Waarom AI-budgetten eerder worden goedgekeurd dan AI-strategieën, en wat dat kost

Made with AI

De meeste grote organisaties hebben inmiddels een AI-budget goedgekeurd. De druk om dat te doen kwam van meerdere kanten tegelijk: verwachtingen van de raad van bestuur, aankondigingen van concurrenten, roadmaps van leveranciers en de oprechte overtuiging dat de kans op een voorsprong aan het verdwijnen was. Het budget goedkeuren voelde als de beslissing. In veel gevallen bleek het de makkelijkere.

De moeilijkere beslissing, of de data echt in de staat is waar het AI-initiatief van afhangt, komt vaak later boven. Soms veel later, en meestal als het project al loopt.

Hoe de volgorde meestal verloopt

Na de goedkeuring van het budget volgt een bekend patroon. Er wordt een tool gekozen, een leverancier ingeschakeld en een planning gemaakt. Het team is gemotiveerd en het management kijkt mee. De uitvoering begint goed.

Bij het datawerk verandert het beeld meestal. De tool vraagt om input die schoner is dan wat er nu is. De pipeline die gebouwd is om de tool te voeden, was voor een ander doel ontworpen. Een dataset die geschikt leek, blijkt testaccounts, historische afwijkingen of velden te bevatten die niet meer actief worden bijgehouden. De mensen die weten waarom de data eruitziet zoals ze eruitziet, zijn vertrokken of hebben weinig tijd.

De planning schuift. De eerste mijlpaal wordt niet gehaald. Het team dat de toepassing aan het bouwen was, bouwt nu het fundament eronder opnieuw op. De leverancier werkt mee, maar de belangrijkste beperking zit niet in het product van de leverancier: die zit in de data waar het product van afhangt.

Na twaalf maanden heeft de organisatie haar AI-budget uitgegeven en heeft ze iets wat deels werkt, een beter beeld van hoe haar data er echt uitziet, en een bijgestelde inschatting van hoe lang dit soort werk duurt.

De kosten die moeilijker te becijferen zijn

De directe kosten zijn zichtbaar: vertraagde planningen, verlengde contracten met leveranciers, extra engineeringtijd voor herstelwerk dat niet in de oorspronkelijke scope stond.

De indirecte kosten zijn meestal hoger, maar het duurt langer voordat ze zichtbaar worden.

Als AI-uitkomsten niet vertrouwd worden, veranderen beslissingen niet: teams blijven de handmatige processen gebruiken waar ze eerst op leunden, en beheren daarnaast het AI-project. De efficiëntiewinst die het initiatief moest opleveren, komt er niet, en de periode waarin beide processen naast elkaar lopen is duur, op manieren die niet netjes in een projectbudget terugkomen.

Ook het herstelwerk groeit meestal. Wat begint als een gerichte poging om de data-input voor één use case te repareren, legt vaak afhankelijkheden verderop in de keten bloot die gebouwd zijn op aannames die niet meer kloppen. Elke reparatie brengt de volgende aan het licht. De scope die beperkt moest blijven, wordt breder dan iemand vooraf had verwacht.

Er is ook een effect op de geloofwaardigheid op de langere termijn. Als een project minder oplevert dan de planning deed verwachten, krijgt het datateam minder makkelijk steun voor het volgende initiatief, ook als dat beter afgebakend en realistischer is. Scepsis uit de ene ronde gaat mee naar de volgende.

Het probleem van de volgorde

Het gesprek over het budget en het gesprek over de data readiness worden meestal in de verkeerde volgorde gevoerd, deels omdat het om verschillende soorten beslissingen gaat.

Het gesprek over het budget is begrijpelijk voor het management. Er is een voorstel, een leverancier, een planning en een business case. Het past in de bestaande inkoop- en goedkeuringsprocessen. Het is het soort beslissing waarvoor organisaties zijn ingericht.

Het gesprek over data readiness is moeilijker in te brengen in een budgetbespreking. Het gaat over eerlijke beoordelingen van gaten in de kwaliteit, onduidelijk eigenaarschap, ongedocumenteerde pipelines en beslissingen die destijds redelijk waren en sindsdien niet meer zijn heroverwogen. Het past niet netjes op een slide. En het levert meestal antwoorden op die de planning ingewikkelder maken in plaats van sneller, waardoor het makkelijk wordt uitgesteld.

Organisaties die consistent resultaat halen uit AI-projecten, zijn niet per se die met de grootste budgetten of de meest geavanceerde tools. Het zijn meestal de organisaties die de vragen over data readiness stelden voordat de scope van het project vastlag: van welke datasets hangt dit af, wie is de eigenaar, hoe stroomt de data, en welke kwaliteitsproblemen zijn bekend. Als de antwoorden op die vragen zijn vastgelegd en aangepakt voordat het bouwen begint, heeft het project een realistisch fundament om op te werken.

Een beter beginpunt

Voor organisaties die al midden in een project zitten en bij wie het datawerk langer duurt dan verwacht, levert het meestal betere resultaten op om vaart te minderen, het fundament helder te beoordelen en de scope opnieuw af te stemmen op wat de data echt kan dragen, dan de oorspronkelijke planning te blijven doordrukken.

Voor organisaties die eerder in het proces zitten, bij wie het budget is goedgekeurd maar het bouwen nog niet is begonnen, is er een echte kans om het patroon voor te zijn. Een data readiness assessment kost in deze fase een fractie van wat bijsturen na twaalf maanden kost, en geeft een veel nauwkeuriger beeld van wat de planning van het project eigenlijk zou moeten zijn.

Dat is het werk dat wij doen voordat organisaties gaan bouwen en vaak ook met teams die halverwege zijn en willen begrijpen waar ze eigenlijk mee te maken hebben.

Benieuwd wat dit voor jouw omgeving betekent? Laten we praten.