AI implementeren in kernprocessen? Dit zijn een aantal learnings
In dit artikel:
In 2024 kwam de auteur bij Franke Media aan boord, ruim een jaar na de overname door Waterland Private Equity. Franke Media was marktleider in Nederland en België maar ontbrak het aan technologische readiness en lokale redactieteams om internationaal te schalen. Het antwoord dat het bedrijf koos: automatisering met AI, gericht op het ondersteunen van repetitieve taken in het redactieproces. Sindsdien werkt een kernteam (onder meer Rachel, Noah en Stijn) ruim twaalf maanden aan oplossingen en deelt de auteur de belangrijkste lessen uit die implementatie.
Belangrijkste observaties
- Techniek is niet meer de beperkende factor. In korte tijd (2–3 weken) was ongeveer 80% van de technische oplossing gerealiseerd. Het lastige deel zit in de resterende 20%: implementatie, integratie met bestaande systemen en doorlopende optimalisatie. Dit deel kost veel meer tijd en bepaalt uiteindelijk of een project succes heeft.
- Nieuw is niet automatisch beter. Nieuwe LLM-versies verschijnen snel en lijken aantrekkelijk, maar presteren niet altijd beter in alle toepassingen. zorgvuldig testen in een aparte omgeving is essentieel. In de praktijk werkt het vaak beter om resultaten van meerdere modellen te combineren dan afhankelijk te zijn van één model.
- Menselijke input blijft cruciaal. AI presteert alleen goed met hoogwaardige data, proceskennis en menselijke begeleiding. De redactie heeft jarenlange ervaring en dat domeinkennis vormt het ‘goud’ dat de AI bruikbaar maakt. Zonder die context en feedback blijven output en kwaliteit onder de maat.
- Schaalbaarheid als grootste voordeel. Hoewel AI kan leiden tot taakverschuivingen of jobreducties, biedt het vooral de mogelijkheid om veel meer werk met hetzelfde team te doen en zo internationale groei mogelijk te maken die anders niet haalbaar zou zijn.
- Snel live met een MVP. Leren gebeurt vooral in de praktijk. Een minimale, werkende versie uitrollen en vroeg met gebruikers feedback verzamelen werkt beter dan eindeloos finetunen in een testomgeving. Gebruik het team actief om systemen te evalueren en bij te sturen.
- Verwacht geen snelle overwinningen. Implementatie volgt niet lineair; acceptatie van tegenvallers en kleine, consistente verbeteringen (“een stapje per dag”) levert meer op dan jacht op een homerun.
Aanbevelingen en context
- Plan de roadmap realistisch: reserveer verhoudingsgewijs veel tijd voor integratie en optimalisatie, niet alleen voor prototyping.
- Bouw governance, datakwaliteitschecks en feedbackloops in vanaf het begin; menselijke experts moeten de AI sturen en controleren.
- Denk strategisch na over welke LLMs of combinaties daarvan passen bij je use case en test grondig voordat je wisselt.
Slotopmerking: het project is nog gaande en de inzichten zijn voorlopig, maar kunnen dienen als praktische leidraad voor organisaties die AI in hun kernprocessen willen inzetten.