Een goede AI-use case kiezen
De klassieke misstap is een probleem zoeken bij een oplossing. Hoe je het omdraait, met de Kamervragen-casus als voorbeeld.
Deel 2 van de reeks
Een probleem zoeken bij een oplossing
Dit is de meest gemaakte fout in AI-projecten, en hij is begrijpelijk: je ziet iets werken, je wordt enthousiast, en je gaat op zoek naar een plek in de organisatie waar het zou kunnen passen.
Neem een vraag als "hoe kunnen we generatieve AI inzetten om de klanttevredenheid te verhogen?". Die lijkt onschuldig, maar de oplossing zit er al in verwerkt. Daarmee sluit je alle andere manieren om die tevredenheid te verhogen uit, en loop je het risico dat je iets bouwt dat technisch werkt en in de organisatie niet landt.
In dit deel: hoe je de vraag omdraait, waar je aan ziet of een vraagstuk zich leent voor AI, en hoe dat in ons eerste project ging.
Eerst het probleem, dan de vraag
Wij werken met "hoe kunnen we"-vragen. Elk knelpunt is in die vorm te gieten, en het scheelt dat je dan nog niets over de oplossing hebt gezegd. Wat je overhoudt is een vraag waarop meerdere antwoorden mogelijk zijn, en dat is precies wat je wilt aan het begin.
Hoe dat ging bij de Kamervragen
In 2021 wonnen we de challenge over Kamervragen van het Startup in Residence-programma van het ministerie van EZ. Dat was onze eerste aanbesteding. De opdracht luidde: ontwikkel een tool waarmee het beantwoorden van Kamervragen sneller en beter gaat.
We hebben toen een stap terug gedaan en eerst uitgezocht wat het probleem eigenlijk was. Uit de gesprekken met beleidsmedewerkers kwam dit:
- De werkdruk is al hoog, en Kamervragen komen er bovenop.
- Een antwoord moet nauwkeurig zijn en kloppen met wat er eerder is geantwoord.
- Dezelfde vraag wordt vaak meerdere keren gesteld, soms net anders, soms aan een andere bewindspersoon.
- Het meeste werk zit niet in het schrijven maar in het zoeken naar de laatste stand van zaken.
Dat laatste punt veranderde het project. De vraag werd: hoe kunnen we Kamervragen sneller, nauwkeuriger en consistenter beantwoorden? Niet: hoe laten we AI antwoorden schrijven. Uit die formulering volgde een oplossing die het zoekwerk overneemt en het schrijven bij de mens laat. Dat is nog steeds hoe Codi werkt.
Waar dit in ons proces zit
De Launch-fase
In onze Data Discovery Sprint valt dit werk in de eerste fase. Daar duiken we in het vraagstuk, formuleren we de 'hoe kunnen we'-vraag en verkennen we oplossingsrichtingen. De technische randvoorwaarden komen daar ook al op tafel, want die bepalen straks wat haalbaar is.
- Fase 1
Launch
Het vraagstuk uitpluizen met de mensen die het werk doen, en samenvatten in één vraag.
- Fase 2
Validate
De gekozen richting tastbaar maken in prototypes en die naast de praktijk leggen.
- Fase 3
Awaken
Van prototype naar werkende oplossing: bronnen ontsluiten, logica bouwen, testen.
- Fase 4
Deliver
De oplossing invoeren en verankeren, zodat er ook over een jaar nog mee gewerkt wordt.
Alles in één plaat: het waardepropositiecanvas
De uitkomst van die eerste fase zetten we in één canvas, zodat de hele use case op één A3 staat. Daarop staan drie dingen naast elkaar: wie de gebruikers zijn en waar zij op vastlopen, hoe de oplossing eruit gaat zien en welk knelpunt hij wegneemt, en uit welke technische bouwstenen dat bestaat. Databronnen, systemen, processen.
Dat derde deel is onze eigen toevoeging aan het standaardcanvas, en het is het deel dat het meeste voorkomt. Een mooie oplossing waarvan de benodigde data niet bestaat, is geen oplossing.
Waaraan je een goede use case herkent
Vier dingen moeten kloppen. Ontbreekt er één, dan loopt het project daar later op vast.
- Een scherp omschreven probleem. Wat los je op, voor wie, en waarom nu?
- Een meetbaar doel. Wanneer is het gelukt? Zonder antwoord daarop blijft een project eindeloos doorontwikkelen.
- Technisch haalbaar. Bestaat de data, en mag je erbij? Dat is een andere vraag dan of het model het kan.
- Mensen die meewillen. Zonder draagvlak loopt het halverwege vast, en dat merk je pas als het al geld heeft gekost.
En dan: welke rol krijgt AI?
De vraag die je daarna moet stellen, is hoe ver de rol van het systeem reikt. Neemt het een stap over, of ondersteunt het iemand die de stap zelf zet? Waar precisie zwaar weegt, zoals bij juridische, financiële of medische beslissingen, is het antwoord bijna altijd het tweede.
Bij de Kamervragen kozen we daar bewust voor: het systeem zoekt en presenteert, de beleidsmedewerker formuleert. Dat is geen technische beperking maar een ontwerpkeuze, en het is dezelfde keuze die we bij de SVB maakten bij het opstellen van beslisregels.
Combineer het met gewoon datawerk
Generatieve AI wordt beter van het werk eromheen. Een model dat interne rapporten moet samenvatten, doet dat beter als je het goede voorbeelden geeft uit het domein waarin het moet werken. Een goede samenvatting van een aanbestedingsdocument ziet er anders uit dan een goede samenvatting van een marketingstrategie.
Datzelfde geldt voor het voorbereidende werk: teksten taggen, onderwerpen herkennen, data opschonen. Dat is klassiek dataengineering en het levert vaak meer op dan een groter model.
Verder lezen
De reeks over generatieve AI
Vijf stukken die samen één vraag beantwoorden: hoe krijg je AI aan het werk in een organisatie waar de inzet hoog is? Ze staan in leesvolgorde, maar je kunt er ook één uit pakken. Het valideren en het invoeren van een oplossing staan niet meer in deze reeks: die twee onderwerpen hebben we uitgewerkt per fase in de reeks over de Data Discovery Sprint.
Deel 1
Wat is generatieve AI?
Wat de techniek doet, waarom een model niets weet, en welke zes dingen een AI-project laten slagen.
Deel 2
Een geschikte use case kiezen
De klassieke misstap is een probleem zoeken bij een oplossing. Hoe je het omdraait, met de Kamervragen-casus als voorbeeld. Dit stuk lees je nu.
Deel 3
Het fundament eronder
Data, systemen en processen. Het deel onder de waterlijn, waar een AI-project op strandt of niet.
Deel 4
Welk model kies je?
Vier soorten taken vragen vier benaderingen. Plus de vraag die er in Nederland bij hoort: waar draait het model?
Deel 5
Verantwoord inzetten
Zes principes die wij aanhouden, en wat de EU AI Act sinds augustus 2026 van je vraagt.
Meer weten?
Wil je meer informatie over het implementeren van Generatieve AI over dit onderwerp? Bart gaat er graag met je over in gesprek.
