Van data-gedreven naar AI-gedreven besluitvorming. - Management Impact
artikel
Van data-gedreven naar AI-gedreven besluitvorming.
Van alle technologische ontwikkelingen van dit moment is kunstmatige intelligentie het meest ingrijpend en het minst begrepen. We zien indrukwekkende nieuwe toepassingen, maar kunnen de impact op mensen, organisaties en maatschappij nog nauwelijks overzien. In deze serie blogs, Perspectieven op Kunstmatige Intelligentie, onderzoeken we niet alleen de mogelijkheden, maar ook de bedoelde en onbedoelde consequenties. Dit is deel 9 van de serie.
![Van data-gedreven naar AI-gedreven besluitvorming.](https://cdn-images.postach.io/15168c4d-5d00-43c5-b020-0eebf6cd4595/c17148de-54e9-49e5-bead-514a8da8441b/71b931c6-938a-4134-b1db-6ea22876f925.jpg)
Besluitvorming als AI-systemen slimmer zijn dan mensen
Volgens veel managers en bestuurders is het fenomeen data-gedreven besluitvorming niet meer dan oude wijn in nieuwe zakken, omdat zij hun beslissingen altijd al op feiten en cijfers hebben gebaseerd. Als data-analyses zich beperken tot trends in historische cijfers en de extrapolatie daarvan naar de toekomst is er inderdaad weinig nieuws onder de zon.
Maar nieuwe informatiesystemen die gebruik maken van kunstmatige intelligentie (AI) en machine learning gaan verder dan het ondersteunen van besluitvorming. Als wordt vastgesteld dat zij tot betere oplossingen voor problemen komen dan mensen, neemt de acceptatie van een grotere, zelfstandige en onafhankelijke rol van AI systemen in de besluitvorming snel toe. Net zoals artsen in toenemende mate AI systemen inzetten bij het vaststellen van diagnoses en behandelplannen, kunnen managers dat ook.
Het AI systeem van Google DeepMind dat de wereldkampioen Go versloeg, bleek in staat om het koelen van de datacenters 15% efficiënter te organiseren dan menselijke experts. Er zijn financiële instellingen die AI gebruiken om persoonlijk advies aan klanten te geven en om witwassen tegen te gaan. Verzekeringsmaatschappijen zoals Lemonade laten zowel acceptatie als schadebehandeling zoveel mogelijk door AI uitvoeren, zodat de medewerkers zich kunnen beperken tot de uitzonderlijke gevallen. Ook het beoordelen van kredietaanvragen wordt steeds vaker door AI gedaan. En productiebedrijven laten hun logistiek en voorraadbeheer over aan slimme systemen.
Van descriptive naar prescriptive analysis
Dankzij AI, en in het bijzonder machine learning, ontstaan business informatiesystemen die niet alleen het verleden analyseren, maar ook vooruit kijken. Onderstaande figuur van McKinsey illustreert de ontwikkeling van descriptive naar prescriptive analytics, ofwel van beschrijvende naar voorschrijvende analyses.
- Descriptive analytics gaat over historische en huidige resultaten en wordt door controllers gebruikt voor performance management. Wat is er gebeurd en waarom? De analyse is beschrijvend en diagnosticerend.
- Predictive analytics onderzoekt wat er zou kunnen gebeuren en suggereert alternatieve uitkomsten met kansberekeningen en risico-inschattingen. Zo kun je bijvoorbeeld ontwikkelingen in productverkopen, klantgedrag en productie beter begrijpen. Dankzij machine learning en neurale netwerken kunnen zowel gestructureerde en ongestructureerde data worden geanalyseerd.
- Prescriptive analytics gaat een stap verder en geeft aan welke beslissingen moeten worden genomen en wat moet worden gedaan om een doelstelling te realiseren. Op basis hiervan is het ook mogelijk om beslissingen te automatiseren en menselijke interventie te minimaliseren.
Deze analyse is niet gebaseerd op geprogrammeerde instructies (als dit, dan dat). Dankzij machine learning worden door het AI informatiesysteem patronen in de data gedetecteerd en algoritmes gedefinieerd voor het maken van voorspellingen en het doen van aanbevelingen.
Toepassing op strategisch en operationeel niveau
Ik pleit niet voor het robotiseren van leiderschap, maar wel voor het vergroten van de intelligentie bij het nemen van beslissingen door de inzet van AI informatiesystemen. Dit kan zowel op strategisch niveau (allocatie van kapitaal) als op operationeel niveau (optimalisatie) voordeel opleveren. Als je budgetten alloceert voor bijvoorbeeld onderzoek, productontwikkeling en marketing, kan AI helpen met analyses van historische gegevens van de eigen onderneming en van beslissingen en resultaten van concurrenten.
AI kan de CFO helpen die de financiering van de onderneming moet optimaliseren, door niet alleen interne financiële cijfers (metrics), maar ook ontwikkelingen op financiële markten, sentiment onder investeerders en algemene economische indicatoren in aanmerking te nemen.
Analyse van het interne e-mailverkeer kan meer zeggen over de betrokkenheid van de medewerkers en het risico dat mensen ontslag nemen dan een jaarlijks tevredenheidsonderzoek; uiteraard met inachtneming van de privacyregels. En een analyse van sociale media geeft eerder inzicht in de perceptie van klanten dan een traditioneel marktonderzoek.
Andere toepassingen zijn maximalisatie van de marge en optimalisatie van het voorraadbeheer door analyse van verkooptrends, prijsgevoeligheid, acties van concurrenten, marketingbudget, omvang van het verkoopapparaat en sentiment onder klanten.
Tijdens de financiële crisis hebben we vaak gehoord dat topbestuurders niet goed wisten wat er lager in de organisatie werd besloten, waardoor het kon gebeuren dat buiten het zicht van de directie financiële risico werden genomen die de onderneming veel geld hebben gekost. Dit zou met de juiste inzet van de Data Analytics kunnen worden voorkomen.
Data Quality Management
Het ultieme AI systeem maakt een digitaal model van de organisatie en daarvoor zijn veel data nodig. Op basis van informatie over input (de inzet van mensen en productiemiddelen) en output (resultaten) kunnen patronen worden geïdentificeerd en aanbevelingen worden gedaan.
De hoeveelheid data die wereldwijd wordt verzameld en opgeslagen, neemt exponentieel toe. Volgens SINTEF is 90% van de wereldwijd beschikbare data minder dan twee jaar oud. Voor organisaties blijkt het echter niet eenvoudig om relevante informatie op enigszins gestructureerde wijze toegankelijk te maken. Dit vraagt bijzondere attentie voor Data Quality Management. In dit verband ontstaat een nieuwe senior functie: Chief Analytics Officer.
Waarom managers nodig blijven
Hoewel AI systemen worden ontworpen ter ondersteuning van bestuurders, is het in de toekomst eenvoudig voor te stellen dat bestuurders die afwijken van het advies van een prescriptief informatiesysteem dat moeten verantwoorden. Het zou een nieuwe dimensie toevoegen aan het corporate governance principe “comply or explain" (pas toe of leg uit).
Natuurlijk blijven er beslissingen over die niet door AI systemen kunnen worden genomen of voorbereid. Om een algoritme te ontwerpen, heb je veel voorbeelden nodig en die zijn er niet voor uitzonderlijke situaties. Bovendien kunnen bestuurders en directeuren informatie hebben die de huidige omstandigheden veranderen. Denk aan nieuwe wet- en regelgeving of technologische doorbraken, die niet in de – per definitie historische – dataset zijn opgenomen. We hebben managers nodig om beslissingen te nemen als de informatie incompleet is en je toekomstige resultaten niet kunt herleiden uit historische cijfers.
Als de routinematige beslissingen door AI worden genomen, worden verantwoordelijkheid, empathie, creativiteit en originaliteit belangrijkere competenties voor directies dan operaties en financiën. Vragen stellen wordt belangrijker dan antwoorden geven.
Kijk uit voor de HiPPO
De grootste belemmering voor AI-gedreven besluitvorming in een organisatie is overigens het fenomeen HiPPO, de highest paid person’s opinion. Als gevolg van de Authority Bias vinden veel mensen het moeilijk om de bestbetaalde persoon in de groep tegen te spreken.
Daar staat tegenover dat het slecht management is om daar waar data en AI informatiesystemen beschikbaar zijn, besluitvorming slechts te baseren op een subjectieve mening, van wie dan ook.
![](https://cdn-images.postach.io/15168c4d-5d00-43c5-b020-0eebf6cd4595/c17148de-54e9-49e5-bead-514a8da8441b/81bdf07a-612e-4bce-80ed-91c5cdc9635d.jpg)
Willem Peter de Ridder
Futuroloog dr. Willem Peter de Ridder is spreker, auteur en strategieconsultant. Als directeur van Futures Studies ondersteunt hij organisaties bij het verkennen van de toekomst en het formuleren van een toekomstbestendige strategie. Voor meer informatie: www.futuresstudies.nl.
Eerder verschenen in deze serie:
- Deel 1: De mens of de machine: wie beslist?
- Deel 2: Persoonlijk klantcontact via intelligente chatbots: hoe doe je dat?
- Deel 3: De HR functionaris of slimme software: wie selecteert de beste mensen?
- Deel 4: AI vergroot onze veiligheid ten koste van onze privacy
- Deel 5: Hoe AI impact heeft op alle bedrijfsonderdelen
- Deel 6: Ontwrichting van de arbeidsmarkt
- Deel 7: Is kunstmatige intelligentie een bedreiging voor de mensenrechten?
- Deel 8: Nut en noodzaak van regelgeving voor kunstmatige intelligentie