AI in de onderneming: waarom zoveel Belgische bedrijven slechts een fractie van de kracht ervan benutten
Het echte obstakel is niet de tool, maar het ontbreken van een datafundament
Veel Belgische ondernemingen hebben vandaag toegang tot dezelfde tools voor artificiële intelligentie als de grootste technologiegroepen. Toch benut het merendeel ervan slechts een minieme fractie van het werkelijke potentieel. Niet door een gebrek aan ambitie, maar omdat ze het datafundament niet hebben uitgebouwd waarmee AI iets anders zou kunnen opleveren dan een generiek resultaat.
Vaststelling: AI herleid tot klassieke automatisering
In de meeste Belgische bedrijven blijft artificiële intelligentie vandaag beperkt tot taken die een klassieke bedrijfssoftware evengoed had kunnen uitvoeren: facturen sorteren volgens een vaste regel, een standaardmail versturen na een bestelling, documenten klasseren in een vooraf bepaalde map. Het gaat om afgebakende en routinematige processen, automatisering in de meest traditionele zin van het woord, die enkel het etiket artificiële intelligentie krijgen omdat de tool waarmee ze worden uitgevoerd die technologie bevat. De verwarring is reëel: een systeem dat een vaste regel toepast, een voorwaarde die altijd dezelfde actie in gang zet, leert niets en verbetert niet naarmate het gebruikt wordt, in tegenstelling tot een model dat getraind is op de eigen gegevens van de onderneming en dat patronen kan herkennen die geen enkele vooraf geschreven regel had kunnen voorzien.
Oorzaken: een ontbrekend datafundament en onbekende technische basisprincipes
Het eerste obstakel is louter kwantitatief. Opdat een AI-model een betrouwbare analyse of voorspelling zou maken over een bepaald proces, een type verkoop, een klantprofiel of een bestelpatroon, zijn doorgaans enkele duizenden voorbeelden van datzelfde proces nodig. De meeste Belgische bedrijven, alle sectoren samen, halen echter zelfs geen duizend gestructureerde records voor één en hetzelfde verkoopprincipe: de gegevens bestaan wel, maar zijn verspreid over mailboxen, geïsoleerde spreadsheets en bedrijfssoftware die niet met elkaar communiceert.
Het tweede obstakel heeft te maken met het aantal variabelen, niet alleen met het aantal regels. Een onderneming die over duizend bestellingen beschikt, maar nooit het acquisitiekanaal, de duur van de verkoopcyclus of de reden van een weigering heeft geregistreerd, geeft de AI slechts een vlak beeld van haar activiteit. Zonder die variabelen kan de tool niet nagaan waarom bepaalde klanten meer kopen, noch een gedragsverandering voorzien. Hij beperkt zich tot het herhalen van het gemiddelde van wat hij ziet, bij gebrek aan bijkomende invalshoeken om te kruisen.
Het derde obstakel is een gebrekkige kennis van de technische basisprincipes waarmee dat fundament net kan worden opgebouwd. Vraag de meeste directieteams wat een Git-repository is, de tool die precies dient om de gegevens en de code van een project te organiseren, te versioneren en te centraliseren, en het antwoord is doorgaans stilte. Hetzelfde geldt voor begrippen als iteratie, waarbij een model opnieuw wordt getraind naarmate er nieuwe gegevens binnenkomen, datacleaning, waarbij dubbele records worden verwijderd en inconsistente formaten worden gecorrigeerd, of een multi-agentsysteem, waarin meerdere gespecialiseerde AI’s een complexe taak onder elkaar verdelen. Zonder dit eerste niveau van technische kennis is het structureel onmogelijk een bruikbare databank voor te bereiden, ongeacht het budget dat aan de tool zelf wordt besteed.
Gevolgen: rekenkracht herleid tot loutere tijdwinst
Dit ontbrekende fundament houdt een foutieve maar wijdverspreide perceptie in stand: AI zou een loutere gadget zijn, speelgoed waarmee men enkele minuten wint bij een repetitieve taak, zoals een e-mail opstellen, een document samenvatten of een afbeelding genereren. Die visie is op zich niet fout, maar ze herleidt een krachtig rekeninstrument tot de rol van een iets geavanceerdere spellingcorrector.
De werkelijkheid is omgekeerd: goed gevoed beperkt een AI zich niet tot het automatiseren van wat een onderneming al doet, maar dient ze om het volume ervan te verhogen, met meer geïdentificeerde klanten, meer geanticipeerde bestellingen en meer verkoopkansen die worden gedetecteerd voordat een concurrent ze ziet. Het verschil hangt uitsluitend af van de hoeveelheid en de kwaliteit van de gegevens die vooraf worden aangeleverd: het is een groeihefboom, geen comforttool.
Oplossing: eerst het datafundament uitbouwen, vóór de tool
Concreet bestaat de eerste stap niet uit het kiezen van een AI-tool, maar uit het opzetten van een Git-repository om de gegevens van de onderneming te centraliseren en te structureren, en vervolgens uit het identificeren van de twee beste reeds beschikbare bronnen om die te voeden. Voor nagenoeg alle bedrijven zijn dat de volledige historiek van de e-mails die met klanten en leveranciers werden uitgewisseld, en de historiek van bestellingen, aankopen en verkopen: twee goudmijnen die bijna elke onderneming al jaren opbouwt zonder ze ooit te benutten. Wanneer ze bestaan, vormen transcripties van telefoongesprekken, verkregen door spraak om te zetten in tekst, een nuttige aanvulling op dat fundament, maar ze blijven zeldzaam: weinig Belgische bedrijven nemen hun spraakcommunicatie systematisch op. E-mails, bestellingen en officiële communicatie volstaan al om een solide databank op te bouwen, zonder zware technische investering, zodat AI relevante FAQ’s kan beginnen op te stellen of de werkelijke activiteit van de onderneming beter kan begrijpen.
Dat is precies de aanpak die Selion voor zijn klanten uitrolt. Een initiële audit brengt in kaart welke gegevens werkelijk beschikbaar zijn en in welke staat ze zich bevinden. Die gegevens worden vervolgens verzameld en geïntegreerd in gestructureerde pipelines, en daarna op grote schaal geanalyseerd, ook over meerdere miljoenen gesprekken wanneer dat volume bestaat. Op basis van die analyse kan de meest nuttige informatie worden geëxtraheerd om FAQ’s op te bouwen, zowel voor intern gebruik als voor externe klanten, en kan beter worden begrepen hoe informatie binnen de onderneming circuleert, om die voortdurend te verbeteren.
Dit werk blijft niet beperkt tot een eenmalige implementatie. Het doel is de verzameling en de analyse terugkerend en geautomatiseerd te maken, om de kennisbank van de onderneming continu te voeden. Die kennisbank dient vervolgens om het interne personeel en nieuwe medewerkers op te leiden, en om klanten via alle kanalen te antwoorden: e-mail, website en soms telefonie wanneer de onderneming zo ver wil gaan. Het uiteindelijke doel is het grootste deel van de activiteit van de onderneming te documenteren, zodat die zowel intern als extern kan worden overgedragen.
Een belangrijk deel van dit werk bestaat erin te filteren wat de onderneming nooit mag verlaten. Wachtwoorden, beveiligingssleutels en alle gevoelige informatie worden uitgesloten vóór enige exploitatie van de gegevens, net als uitwisselingen die geen betrekking hebben op algemene vragen die bestemd zijn om gedeeld te worden.
In principe is dit project eenvoudig op te starten: het volstaat de bestaande gegevens te verzamelen. Ondernemingen die niet over de interne competenties beschikken om verder te gaan, kunnen een beroep doen op Selion, dat de volledige aanpak voor zijn rekening neemt, met een resultaat dat doorgaans binnen de maand wordt opgeleverd.
📋 Samenvatting
| Vastgesteld punt | Waargenomen realiteit | Mogelijke actie |
|---|---|---|
| AI herleid tot automatisering | Verwarring met een systeem met vaste regels, dat niet leert | Duidelijk onderscheid maken tussen geautomatiseerde regels en een model dat op gegevens is getraind |
| Onvoldoende datafundament | Vaak minder dan 1000 gestructureerde records per proces, weinig ingevulde variabelen | E-mails, bestellingen, aankopen/verkopen centraliseren in een gestructureerde repository |
| Onbekende technische basisprincipes | Git, iteraties, datacleaning, multi-agent: intern onbekende concepten | Zich opleiden of laten begeleiden in deze basisprincipes alvorens in de tool te investeren |
| AI gezien als tijdwinst | Perceptie van een loutere comforttool in plaats van een groeihefboom | Het gebruik richten op het verhogen van het volume klanten/bestellingen |