AI Strategy: How to Choose What AI Product to Implement
Dit artikel introduceert het eROI-raamwerk (expected ROI), dat bedrijven helpt de onzekerheid bij de selectie van AI-projecten te overwinnen door de potentiële waarde, de kans op succes en de implementatiekosten van elk idee afzonderlijk te evalueren om een robuuste portefeuille van kansrijke weddenschappen op te bouwen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je de kapitein bent van een enorm ruimteschip en dat je een beperkte hoeveelheid brandstof hebt. Je moet beslissen welke verre planeten je gaat bezoeken. Sommige planeten zien er op je radar glanzend en veelbelovend uit, terwijl andere mysterieus en potentieel gevaarlijk lijken. In de wereld van het bedrijfsleven is deze "brandstof" geld en tijd, en de "planeten" zijn nieuwe projecten. Lange tijd hebben bedrijven die probeerden kunstmatige intelligentie (AI) te gebruiken, geleken op kapiteins die gokken welke planeet ze moeten bezoeken op basis van hoe cool de planeet eruitziet, in plaats van te controleren of ze er ook echt kunnen landen of dat de reis het überhaupt wel waard is. Dit artikel duikt in exact dat probleem: hoe kies je welk AI-project je gaat bouwen wanneer je niet 100% zeker weet of het zal werken? De auteurs introduceren een nieuwe manier van denken die "eROI" (expected Return on Investment) wordt genoemd. In plaats van te proberen één enkel magisch getal voor winst te raden, stellen ze voor om de beslissing op te splitsen in drie eenvoudige vragen: Hoeveel geld zouden we verdienen als het werkt? Hoe waarschijnlijk is het dat het daadwerkelijk werkt? En hoeveel gaat het kosten om het te bouwen? Het is alsof je een kaart, een weerbericht en een budget controleert voordat je de kade verlaat.
De auteurs, die experts zijn in business en data science, betogen dat de meeste bedrijven falen bij AI niet omdat de technologie te moeilijk is, maar omdat ze de verkeerde projecten kiezen om mee te beginnen. Ze stellen een framework voor genaamd eROI (expected Return on Investment) om leiders te helpen door honderden ideeën te filteren en de winnaars te selecteren. De kern van het idee is simpel maar krachtig: stop met het proberen samen te persen van alles in één verwarrend getal. Splits je beslissing in plaats daarvan op in drie afzonderlijke pijlers.
Vraag eerst: "Hoe waardevol zou het zijn als het werkt?" Dit gaat niet alleen over direct geld; het gaat erom of het project past bij de grote doelen van het bedrijf, of het nieuwe data-activa voor de toekomst creëert, of dat het het team iets nieuws leert.
Vraag ten tweede: "Hoe waarschijnlijk is het dat het werkt?" Dit is het lastige deel. AI zit vol wetenschappelijke onzekerheid. Alleen omdat je de data hebt, betekent dit nog niet dat de computer het patroon kan ontdekken. De auteurs breken dit af in vier controles: Zullen klanten het gebruiken? Kunnen onze engineers het bouwen? Hebben we de juiste data? En het belangrijkste: is de wetenschap erachter überhaupt mogelijk? Als het antwoord op een van deze vragen "misschien niet" is, dan is het hele project riskant.
Vraag ten derde: "Wat zal het kosten?" Dit is niet alleen de prijs van de software. Het omvat de tijd die je team besteedt, de kosten voor het kopen van nieuwe data en het harde werk om de nieuwe tool in je bestaande dagelijkse routines te integreren.
Om te laten zien hoe dit werkt, vertellen de auteurs het verhaal van een vastgoedbedrijf genaamd Compass. Ze keken naar drie verschillende AI-ideeën die het bedrijf overwoog:
De "Likely-to-Sell"-tool: Dit was een systeem dat naar de contactlijst van een makelaar keek en mensen markeerde die waarschijnlijk binnenkort hun huis te koop zullen aanbieden.
- Het oordeel: Dit was een groot succes. Het had een Zeer Hoge Waarde omdat het makelaars direct hielp meer verkopen te realiseren. Het had een Hoge Waarschijnlijkheid omdat de data duidelijk waren en de wetenschap erachter recht door zee was. Het had een Gemiddelde Kostenpost omdat het team al over de middelen beschikte om het te bouwen.
- Het resultaat: Het bedrijf bouwde het en het leverde uiteindelijk honderden miljoenen dollars aan extra omzet op.
De "Time-on-Market"-tool: Dit was een chique calculator die probeerde precies te voorspellen hoe lang een huis op de markt zou liggen bij een specifieke prijs.
- Het oordeel: Dit was een valstrik. Hoewel het op papier een Hoge Waarde leek te hebben, was de Waarschijnlijkheid van Succes Laag. Waarom? Omdat de wetenschap erachter gebrekkig was. Om te voorspellen hoe prijs de snelheid van de verkoop veroorzaakt, moet je weten wat er gebeurd zou zijn als de prijs anders was geweest. Maar je kunt dat "wat als"-scenario nooit in het echte leven zien. De auteurs noemen dit een "causaal" probleem, en zonder speciale experimenten kon de AI dit niet oplossen.
- Het resultaat: Het bedrijf beslootte dit idee verstandig genoeg opzij te leggen. Het bouwen ervan zou een verspilling van geld zijn geweest, omdat de wetenschap erachter simpelweg nog niet bestond.
De "Renovation Visualization"-tool: Dit was een Generatieve AI-tool die een foto van een vervallen keuken kon nemen en laten zien hoe het er na een renovatie uit zou zien.
- Het oordeel: Dit was een "misschien". De Waarde was Laag tot Medium omdat er al goedkopere manieren voor waren (zoals virtuele staging). De Waarschijnlijkheid was Medium omdat de AI vreemde fouten zou kunnen maken die kopers boos zouden maken. De Kosten waren Medium.
- Het resultaat: Hoewel het cool klonk en de nieuwste "Generatieve AI"-buzzword gebruikte, klopte de rekensom niet. Het bedrijf bouwde een versie ervan, maar het sloeg niet aan omdat het risico op fouten te hoog was in verhouding tot het voordeel.
Het artikel suggereert dat het geheim van succes niet alleen het hebben van een geweldig idee of de slimste engineers is. Het is het hebben van een portfolio aan weddenschappen. Je zet niet al je brandstof in op dat ene "beste" project. In plaats daarvan meng je een paar zekere zaken (Quick Wins), een paar grote, riskante dromen (Moonshots) en enkele onderzoeksprojecten om uit te zoeken of die grote dromen überhaupt wel mogelijk zijn.
De auteurs benadrukken dat je geen perfecte wiskunde nodig hebt om dit te gebruiken. Je hoeft de exacte winst niet tot op de cent nauwkeurig te berekenen. Je hoeft alleen maar eenvoudige beoordelingen zoals "Laag", "Medium", "Hoog" of "Zeer Hoog" te gebruiken voor elke van de drie pijlers. Dit helpt teams om te stoppen met discussiëren over of een project "goed" of "slecht" is, en te beginnen met echte gesprekken over waarom het wel of niet zou kunnen slagen.
Uiteindelijk leert het artikel ons dat het kiezen van een AI-project lijkt op het plannen van een roadtrip. Je kunt niet alleen de bestemming kiezen met het mooiste plaatje. Je moet controleren of de auto de weg aankan (Technische Zekerheid), of je genoeg benzine hebt (Investering) en of de bestemming de rit eigenlijk wel waard is (Waarde). Door deze vragen te scheiden, kunnen bedrijven stoppen met het verspillen van geld aan projecten die er goed uitzien maar onmogelijk te bouwen zijn, en beginnen met het financieren van de projecten die daadwerkelijk het verschil gaan maken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.