1. Context van de industrie: De strategische envelop
De branche waarin u opereert is van grote invloed op de verwachte omzet van de AI-gebruiks-cases die u van plan bent te lanceren.
Deze eerste poort is gebaseerd op 3 criteria: de regelgevende krachten & nalevingskosten van de sector, de maturiteit van het specifieke tech ecosysteem en de korte tot lange termijn investeringscultuur binnen de sector.
1.1 Regelgeving & Compliance kosten
Elk AI-initiatief opereert binnen sectorspecifieke regelgevingsgrenzen die direct bepalend zijn voor het ROI-potentieel.
Laten we het voorbeeld nemen van de toegang tot voorschrift data van beroepsbeoefenaren in de gezondheidszorg
- In de VS beschermt HIPAA patiëntidentificeerbare informatie, maar staat het gebruik en de verkoop van niet-geïdentificeerde voorschrijfgegevens van artsen data toe voor commerciële en onderzoeksdoeleinden, met minder strenge controles.
- In Brazilië ontwikkelt de regelgeving zich: ANVISA en de Lei Geral de Proteção de Dados (LGPD) houden toezicht op data voor de gezondheidszorg, met regels die vergelijkbaar zijn met GDPR, maar de handhaving is minder ver ontwikkeld; data op recept wordt als gevoelig beschouwd en het gebruik ervan is onderworpen aan wetgeving inzake vertrouwelijkheid en bedrijfsgeheimen, waarbij de toegang vaak beperkt is, tenzij het geanonimiseerd of samengevoegd is.
- In Europa dwingt de GDPR strenge controles af op persoonlijke en gezondheidsdata, waardoor het verzamelen, verwerken en commercieel gebruik van door artsen voorgeschreven data zeer beperkt is en vaak expliciete toestemming of sterke anonimisering vereist is.
Als gevolg hiervan is de ROI van het gebruik van voorschrift data om zich te richten op professionals in de gezondheidszorg sterk in de VS, gemiddeld in Brazilië en beperkt in Europa, waar de data meestal op regionaal niveau wordt samengevoegd.
Deze beperkingen creëren “ROI-gordes” die haalbare use cases bepalen.
1.2 Ecosysteem Volwassenheidsvermenigvuldigers
Het technologische landschap van een industrie - met name de aanwezigheid van gespecialiseerde actoren en innovatieve start-ups - speelt een cruciale rol bij het versnellen van de ROI van AI-projecten.
Wanneer een branche profiteert van een dynamisch ecosysteem van technologieleveranciers, integrators en niche-start-ups, kunnen organisaties sneller geavanceerde AI-oplossingen identificeren, testen en implementeren die zijn afgestemd op hun specifieke zakelijke uitdagingen. Dit ecosysteem bevordert samenwerking, het delen van kennis en toegang tot de beste hulpmiddelen, waardoor de ontwikkelingstijd en integratiehindernissen worden verminderd.
Bovendien stellen opensourcecommunity's en gespecialiseerde verkopers bedrijven in staat om te experimenteren met beproefde frameworks en te profiteren van collectieve innovatie, wat pilots stroomlijnt en de time-to-value verkort. Als gevolg hiervan zijn industrieën met een rijk netwerk van AI-gerichte spelers in staat om succesvolle projecten sneller op te schalen en sneller tastbare productiviteits- en efficiëntievoordelen te realiseren, wat een directe invloed heeft op hun ROI-traject.
1.3 Langetermijndenken als ROI-versneller
Industrieën die meerjarenplanning omarmen (bijv. energie, luchtvaart) realiseren een aanzienlijk hogere cumulatieve AI ROI over periodes van 5 jaar in vergelijking met sectoren met een korte cyclus. Cycli op lange termijn maken het mogelijk om te investeren in meer innovatieve en gedurfde technologieën, terwijl de kosten van projectbeheer, interne werving en langetermijnplanning van de toelevering worden afgevlakt.
Een bekend voorbeeld is BP's tien jaar durende AI-routekaart voor voorspellend onderhoud bij offshore boren.
2. Enterprise Implementatiekosten: De uitvoeringslaag
Het bedrijf waarin een AI use case wordt geïmplementeerd, heeft een aanzienlijke invloed op de implementatiekosten, afhankelijk van de maturiteit van 3 assets: de technologische fundamenten, de data governance en de business appetite voor AI.
2.1 Tech stack-voorbereidingskosten
Organisaties met een moderne data infrastructuur (cloud data lakes, MLOps pipelines) versnellen de implementatie van AI use-cases aanzienlijk in vergelijking met collega's die vertrouwen op legacy systemen.
Om u een schatting te geven: het tot stand brengen van een nieuwe verbinding met een bronsysteem kan enkele dagen tot een maand duren, afhankelijk van de beschikbare connectortypen.
2.2 Data bestuursschuld
Een gebrek aan robuuste data governance vermindert de ROI van AI-gebruikscases op twee belangrijke manieren.
Ten eerste lopen projecten vaak vertraging op door de noodzaak van uitgebreide data voorbereiding en de implementatie van goed toegangsbeheer, omdat teams veel tijd moeten besteden aan het opschonen, organiseren en beveiligen van data voordat er met modelleren begonnen kan worden. Data voorbereiding kan tot 80% van de inspanning in beslag nemen bij machine-learning projecten.
Ten tweede leidt onvoldoende governance tot slechte data kwaliteit en inadequate labeling, wat direct van invloed is op de AI prestaties - modellen die getraind zijn op onvolledige, inconsistente of slecht gelabelde data leveren minder nauwkeurige en minder betrouwbare resultaten, wat de bedrijfswaarde ondermijnt en kostbaar herwerk of verlengde ontwikkelingscycli vereist.
2.3 Wrijvingsindex voor adoptie
De technische affiniteit en verandermanagementcapaciteiten van werknemers bepalen of AI-tools waarde leveren of shelfware worden.
Als verschillende AI-successen eerder de weg hebben geëffend, en werknemers toegang hebben tot voortdurende AI-trainingsprogramma's die helpen de technologie te demystificeren, resultaten te demonstreren en de complementariteit met mensen te benadrukken, staan ze veel meer open voor toekomstige AI-gebruikscases die worden gelanceerd.
Zo bevatten trainingssessies ter ondersteuning van de lancering van een AI-product over het algemeen 20% aan inhoud die gewijd is aan AI-acculturatie, samen met minstens één onderdeel over de toegang tot tools. Hoe meer deze producten worden gecentraliseerd binnen één enkele interface en hoe meer ze gericht zijn op reeds getrainde teams, hoe meer de acculturatie-inspanning afneemt met 30 tot 40%.
3. Voordelen voor meerdere horizonten: De Waardenmatrix
De voordelen van AI-gebruikscases zijn gestructureerd rond twee tijdshorizonten om hun volledige waarde te ontsluiten, met winsten die variëren in tastbaarheid.
De eerste horizon beslaat één jaar en is zeer tastbaar, waarbij de nadruk ligt op winst in verband met de lancering van nieuwe producten en diensten die mogelijk worden gemaakt door AI, evenals taakautomatisering die mogelijk wordt gemaakt door AI.
De tweede horizon beslaat twee tot drie jaar en is minder tastbaar. Het gaat om verbeteringen in de strategische besluitvorming en een grotere veerkracht van het bedrijf bij marktveranderingen door het gebruik van AI.
3.1 Korte termijn (0-12 maanden)
Topline groeimotor
De primaire methode voor omzetgroei is het verhogen van de inkomsten uit bestaande producten. Op het gebied van personalisatie zijn er twee illustratieve voorbeelden: De aanbevelingsmachine van Netflix, die de klantbetrokkenheid met 30% verhoogde en daardoor de opzegtermijn verminderde. Een ander voorbeeld is Stitch Fix, een kledingbedrijf dat AI-algoritmes gebruikt om de voorkeuren en het gedrag van klanten te analyseren en zo kledingaanbevelingen op maat te doen. Dergelijke grootschalige personalisatie zou onhaalbaar zijn zonder AI, en het is precies deze technologie die het bedrijfsmodel van Stitch Fix levensvatbaar maakt.
De tweede benadering bestaat uit het lanceren van nieuwe producten die tot de komst van AI niet winstgevend waren. Nutella werkte bijvoorbeeld samen met Ogilvy Italia om een neuraal netwerk te gebruiken bij het creëren van zeven miljoen unieke potetiketten, die allemaal binnen een week uitverkocht waren. Zonder AI zou het produceren van zo'n enorm aantal unieke etiketten onbetaalbaar of simpelweg onmogelijk zijn geweest, waardoor de campagne uitzonderlijk winstgevend werd.
3.2 Lange termijn (12+ maanden)
Strategische beslissingsoverwicht
Het is altijd een uitdaging om de impact van een strategische beslissing op de financiën van een bedrijf te beoordelen, en nog meer om de invloed van artificial intelligence in die beslissing te evalueren. De meningen zijn het er echter over eens dat AI al een strategische partner in de besluitvorming is geworden. Een voorbeeld van Artefact is het gebruik van marketingmixmodellering, een tool die ontworpen is om de toewijzing van het marketingbudget over verschillende kanalen voor het volgende jaar te optimaliseren. In sommige gevallen kan de winststijging door deze optimalisatie oplopen tot 40%.
Organisatorische veerkracht
Het invoeren van een AI-gedreven cultuur maakt organisaties wendbaar door continu leren, aanpassingsvermogen en snel experimenteren in te bouwen in de dagelijkse werkzaamheden. AI stelt teams in staat om routinetaken te automatiseren, afwijkingen snel te detecteren en workflows te stroomlijnen, zodat werknemers zich kunnen richten op innovatie en waardecreatie. Deze cultuur moedigt gedecentraliseerde besluitvorming aan en stelt teams in staat om nieuwe ideeën te testen, resultaten te analyseren en processen in realtime te itereren, waardoor een mentaliteit ontstaat waarin verandering wordt omarmd en mislukking wordt gezien als een leermogelijkheid. Het resultaat is dat organisaties flexibeler worden, beter voorbereid zijn om op verschuivingen in de markt te reageren en in staat zijn om hun strategieën en rollen aan te passen aan opkomende uitdagingen, waardoor wendbaarheid een kernonderdeel van hun identiteit en operationele kracht wordt.
Negentig procent van de onderzochte bedrijven in een studie van Dataiku beschouwt AI als een middel om veerkracht te tonen bij recessierisico's en economische crises. Meer dan 80% van de managers meldt dat ze hun investeringen in AI handhaven of verhogen ondanks de economische onzekerheden, wat wijst op een sterk vertrouwen in het vermogen van AI om bedrijven te beschermen tegen verstoringen.
Het concentrische ROI-raamwerk
Op basis van alle bovengenoemde factoren stellen wij de volgende formule voor om de ROI van een AI use case te berekenen, die afhankelijk is van drie niveaus: industrie, bedrijf en de rationalisatie van use cases rond IT-, data- en veranderingsbeheerkosten. Hoewel het evalueren van elke factor complex is, zal deze formule u helpen om alle elementen waarmee u rekening moet houden in het oog te houden.
Conclusie: De ROI-vergelijking in evenwicht brengen
Dit raamwerk gaat verder dan een statische kosten-batenanalyse om de cascade-effecten van AI te modelleren:
- Industriële krachten bepalen het ROI-speelveld
- Bereidheid van de onderneming bepaalt de toetredingskosten
- De voordeelhorizon wordt na verloop van tijd samengesteld
In ons laatste artikel zullen we onderzoeken hoe we dit raamwerk kunnen operationaliseren aan de hand van 2 voorbeelden uit de gezondheidszorg, waarbij de ene gericht is op de 0-12 maanden ROI en de andere op de +12 maanden ROI.
