In het jaar 208 n.Chr., Cao Cao Hij voerde het bevel over een leger dat zo machtig was dat slechts weinigen het zouden hebben aangedurfd om het uit te dagen. Hij beschikte over een overweldigend aandeel in de middelen, de grootste reservoir aan talent en een schijnbaar onbeperkt vermogen om zijn plannen uit te voeren. Zijn doel was al even ambitieus: de Yangtze-rivier oversteken, de troepen van Sun Quan en Liu Bei verslaan, en China verenigen.

In de hedendaagse zakelijke taal kunt u het beschouwen als een marktleider met een overweldigend marktaandeel, ruime financiële middelen, het beste talent in de sector en een strategische opdracht om het bedrijf te transformeren en het concurrentielandschap te hervormen.

Aan de overkant van de rivier bevonden zich Sun Quan en Liu Bei: twee veel kleinere, minder machtige rivalen wier gezamenlijke troepen in aantal veruit in de minderheid waren.

Op het eerste gezicht leek dit een duidelijke overwinning voor Cao Cao. Er was echter één probleem: zijn soldaten uit het noorden waren niet gewend aan gevechten op het water. Zij werden zeeziek en hadden moeite om zich op de schepen te bewegen. Daarom bedacht Cao Cao een ogenschijnlijk elegante oplossing: koppel de schepen aan elkaar en leg er planken overheen, waardoor de vloot in feite een stabiel platform werd. Iedereen kon zich nu voortbewegen alsof hij zich op vaste grond bevond.

In de context van AI voor bedrijven klinkt dit bekend: één gecentraliseerd, bedrijfsbreed AI-platform opzetten; alle bedrijfsonderdelen met elkaar verbinden; data, modellen, governance en goedkeuringsprocessen samenbrengen; de gebruikerservaring standaardiseren en alles onder controle houden.

Tijdens de strategievergadering zou iemand het volgende kunnen hebben gevraagd: Wat als zij ons met vuur aanvallen?

Cao Cao had een antwoord. Het was winter. De heersende wind kwam uit het noordwesten. Zijn troepen bevonden zich op de noordelijke oever, terwijl de vijand zich op de zuidelijke oever bevond. Als zij zouden proberen zijn schepen in brand te steken, zou de wind de vlammen eenvoudigweg weer in hun richting drijven.

De redenering was waterdicht. Het risico was onder controle. Op één ding na: de wind draaide. En dat is het moment waarop de Slag bij Red Cliffs werd een van de beroemdste keerpunten in de Chinese geschiedenis.

De bevelhebber van de tegenpartij, Zhou Yu, zag onmiddellijk waar de zwakke plek lag: de schepen waren aan elkaar vastgeketend.

Huang Gai, een door Cao Cao vertrouwde, ervaren generaal, stelde een list voor. Hij zou doen alsof hij overliep, met een groep schepen vol brandstof en brandhout de vloot van Cao Cao naderen en deze vervolgens in brand steken.

De soldaten van Cao Cao keken naar de naderende schepen, ervan overtuigd dat Huang Gai kwam om zich over te geven. Toen begonnen de vlammen. Een krachtige zuidoostenwind verspreidde de brand van schip naar schip. Wat oorspronkelijk was ontworpen om stabiliteit te creëren, werd een mechanisme dat verwoesting verspreidde. De vloot brandde af. De kampen aan de kust vatten vlam. De troepen van Cao Cao werden verslagen.

In de traditionele Chinese literaire versie van het verhaal werden later talrijke gedenkwaardige elementen toegevoegd: het beroemde “lenen van de oostenwind”, ingewikkelde listige plannen en de achtervolging bij de Huarong-pas. Maar het historische verslag dat is vastgelegd in Zizhi Tongjian is veel beknopter.

En de beschrijving van de veldslag bevat twee details die van enorm belang zijn:

  • De schepen waren met elkaar verbonden.
  • De wind was sterkg.

Het ene was een structurele kwetsbaarheid. Het andere was een onverwachte factor. Samen zorgden zij ervoor dat het grootste voordeel van Cao Cao zijn grootste zwakte werd.

Dat is een verrassend nuttige manier om hierover na te denken AI-transformatie binnen ondernemingen.

Gecentraliseerde aansturing versus onafhankelijke wendbaarheid

Hoe voorkomt u systeemrisico’s in uw AI-architectuur?

Cao Cao liet zijn schepen aan elkaar vastketenen. Het onmiddellijke voordeel lag voor de hand: zijn soldaten konden zich over het water verplaatsen zonder zeeziek te worden. De stabiliteit nam toe. De coördinatie verbeterde. De vloot werd gemakkelijker te besturen.

Maar door datzelfde besluit ontstond er een systeemkwetsbaarheid. Vroeger zou, als één schip in brand vloog, slechts één schip afbranden. Nu zou, als één schip in brand vloog, de gehele vloot kunnen afbranden. Het feit dat de schepen met elkaar verbonden waren dat was de zwakke plek die Huang Gai had opgemerkt — een zwakke plek die Cao Cao zelf had gecreëerd.

Veel grote ondernemingen worden met een soortgelijke verleiding geconfronteerd wanneer zij aan hun AI-transformatie beginnen.

Vaak is de neiging om één gecentraliseerd AI-platform voor de hele onderneming op te zetten: alle bedrijfsonderdelen met elkaar verbinden, data consolideren, capaciteiten standaardiseren, een gemeenschappelijk bestuurskader instellen en een consistente gebruikerservaring creëren.

Vanuit bestuurlijk oogpunt is dit volkomen logisch. Het beperkt dubbele investeringen, versterkt de beveiliging en de naleving van regelgeving, en zorgt voor schaalvoordelen. Maar het volgt dezelfde onderliggende – en onjuiste – logica als het aan elkaar vastketenen van schepen: een verzameling afzonderlijke eenheden samenbrengen en deze tot één centraal beheerd systeem integreren.

Het probleem is dat er, zodra alles nauw met elkaar is verweven, drie uitdagingen ontstaan.

  • Geconcentreerd risico: Een data-incident binnen één bedrijfsonderdeel kan al snel uitgroeien tot een bedrijfsbrede crisis op het gebied van vertrouwen en naleving.
  • Snelheidsverlies: Bedrijfsteams verliezen de mogelijkheid om zelfstandig te experimenteren. Wanneer zich een nieuwe kans op het gebied van AI voordoet, is hun eerste vraag wellicht niet langer “Kunnen we dit proberen?”, maar “Wanneer kan het centrale team hiervoor toestemming geven?”
  • De illusie van transformatie: Een gecentraliseerd AI-platform kan een organisatie het gevoel geven dat zij een transformatie doormaakt, terwijl zij wellicht alleen maar AI inzet om bestaande processen sneller en goedkoper te maken — zonder zich af te vragen of die processen in hun huidige vorm überhaupt wel zouden moeten bestaan.

Uiteraard sluiten gecentraliseerde platforms en onafhankelijke wendbaarheid elkaar niet uit.

Een volwassen AI-architectuur dient op platformniveau te voorzien in gemeenschappelijke functionaliteiten, beveiligingsmaatregelen en schaalvoordelen, waarbij de bedrijfsonderdelen de ruimte behouden om hun eigen keuzes te maken en zelfstandig te improviseren.

Koppeling dient bewust te gebeuren. Het mag nooit een keten worden.Dat houdt in dat de bestuursgrenzen tussen het platform en de daarop gebouwde applicaties duidelijk moeten worden afgebakend:

Standaardiseer het platform. Geef de applicaties meer mogelijkheden. Hierdoor kan de organisatie gemeenschappelijke normen en risicobeheersingsmaatregelen handhaven, terwijl elke bedrijfsunit de flexibiliteit behoudt om in te spelen op veranderingen in de markt.

De vraag is niet of de schepen met elkaar verbonden moeten worden. Het is welke schepen moeten worden aangesloten, op welk niveau en met welk doel.

Transformatie van bovenaf versus innovatie van binnenuit

Waar ligt de werkelijke drijvende kracht achter de invoering van AI?

De misleiding van Huang Gai was niet louter een militaire list. Zij werkte omdat zij een aannemelijke reden bood voor de aanval met vuur. Huang Gai was een doorgewinterde generaal die bij Cao Cao bekend stond. Zijn reputatie maakte zijn overgave geloofwaardig. Het vuur kwam niet van buitenaf; het werd van binnenuit naar buiten gebracht.

Dit is weer een nuttige les voor AI in het bedrijfsleven.

Wanneer organisaties een AI-transformatie in gang zetten, is de standaardaanpak vaak top-down: het hoofdkantoor stelt de strategie vast, bouwt het platform op, stelt het bestuursmodel vast en implementeert dit vervolgens in de gehele organisatie.

De uitdaging is dat Nieuwe technologie zorgt van nature voor een vertrouwensbarrière. Van mensen wordt gevraagd dat zij hun manier van werken aanpassen, onbekende hulpmiddelen onder de knie krijgen en de kosten van het experimenteren voor hun rekening nemen. En dat is de reden waarom enkele van de snelste successen op het gebied van AI vaak veel dichter bij de bedrijfsvoering ontstaan.

Mensen die jarenlang binnen een bepaalde functie hebben gewerkt, begrijpen waar de echte knelpunten liggen. Wanneer zij bovendien voldoende kennis van AI hebben opgebouwd om te herkennen wat de technologie wel en niet kan, kunnen zij veel nauwkeurigere aanknopingspunten vaststellen en nieuwe toepassingsmogelijkheden met veel minder inspanning valideren.

Deze mensen behoren misschien niet tot de technisch meest onderlegde binnen de organisatie. Maar zij beschikken vaak over iets dat net zo waardevol is: zakelijke kennis en intern vertrouwen.

Een top-downstrategie en bottom-upinnovatie zijn derhalve geen concurrerende modellen. Zij bieden een oplossing voor verschillende problemen:

  • Leiderschap van bovenaf biedt sturing, middelen, risicobeheer en het kader voor schaalvergroting.
  • Door het bedrijfsleven aangestuurde innovatie biedt relevantie, snelheid en praktische validatie.

De meest effectieve AI-strategie doet beide. Bepaal de koers vanuit de top en zoek vervolgens de mensen binnen de organisatie die deze koers in de praktijk kunnen brengen, en geef hen de nodige bevoegdheden.

Elke organisatie heeft haar eigen versie van Huang Gai nodig: mensen die het bedrijf zo goed begrijpen dat zij weten waar AI toegevoegde waarde kan creëren, en die over voldoende geloofwaardigheid beschikken om die verandering van binnenuit in de organisatie tot stand te brengen.

De vraag is niet of de transformatie van bovenaf of van onderaf moet plaatsvinden. De vraag luidt: “Wie binnen het bedrijf kan de vonk doen overslaan??”

Een logische strategie versus een paradigma dat is veranderd

Waarop dient men zich te baseren bij het nemen van beslissingen tijdens een AI-transformatie?

Cao Cao ging niet onzorgvuldig om met risico’s. Volgens het historische verslag hadden zijn adviseurs rekening gehouden met de mogelijkheid van een brandaanval. Zijn redenering was eenvoudig: de vijand bevond zich in het zuiden. Zijn troepen bevonden zich in het noorden. Het was winter. De heersende wind kwam uit het noordwesten. Dus als de vijand zou proberen vuur in te zetten, zouden de vlammen terug naar hen worden geblazen.

De redenering was niet onredelijk. Zij was zelfs gebaseerd op jarenlange ervaring. Cao Cao had tientallen jaren in Noord-China gevochten. Zijn inzicht in het winterweer was herhaaldelijk bevestigd. Het probleem was niet dat zijn ervaring onjuist was.

Het probleem was dat hij een lokale regel had overgenomen in een andere context en deze als universeel beschouwde.

In het gebied rond de Jangtse golden andere klimatologische omstandigheden. De context was veranderd. En wanneer de context verandert, kan zelfs een volkomen rationeel model tot een verkeerd antwoord leiden.

Wij horen soortgelijke argumenten van bedrijven wanneer wij het over AI hebben:

  • “Onze sector is te gespecialiseerd. AI zal dit niet aankunnen.”
  • “Wij beschikken over twintig jaar aan eigen knowhow. Een model kan dat niet begrijpen.”
  • “Onze klanten hebben behoefte aan vertrouwen. Een machine kan dat niet bieden.”

Deze uitspraken waren wellicht volkomen redelijk binnen het vroegere technologische landschap. Maar AI is niet zomaar een beter hulpmiddel. Het betekent een paradigmaverschuiving.

De ervaring die iemand in het tijdperk van de zeilschepen tot een uitstekende zeeman maakte, geeft hem of haar niet noodzakelijkerwijs inzicht in het gedrag van een stoomschip.

Hetzelfde geldt voor AI. Veel organisaties vellen volkomen rationele oordelen over AI op basis van aannames die niet langer standhouden.

Zij verwarren:

  • “Het werkt nog niet” in plaats van “Dat zal nooit lukken.”
  • “Ik heb het nog nooit gezien” in plaats van “Dat bestaat niet.”
  • “We doen het al twintig jaar op deze manier” in plaats van “De komende twintig keer zullen wij het op deze manier doen.”

Dit zijn gevaarlijke cognitieve valkuilen tijdens een technologische transitie. Het antwoord is niet om ervaring terzijde te schuiven. Ervaring blijft een van de meest waardevolle bronnen van inzicht. Maar organisaties moeten één extra gewoonte tot onderdeel maken van elke discussie over AI-strategie: welke aannames liggen ten grondslag aan onze conclusie, en zijn die aannames nog steeds geldig binnen het nieuwe technologische paradigma??

Op cruciale momenten in de AI-strategie moeten organisaties ook bewust verschillende perspectieven in de discussie betrekken. Niet omdat die mensen per se het juiste antwoord hebben. Maar omdat zij wellicht de vraag stellen die niemand anders had bedacht.

In het kamp van Cao Cao ging het bij de vermiste persoon niet om een andere strateeg. Het betrof iemand die vroeg: “Wat als de wind aan de andere kant van de rivier anders waait??”

Gecentraliseerd leiderschap versus gedecentraliseerde besluitvorming

Waar moeten de beslissingsbevoegdheden in het AI-tijdperk liggen?

De commandostructuur van Cao Cao was sterk gecentraliseerd. Bevelen kwamen van het centrale commando en werden via de hiërarchie doorgegeven. Dat model functioneerde goed op de slagvelden die Cao Cao kende: grote open terreinen, relatief voorspelbare omstandigheden en voldoende tijd om bevelen door de commandostructuur te laten lopen.

Bij Rode Kliffen was het anders. Het slagveld veranderde met de minuut. En toen de schepen van Huang Gai naderden, keken de soldaten van Cao Cao alleen maar toe. Zij wachtten op instructies. Tegen de tijd dat iemand kon reageren, de brand had zich al verspreid. Hier komt het contrast met de tegenstanders nadrukkelijk naar voren.

Huang Gai zag de kans die door de met elkaar verbonden schepen werd geboden en handelde via de bestaande commandostructuur, waarbij hij het langdurige escalatieproces omzeilde. Het algemene principe is eenvoudig: wanneer de omgeving sneller verandert dan de hiërarchie kan reageren, wordt gecentraliseerde besluitvorming een belemmering.

Grote ondernemingen lopen vaak precies in deze valkuil bij het gebruik van AI. Zij centraliseren het platform; zij centraliseren de goedkeuring; zij centraliseren de toegang. En zij centraliseren de beslissingen over welke gebruiksscenario’s zijn toegestaan, welke data-toepassingen mogen worden gebruikt en welke modellen mogen worden geïmplementeerd.

De bedoeling is begrijpelijk: risico’s beheersen en chaos voorkomen. Maar dit model gaat uit van een impliciete veronderstelling: De AI is stabiel genoeg om het centrum in staat te stellen alles te beoordelen voordat het bedrijf actie moet ondernemen.

In werkelijkheid, vaak is juist het tegenovergestelde het geval. De kansen op het gebied van AI zijn verspreid. De behoeften van bedrijven zijn sterk afhankelijk van de context. De teams die het dichtst bij de klanten en de bedrijfsvoering staan, zien deze kansen doorgaans als eerste. En terwijl het hoofdkantoor nog aan het beoordelen is of een gebruiksscenario de moeite waard is om verder te onderzoeken, het is mogelijk dat de gebruikssituatie inmiddels is veranderd. Terwijl het bestuursteam nog aan het beoordelen is of een model veilig is, het model zelf heeft wellicht verschillende herzieningen ondergaan.

De vraag is dus niet: Moeten wij AI onder controle houden of niet?? Het is: Wat dient centraal te worden geregeld — en wat dient lokaal te worden beslist??

De les die uit Red Cliffs kan worden getrokken, is verrassend actueel. Het centrale leiderschap dient drie zaken op zich te nemen:

  • Strategische doelstelling: Wat willen wij bereiken?
  • Vangrails: Wat zijn de ononderhandelbare grenzen op het gebied van beveiliging, naleving en risico’s?
  • Het arsenaal: Tot welke gangbare modellen, data-infrastructuur, platforms en beveiligingsmogelijkheden zou iedereen toegang moeten hebben?

Dan volgt het cruciale deel: Wanneer zich een kans voordoet, neem dan de beslissing op de plek waar de kans zichtbaar is.

Toegepast op AI-governance binnen ondernemingen is het principe eenvoudig:

  • Centraliseer wat gecentraliseerd moet worden: Beveiliging, naleving van regelgeving, architecturale principes en efficiënt gebruik van middelen.
  • Decentraliseer wat baat heeft bij de nabijheid van het bedrijf: Welke gebruiksscenario’s moeten worden nagestreefd, hoe moet AI worden toegepast, hoe moet er worden geëxperimenteerd en hoe snel moet er worden geïtereerd.

De teams die het dichtst bij de bedrijfsactiviteiten staan, zijn vaak degenen die kunnen zien waar de volgende kans zich aandient. Geef hen de middelen. Geef hen de kaders. Laat hen vervolgens hun gang gaan.

De Red Cliffs-test voor bedrijfs-AI

De Slag bij Rode Kliffen wordt vaak herinnerd als het verhaal van een in aantal onderlegen leger dat een veel groter leger versloeg. Maar vanuit het perspectief van bedrijfs-AI is de interessantere les een andere.

Cao Cao verloor niet omdat hij over onvoldoende middelen beschikte. Hij verloor omdat de manier waarop hij zijn middelen had ingezet, een zwakke plek creëerde; zijn transformatie werd aangestuurd vanuit het centrum in plaats van vanuit de periferie; zijn oordeel was te sterk gebaseerd op aannames die inmiddels waren veranderd; en zijn besluitvormingsstructuur kon niet snel genoeg reageren toen de omstandigheden veranderden.

Dat maakt ‘Red Cliffs’ tot een onverwacht nuttig kader om na te denken over de transformatie op het gebied van kunstmatige intelligentie.

Er zijn vier vragen die het waard zijn om gesteld te worden:

  • Bij het ontwerpen van uw AI-architectuur, bouwt u een veerkrachtige vloot op of koppelt u alle schepen aan elkaar tot één kwetsbaar systeem?
  • Bij het stimuleren van de invoering van AI, bevindt de innovatiemotor zich in een strategiedocument op het hoofdkantoor of in de handen van de mensen binnen het bedrijf die daadwerkelijk de vonk kunnen doen overslaan?
  • Bij het beoordelen van de timing en de risico’s van AI, zijn uw beslissingen gebaseerd op wat uw ervaring u vandaag leert, of op wat er mogelijk zou kunnen zijn binnen het technologische paradigma van morgen?
  • En bij het opzetten van AI-governance, probeert u elke beweging van elk schip te sturen, of bepaalt u de koers, de grenzen en de mogelijkheden die de vloot in staat stellen te manoeuvreren?

De bedrijven die de juiste keuzes maken, zijn niet noodzakelijkerwijs de bedrijven met de grootste AI-budgetten, de meest geavanceerde modellen of de grootste technologieteams. Het zijn de bedrijven die begrijpen waar men moet standaardiseren, waar men moet experimenteren, welke aannames ter discussie moeten worden gesteld en waar de beslissingsbevoegdheid moet worden gelegd.

In het komende decennium van door AI aangestuurde concurrentie zou dat wel eens het verschil kunnen maken tussen een organisatie die AI slechts implementeert — en een organisatie die er daadwerkelijk door wordt getransformeerd.