Dit zijn onze lessen uit de praktijk.
Nu ik gemerkt heb dat een Corporate IT Award voor Fluvius niet alleen mooi staat op een podium, maar ook mijn LinkedIn-profiel laat exploderen, wil ik toch even stilstaan bij wat ik inhoudelijk meeneem uit dit traject, want een award is leuk, maar de lessen zijn nuttiger:
1️⃣ Begin bij het proces, niet bij het model
De cases die écht landen, starten bij een concreet pijnpunt. Maar in een grote organisatie is "het proces" zelden netjes gedocumenteerd. Er is legacy, er zijn uitzonderingen en de kennis zit verspreid over mensen die elk een ander stukje van de puzzel kennen. Dat uitklaren bepaalt of je iets bouwt dat aansluit op de realiteit, of iets dat technisch klopt maar operationeel naast de kwestie zit.
2️⃣ Domeinexperts en AI-experts hebben elkaar nodig
Een domeinexpert weet waar de frictie zit, maar niet wat AI ermee kan. Een AI-expert weet wat technisch mogelijk is, maar niet waar het operationeel pijn doet. Vraag dus niet alleen: "Wat kan AI voor jou doen?", maar vraag vooral waar tijd verloren gaat, wat vaak fout loopt en wat nog manueel gebeurt. Daar ontstaan de beste use cases.
3️⃣ Een sterk model is nog geen werkende oplossing
In isolatie kan AI-logica uitstekend werken. Maar daarna begint het echte werk: integratie in systemen, processen en databronnen die zelden voor AI gebouwd zijn. Legacy, beperkte API’s en matige datakwaliteit maken dat al complex genoeg. En dan is er nog de menselijke kant: zonder vertrouwen, duidelijke verwachtingen en begeleiding in hoe mensen ermee werken, blijft zelfs de beste oplossing onderbenut.
4️⃣ Datakwaliteit blijft de stille bottleneck
Je bouwt geen betrouwbare AI op onvolledige of inconsistente data, en dat ontdek je meestal pas bij de implementatie. Data is variabel in kwaliteit, beperkt gedocumenteerd of moeilijk te verzamelen. Consequent onderschat.
5️⃣ Vertrouwen win je niet met een straffe demo
Je wint pas wanneer mensen merken dat de output klopt, consistent is en bruikbaar blijft in hun dagelijkse realiteit. Eén fout op een gevoelig moment blijft langer hangen dan tien goede resultaten. Betrouwbaarheid bouwt meer draagvlak op dan snelheid.
6️⃣ Live gaan is niet het einde
Adoptie, change en communicatie vragen al veel aandacht. Maar ook daarna stopt het niet: modellen degraderen, processen veranderen en databronnen evolueren. De vraag "wie beheert dit over een jaar?" zou al bij de start gesteld moeten worden.
👆 Geen theorie, wel opgedane praktijkkennis met vallen, opstaan en één award. Wat zie jij het vaakst mislopen?
