitten de dure fouten aan de vragenkant, en daar is nog altijd geen gereedschap voor.