Bedrijven die artificial intelligence niet omarmen zijn niet dom

De potentie van Artificial Intelligence (AI) voor productiviteitsgroei is groot (Brynjolfson et al., 2018). Denk aan de productiviteitswinsten door tijdige signalering van noodzakelijk machine-onderhoud bij industriebedrijven of het nauwkeurig voorspellen van de vraag naar producten zodat voorraden bij supermarkten optimaal worden beheerd.

Toch is de adoptie van AI door bedrijven niet vanzelfsprekend. Robotisering, een technologie waar vaak AI bij komt kijken, wordt door slechts 7 procent van de bedrijven in Nederland omarmd (CBS, 2019). En het aandeel bedrijven dat gebruik maakt van Big Data, een belangrijke grondstof voor AI, is het afgelopen jaar afgevlakt: van 23 procent in 2017 naar 22 procent in 2018 (CBS, 2019).

Dat de adoptie van AI niet vanzelfsprekend is, kan te maken hebben met een effect van een toenemende AI-vraag op de prijs van producten en activiteiten die met AI samengaan. Net zoals de prijs van koffiemelk stijgt wanneer de vraag naar koffie stijgt, zal de prijs van data, vaardigheden en besluitvormingspraktijken die met AI gepaard gaan, stijgen wanneer de vraag naar AI stijgt. Omdat genoemde producten en activiteiten noodzakelijk zijn voor het succes van AI, zorgt deze prijsstijging ervoor dat de kosten/baten-afweging voor AI-adoptie bij bedrijven niet zomaar positief uitpakt.

Artificial intelligence: velen hebben het er over, maar wat het precies is en doet wordt vaker niet dan wél gedefinieerd. Eén manier om tegen artificial intelligence (AI) aan te kijken is door het simpelweg als voorspelmachines te zien (Agrawal et al., 2018). Vanuit dit perspectief doet AI in essentie niets anders dan informatie te gebruiken die je al wel hebt om een voorspelling te maken van informatie die je nog niet hebt. Voorspellingen kunnen hierbij betrekking hebben op informatie over de toekomst (bijvoorbeeld weersverwachtingen), het heden (bijvoorbeeld fraudedetectie bij creditcard-transacties) óf het verleden (bijvoorbeeld de gedaanteverschijning van dinosaurussen op basis van fossiele resten).

Voorspellingen zijn niet nieuw, mensen doen dat sinds jaar en dag. Denk hierbij aan de afweging of je een paraplu meeneemt als je van huis weggaat of aan hoeveel tijd je nodig hebt om op tijd bij je afspraak aan te komen. Ook voor bedrijven zijn voorspellingen niet nieuw. Al decennialang voorspellen organisaties aan de hand van modellen de hoeveelheid voorraden die ze moeten aanhouden en de risico’s die ze lopen.

Wel bestaat er een groot verschil tussen voorspellingen op basis van traditionele modellen en voorspellingen op basis van AI. Denk daarbij bijvoorbeeld aan de software achter zelfrijdende auto’s. Die zou volgens traditionele voorspelmethodes op voorhand moeten worden volgestopt met alle denkbare scenario’s die zich kunnen voordoen: als je een muur tegenkomt, trap dan op de rem, als er een auto van rechts komt, geef deze dan voorrang, als het verkeerslicht op groen staat, rij dan door. Gegeven het feit dat er oneindig veel als/dan-combinaties mogelijk zijn, is het vrijwel onmogelijk om zelfrijdende auto’s volgens traditionele voorspelmethodes te ontwikkelen: het vraagt simpelweg te veel van de programmeur om alle mogelijke verkeerssituaties op voorhand in kaart te brengen en te implementeren in één formule.

De oplossing die AI biedt, is dat het niet op voorhand alle denkbare situaties modelleert, maar dat het leert van de situaties die zich onderweg voordoen. Voor auto’s betekent dit dat AI ze in staat stelt om te leren van de verbinding tussen de data die sensoren ophalen enerzijds en de reactie van menselijke chauffeurs anderzijds. In plaats van te wachten op het moment waarop alle mogelijke situaties inzichtelijk zijn gemaakt en voorgeprogrammeerd worden, zorgt AI er dus voor dat voorspellingen al doende worden verbeterd.

Het aanbod van AI-toepassingen is de afgelopen jaren enorm toegenomen (Furman & Seamans, 2019). Dit komt onder andere door de immense toename van data en computercapaciteit (Brynjolfsson et al., 2018): twee essentiële voorwaarden voor het verrichten van voorspellingen op basis van AI. Dit zorgt er ook voor dat problemen die we voorheen niet als voorspelproblemen zagen, zoals autorijden, nu wel zo kunnen worden benaderd. Niet alleen de kwantiteit van AI-toepassingen is toegenomen, ook de kwaliteit. Sinds kort zijn AI-machines bijvoorbeeld beter dan mensen in staat om objecten op foto’s te identificeren: terwijl mensen nog steeds zo ongeveer in 5 procent van de gevallen objecten in foto’s niet goed weten vast te stellen, is het foutenpercentage van AI-gedreven voorspelmachines teruggelopen van ca. 10 procent in 2010 naar slechts 2 á 3 procent in 2016 (Agarwal et al., 2018; Brynjolfson et al., 2018). Al met al heeft AI er dus voor gezorgd dat het aanbod van kwalitatief hoogwaardige voorspellingen de afgelopen jaren is toegenomen.

Een belangrijk te verwachten effect van de opkomst van AI is dat de prijs van producten en activiteiten die met AI samengaan, stijgt. Dit noemen economen complementaire producten en activiteiten. Net zoals de prijs van koffiemelk stijgt wanneer de vraag naar koffie stijgt, zal de prijs van producten en activiteiten die met AI samengaan, stijgen wanneer de vraag naar AI stijgt. Een eerste product dat complementair is aan AI is natuurlijk data. Om goed te kunnen voorspellen, is vaak veel data nodig. Om bij het voorbeeld van zelfrijdende auto’s te blijven: om de AI-machine te bouwen is data nodig over alle mogelijke verkeerssituaties (rood verkeerslicht, groen verkeerslicht, bocht) en acties die uit deze situaties moeten volgen (remmen, doorrijden, sturen). Zonder voldoende data bestaat het risico dat de zelfrijdende auto desastreuze beslissingen neemt.

Een tweede product dat complementair is aan AI, wordt gevormd door de kennis en vaardigheden die nodig zijn om AI-gedreven voorspelmachines te ontwikkelen. Uiteraard gaat het hierbij om de technische vaardigheden om AI-gedreven voorspelmachines te programmeren. Voor zelfrijdende auto’s moeten sensoren worden ontwikkeld die in staat zijn om relevante informatie uit verkeerssituaties waar te nemen. Deze data moeten vervolgens binnen een model in overeenstemming met elkaar worden gebracht waardoor trainingsdata, inputdata en verbeterdata op elkaar kunnen inwerken. Naast technische vaardigheden gaat het echter ook om kennis en creatieve vaardigheden om problemen te identificeren en zo te definiëren dat ze kunnen worden gemodelleerd aan de hand van AI. Als deze technische vaardigheden, kennis en creatieve vaardigheden niet bij één persoon aanwezig zijn, moeten verschillende personen die nodig zijn voor een AI-oplossing ook de sociale vaardigheden hebben om die kennis en vaardigheden met elkaar te verbinden (Deming, 2017).

Tot slot vormen besluitvormingspraktijken een derde product dat complementair is aan AI. Zonder besluitvorming en vervolgacties te verbinden aan voorspellingen leveren ze geen waarde op. De noodzaak tot besluitvorming en vervolgacties betekent allereerst dat moet worden beoordeeld of en in hoeverre daadwerkelijk kan worden vertrouwd op de gedane voorspelling. Aangezien data en modellen altijd een gereduceerd beeld geven van de werkelijkheid, moet worden beoordeeld of de werkelijkheid aanleiding geeft om voor besluitvorming af te wijken van diezelfde voorspelling. Dit vergt beoordelingsvermogen aan de kant van de AI-gebruiker. Pas wanneer beoordeling (stilzwijgend of expliciet) heeft plaatsgevonden, kan worden overgegaan tot daadwerkelijke actie en het is deze actie die uiteindelijk bepaalt of de voorspelling van waarde is of niet.

Net als bij de adoptie van eerdere technologieën (Griliches, 1957; Hall & Khan, 2003), denk bijvoorbeeld aan de introductie van de PC, is de adoptie van AI afhankelijk van de kosten en baten die bedrijven op zich af zien komen met deze nieuwe technologie. De baten van AI-adoptie bestaan uit het verschil in winst dat een bedrijf kan halen uit menselijke of traditionele voorspelmethoden enerzijds en het gebruik van AI-voorspelmachines anderzijds. Punt hierbij is alleen dat op voorhand niet geheel duidelijk is hoe groot die winsten zullen zijn. Ja, de potentie van AI voor bedrijven is over het algemeen groot (Brynjolfson et al., 2018) en zorgt er daarmee voor dat de prijs van voorspellingen over het algemeen daalt (Agrawal et al., 2018). Dat betekent echter niet dat de vertaalslag naar hoe AI precies kan bijdragen aan het bedrijfsmodel van iedere specifieke onderneming zomaar gemaakt is (Agrawal et al., 2018).

Bovendien is het zo dat de winsten vaak niet direct volledig terecht komen bij bedrijven, maar zijn uitgesmeerd over een langere periode (Hall & Khan, 2003). Dit in tegenstelling tot veel van de kosten die gepaard gaan met de adoptie van AI. Deze komen veelal wél direct op bedrijven af, wat betekent dat bedrijven de afweging moeten maken of de onzekere winsten in de toekomst opwegen tegen de zekere kosten van adoptie nu. Bij deze kosten spelen de eerder genoemde producten en activiteiten die complementair zijn aan AI een grote rol. In tegenstelling tot koffiemelk bij koffie, geldt hier dat data, kennis en vaardigheden, en vervolgacties noodzakelijke complementen van AI zijn: zonder deze producten en activiteiten kán AI door bedrijven niet succesvol worden omarmd. Daar waar de kosten substantieel zijn, zoals bijvoorbeeld bij het aantrekken van personeel met de benodigde kennis en vaardigheden, ligt het in de rede dat de benodigde complementaire producten en activiteiten een struikelblok vormen voor bedrijven in het omarmen van AI.

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: the simple economics of artificial intelligence. Harvard Business Press.

Brynjolfsson, E., Rock, D., & Syverson, C. (2018). Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. In: The Economics of Artificial Intelligence: An Agenda. University of Chicago Press.

CBS (2019). Statline: ICT en E-commerce. Den Haag/Heerlen: Centraal Bureau voor de Statistiek.

Deming, D. J. (2017). The growing importance of social skills in the labor market. The Quarterly Journal of Economics, 132(4), 1593-1640.

Furman, J., & Seamans, R. (2019). AI and the Economy. Innovation Policy and the Economy, 19(1), 161-191.

Griliches, Z. (1957). Hybrid corn: An exploration in the economics of technological change. Econometrica, 501-522.

Hall, B. H., & Khan, B. (2003). Adoption of new technology (No. w9730). National bureau of economic research.