Van AI-demo naar productie: wat écht nodig is om AI te laten draaien

Waarom de demo niet telt

AI in productie brengen is iets heel anders dan een demo bouwen die indruk maakt. In de demo kies je de mooiste voorbeelden, draai je op een schone dataset en staat er iemand naast om toe te lichten wat je ziet. In productie komt alles binnen: rommelige invoer, randgevallen, gebruikers die iets anders doen dan bedacht en een piek op maandagochtend.

De meeste AI-projecten stranden niet op het model. Ze stranden op alles eromheen. Wie AI in productie wil hebben die blijft draaien, moet die omgeving net zo serieus nemen als het model zelf.

Het gat tussen demo en productie

Elke rij in die tabel is werk. Wie alleen het model begroot, begroot ongeveer een kwart van het project.

Wat je nodig hebt om AI in productie te krijgen

Een datafundament dat klopt

AI is zo goed als de data eronder. Voordat een model iets zinnigs kan doen, moet de data vindbaar, betrouwbaar en actueel zijn. Dat betekent pijplijnen die dagelijks draaien, controle op volledigheid en duidelijkheid over wie eigenaar is van welke bron.

Dit is het onsexy deel dat in geen enkele pitch voorkomt en dat wel bepaalt of het project slaagt. Bedrijven die hier eerst in investeren, halen daarna sneller resultaat uit elk volgend AI-initiatief.

Modellen die op jullie data zijn afgestemd

Een generiek model kent jullie klanten, producten en vakjargon niet. Het verschil tussen een antwoord dat ongeveer klopt en een antwoord waar iemand op durft te handelen, zit in die afstemming: eigen data, eigen voorbeelden, eigen begrippenkader.

Dat hoeft niet altijd te betekenen dat je een model van nul traint. Vaak volstaat gericht finetunen of het slim ontsluiten van eigen kennisbronnen. Maar het is wel echt werk, en het is precies wat een AI-implementatie onderscheidt van een chatvenster dat je op een bestaand proces plakt.

Meetbare kwaliteit

Zonder evaluatieset weet je niet of het beter wordt. Stel een set van enkele honderden realistische gevallen samen, met het gewenste antwoord erbij, en meet elke wijziging daartegen. Zo verandert de discussie van "het voelt beter" naar "de score ging van 71 naar 84 procent".

Die set is ook je vangnet. Bij elke aanpassing zie je meteen of iets anders stukgaat.

Monitoring en een eigenaar

Modellen degraderen. Data verschuift, gebruikers gaan het anders gebruiken, een leverancier past iets aan. Zonder monitoring merk je dat pas als iemand klaagt. Meet dus continu op kwaliteit, kosten, snelheid en gebruik, met een alarm dat afgaat voordat de gebruiker het merkt.

En leg vast wie eigenaar is. Een AI-systeem zonder eigenaar valt binnen een half jaar stil.

Het traject in vier fasen

1. Scherpstellen. Welk besluit of proces wordt beter, en hoe meet je dat? Zonder concreet doel is elke uitkomst goed genoeg en dus niets waard.
2. Fundament leggen. Data ontsluiten, opschonen en de evaluatieset bouwen. Deze fase wordt het vaakst overgeslagen en kost het meeste bij overslaan.
3. Bouwen en meten. Model kiezen, afstemmen op de eigen data, meten tegen de evaluatieset, bijstellen. Iteratief, niet in één klap.
4. In productie brengen en houden. Uitrollen naar echte gebruikers, monitoren, kosten bewaken en het team overdragen dat het draaiend houdt.

Fase vier is geen afronding maar een begin. Daar begint de periode waarin het systeem daadwerkelijk waarde oplevert.

Signalen dat een AI-project gaat stranden

• Niemand kan benoemen welk besluit of proces concreet beter wordt.
• Er is geen evaluatieset, dus kwaliteit is een mening.
• De data moet elke keer handmatig worden klaargezet.
• Er is geen eigenaar aangewezen voor na de oplevering.
• Het budget dekt de bouw maar niet het beheer.
• Succes wordt afgemeten aan de demo, niet aan gebruik in de praktijk.

Herken je er drie of meer, dan is de kans groot dat het bij een demo blijft.

Wat het oplevert als het wel doorgaat

AI die echt draait, levert zelden een spectaculaire doorbraak op. Het levert iets duurzamers: een proces dat structureel sneller loopt, medewerkers die minder tijd kwijt zijn aan zoekwerk, en betere besluiten omdat de informatie er wél is op het moment dat het telt.

En het levert een fundament op. De tweede toepassing kost aanzienlijk minder dan de eerste, omdat de data, de infrastructuur en de werkwijze er dan al liggen.

Wil je een AI-traject dat verder komt dan de demo, of zit er een project vast? Kijk ook hoe wij bouwen aan commerciële groei, want AI levert het meest op waar het direct aan omzet raakt.