Iedereen krijgt dezelfde AI. Waar zit dan straks nog je voorsprong?

Stel dat jouw grootste concurrent morgen precies dezelfde AI kan gebruiken als jij. Hetzelfde model, ongeveer dezelfde mogelijkheden en tegen vergelijkbare kosten.

Wat is jouw AI-voorsprong dan nog waard?

Die vraag houdt mij steeds meer bezig. We praten veel over organisaties die vooroplopen met AI. Er verschijnen onderzoeken en verhalen over bedrijven die sneller zouden zijn dan andere en natuurlijk wordt er volop gecommuniceerd over nieuwe toepassingen, copilots en agents. Maar hoe duurzaam is zo’n voorsprong eigenlijk als de onderliggende technologie voor vrijwel iedereen beschikbaar is?

Een paar weken geleden schreef ik hierover vanuit de accountancy. Daar zie je inmiddels accountantskantoren die communiceren over copilots, agents en eigen AI-toepassingen. Daar is op zichzelf niets mis mee. Wij gebruiken en onderzoeken AI bij Coney Minds ook volop. Alleen geloof ik niet dat het hebben van AI uiteindelijk het verschil gaat maken, en dat geldt volgens mij niet alleen voor accountants.

Iedereen kan hetzelfde model gebruiken

Neem een fabrikant die al twintig jaar machines bouwt en onderhoudt. In die periode is informatie verzameld over storingen, onderdelen, onderhoud, productie, sensoren en de omstandigheden waaronder machines worden gebruikt.

Een concurrent kan hetzelfde taalmodel gebruiken, maar beschikt daarmee nog niet over de twintig jaar aan historische data die de fabrikant zelf heeft opgebouwd. Daar begint het interessant te worden. Niet bij de vraag welk model de fabrikant gebruikt, maar bij de vraag of hij zijn eigen informatie zo heeft georganiseerd dat AI er daadwerkelijk iets mee kan.

Bij banken speelt hetzelfde. AI voor fraudedetectie, kredietbeoordeling, documentanalyse of klantcontact is niet voorbehouden aan één bank. De technologie is te koop, terwijl transactiehistorie, kennis van klanten, interne processen en ervaring met fraude in de loop van jaren zijn opgebouwd.

Ook in de zorg kun je deze redenering volgen. Ziekenhuizen krijgen steeds meer toegang tot dezelfde modellen en medische AI-toepassingen, maar beschikken daarmee nog niet over dezelfde patiëntinformatie, medische expertise, processen en historische uitkomsten.

Het patroon is steeds ongeveer hetzelfde: toegang tot AI wordt eenvoudiger, terwijl de informatie en kennis waarmee je die AI echt interessant kunt maken veel moeilijker te kopiëren zijn.

Hebben we onze eigen data eigenlijk wel op orde?

En daar zit wat mij betreft een veel interessantere AI-discussie. Organisaties besteden momenteel veel tijd aan de selectie van modellen, licenties, copilots en agents. Logisch, want dat is nieuw en zichtbaar. Maar hoeveel organisaties kunnen tegelijkertijd zeggen dat hun eigen data goed genoeg is georganiseerd om die technologie echt onderscheidend te gebruiken?

Dat is een stuk minder sexy.

Waar staan de gegevens? Zijn definities binnen de organisatie hetzelfde? Is historische informatie nog beschikbaar? Kunnen verschillende databronnen aan elkaar worden gekoppeld? Is duidelijk welke gegevens betrouwbaar zijn? En mag de AI er überhaupt bij?

Dat zijn vragen die we uit twintig jaar data-analyse eigenlijk al kennen. AI maakt die vragen niet overbodig en misschien zelfs urgenter. Een taalmodel kan indrukwekkend goed redeneren en formuleren, maar als de informatie die je erin stopt onvolledig, verouderd of verkeerd is, krijg je hooguit een overtuigender gepresenteerd probleem terug.

Dezelfde AI betekent nog niet dezelfde uitkomst

Stel dat twee productiebedrijven exact hetzelfde model gebruiken. Bedrijf A heeft twintig jaar onderhoudsdata gestructureerd beschikbaar, kent de kwaliteit daarvan en heeft die data gekoppeld aan storingen en productiegegevens. Bij bedrijf B staat dezelfde soort informatie verspreid over ERP-systemen, Excel-bestanden en mailboxen, terwijl een deel alleen nog in de hoofden van ervaren medewerkers zit.

Hoewel beide bedrijven dezelfde AI gebruiken, is hun uitgangspositie dus bepaald niet hetzelfde.

Dat geldt ook voor professionele dienstverlening. Een advocatenkantoor heeft misschien duizenden eerdere zaken, contracten, juridische analyses en specialistische kennis opgebouwd. Een accountantskantoor beschikt over controlehistorie, vaktechnische kennis, methodologie en jarenlange ervaring met klanten en sectoren.

De vraag wordt dan niet alleen of AI een juridisch memo of een controleanalyse kan maken. Dat kunnen de modellen waarschijnlijk steeds beter. Interessanter is welke eigen kennis en data je eraan kunt toevoegen en of je vervolgens voldoende kennis in huis hebt om de uitkomst te beoordelen.

Goed kunnen prompten lijkt mij geen strategie

Daarom heb ik ook moeite met de aandacht voor AI-skills alsof organisaties daarmee een structurele voorsprong kunnen opbouwen. Natuurlijk moet je leren werken met nieuwe technologie. Wij doen dat zelf ook. Maar ik betwijfel of goed kunnen prompten over vijf jaar nog een bijzondere vaardigheid is. De modellen worden juist ontwikkeld om steeds beter te begrijpen wat wij bedoelen, waardoor de bediening waarschijnlijk steeds eenvoudiger wordt. Het beoordelen van de uitkomst blijft ondertussen kennis van je vak, organisatie en data vragen.

Daarmee komt een vrij traditioneel begrip weer terug in de AI-discussie: vakmanschap. Je moet voldoende van je eigen vak en organisatie begrijpen om te kunnen beoordelen of een antwoord ergens op slaat.

Dat klinkt misschien minder spannend dan de volgende generatie AI-agents, maar voor mij zit daar uiteindelijk een belangrijk deel van het verschil tussen organisaties.

Data wordt belangrijker, maar niet omdat het goud is

Al jaren wordt gezegd dat data het nieuwe goud of de nieuwe olie is. Ik heb met beide vergelijkingen niet zoveel. Veel data hebben is op zichzelf geen prestatie. Een database vol slechte gegevens is vooral een grotere database met slechte gegevens.

AI maakt wel duidelijker waarom goede eigen data waarde heeft. Als het algemene model steeds beter wordt en tegelijkertijd voor steeds meer organisaties beschikbaar komt, wordt hetgeen je zelf aan dat model kunt toevoegen interessanter: eigen transacties, eigen historie, eigen klanten, eigen machines, eigen processen en eigen kennis.

Niet de hoeveelheid data bepaalt daarbij de waarde, maar de kwaliteit, relevantie en bruikbaarheid ervan. En vervolgens moet je nog weten welke vragen je ermee wilt beantwoorden.

Lopen we naar de verkeerde wedstrijd te kijken?

We kijken nu vooral naar wie het nieuwste model gebruikt, wie een eigen agent heeft gebouwd en hoeveel medewerkers met AI werken. Dat zijn begrijpelijke indicatoren in een periode waarin de technologie nieuw is, maar ik vraag me af hoeveel ze over een paar jaar nog zeggen.

Microsoft Teams, Excel of cloudsoftware noemen we tegenwoordig ook niet als concurrentievoordeel. Het gaat erom wat organisaties ermee doen en met AI gaat waarschijnlijk hetzelfde gebeuren. Dan wordt het interessanter om te kijken naar wat een organisatie in de jaren vóór AI heeft opgebouwd en hoe goed zij dat nu weet te benutten. Voor een fabrikant kan dat twintig jaar machine- en onderhoudsdata zijn, voor een bank transactiehistorie en kennis van klanten en voor een professionele dienstverlener opgebouwde kennis, methodologie en ervaring.

Daarom zou ik bestuurders niet alleen vragen wat hun AI-strategie is. Ik zou minstens zo geïnteresseerd zijn in de kwaliteit van hun data, de kennis die in de organisatie is opgebouwd en de vraag of die twee überhaupt goed toegankelijk zijn voor de nieuwe technologie.

Want uiteindelijk blijft voor mij één vraag over:

Wat heeft jouw organisatie wat je concurrent morgen niet gewoon kan downloaden?