Om te kunnen opschalen, moet AI voorspelbaar, betrouwbaar en beheersbaar zijn. Volgens de laatste Global CEO Survey van PwC, uitgevoerd onder meer dan 4.400 leidinggevenden, zegt 56% van hen tot op heden geen significant financieel voordeel uit kunstmatige intelligentie te hebben gehaald. Een architectuur die AI combineert met bedrijfsregels zou, volgens de gepubliceerde analyse, de kosten kunnen beheersen en meetbare resultaten garanderen.
De rem zit meestal niet in de prestaties van de modellen, maar in hun onvoorspelbaarheid. Een bedrijf dat de beslissing van een AI niet kan voorzien noch haar betrouwbaarheid op lange termijn kan garanderen, aarzelt om haar kritieke processen toe te vertrouwen. Het blijft dan beperkt tot experimenten met laag risico, terwijl concurrenten vooruitgaan. De centrale vraag wordt dus die van betrouwbaarheid: kan AI goede resultaten op een herhaalbare en beheerste manier voortbrengen?
Van technische resultaten naar bedrijfsresultaten
Een AI kan een antwoord genereren, een document samenvatten of een actie aanbevelen. De vraag blijft of deze output de klantervaring verbetert, operationele kosten verlaagt, medewerkers productiever maakt of de omzet doet groeien, want dit zijn de resultaten waarop leidinggevenden worden beoordeeld. Jarenlang heeft de industrie AI echter gemeten aan de hand van technische criteria, zoals nauwkeurigheid of benchmark-scores, indicatoren die vooral data scientists aanspreken.
Vanuit bedrijfsperspectief is een performante AI een AI waarvan de resultaten zijn afgestemd op haar doelstellingen, binnen een gedefinieerd en controleerbaar kader.
Wat onvoorspelbaarheid kost
Wanneer het gedrag van een AI van situatie tot situatie varieert, vertraagt de adoptie eerst. Door gebrek aan vertrouwen in haar aanbevelingen, vallen medewerkers terug op handmatige processen, en verdampen de verwachte winsten van automatisering. Uit voorzorg beperken bedrijven AI vervolgens tot weinig gevoelige use cases, wat de winst beperkt tot enkele incidentele resultaten.
Ook de kosten worden moeilijk te beheersen. In agentische AI-systemen, waar agents autonoom lange en complexe taken uitvoeren, neemt het tokenverbruik, de eenheden tekst die het model verwerkt, niet lineair toe. Bij elke stap heroverwegen de agents de context, her-evalueren ze de opties en herstarten ze hun redenering, waardoor de rekening voor een groot bedrijf kan exploderen. Gartner voorspelt bovendien dat meer dan 40% van de agentische AI-projecten eind 2027 zal worden gestaakt, vanwege oplopende kosten, slecht vastgestelde bedrijfswaarde of onvoldoende risicobeheersing.
Daar komt het juridische risico bij. In een gereguleerde omgeving, en nu de AI Act geleidelijk van kracht wordt, kan een probabilistisch antwoord niet in de plaats komen van een bedrijfsregel wanneer het juiste antwoord vooraf bekend is.
Voorspelbaar betekent niet uniform
Een voorspelbare AI geeft niet bij elke situatie hetzelfde antwoord. Ze garandeert daarentegen dat elk antwoord het door het bedrijf gestelde doel dient, met inachtneming van specifieke regels. Een uitwisseling met een klant kan natuurlijk en gepersonaliseerd blijven terwijl aan regelgevende verplichtingen wordt voldaan, en een aanbeveling kan van klant tot klant verschillen terwijl ze een gevalideerde beslissingslogica volgt.
Het moet mogelijk zijn uit te leggen welke data en welke regels tot een aanbeveling hebben geleid, om met vertrouwen te kunnen handelen en indien nodig verantwoording af te leggen. Naleving moet zijn ingebed in de architectuur zelf, in plaats van te steunen op menselijke controles achteraf. De cijfers van PwC wijzen in die richting: bedrijven met solide fundamenten, zoals een verantwoord AI-kader, hebben drie keer meer kans op significante financiële rendementen.
Gezien de exploderende kosten bestaat de meest voorkomende reflex uit het vermenigvuldigen van dashboards, budgetplafonds en monitoringmechanismen. De bron is daarentegen van mening dat onvoorspelbaarheid al bij het ontwerp van systemen kan worden opgelost, door twee niveaus te combineren. Het eerste is een deterministische orkestratielaag, die de bedrijfsregels toepast en de beslissingen voor zijn rekening neemt waarvoor al een goed antwoord bestaat, zoals geschiktheidscriteria of compliance-eisen. Het tweede is een AI-laag, ingeschakeld wanneer een ongestructureerd document moet worden geïnterpreteerd, natuurlijke taal moet worden geproduceerd of een sentiment moet worden geanalyseerd. Het resourceverbruik concentreert zich zo op de taken die het rechtvaardigen, en de kosten worden voorspelbaar.
Van experiment naar concurrentievoordeel
De bedrijven die het meeste uit AI zullen halen, zullen volgens deze analyse zij zijn die krachtige modellen weten om te zetten in betrouwbare en duurzame resultaten. Het succescriterium verandert dan: minder wat AI kan doen, meer wat ze op een constante en meetbare manier voortbrengt. Voorspelbaarheid maakt het verschil tussen een demonstratie en een transformatie, tussen een pilotproject en een bedrijfsbrede implementatie.
