AI in de praktijk met PLTFRM

AI in de praktijk met PLTFRM

Section 1: Waarom mislukken AI-projecten — en wat werkt wel?

Lesson 1.1: Wat gaat er mis bij AI-strategie?

  • Losse initiatieven zonder centrale regie of gedeeld eigenaarschap

  • Afdelingen werken niet als één ecosysteem: data, IT, business en beleid zijn niet op elkaar afgestemd

  • Organisaties zijn ingericht op efficiëntie en bekende processen, niet op experimenteren

  • 95% van AI-pilots slaagt er niet in aantoonbaar businesswaarde te genereren

  • Snelheid van AI-ontwikkeling maakt traditionele planningscycli ongeschikt

Lesson 1.2: Hoe bouw je een goede AI-strategie?

  • Werk iteratief en kortcyclisch; omarmen van experimenten is essentieel

  • Denk in drie assen: people, process en technology

  • Geef medewerkers kennis en ruimte om te experimenteren, ook zonder klaar beleid

  • Vermijd vendor lock-in door niet vast te pinnen op één model of leverancier

Lesson 1.3: AI embedding in de organisatie

  • Aparte AI-teams versus integratie binnen bestaande teams: beide met uitdagingen

  • Betrek techneuten, beleidsexperts en datamanagement; AI is geen IT-project alleen

  • Medewerkers die nu experimenteren zijn de digitale leiders van morgen

Lesson 1.4: Bijzonder gebruik: AI-agents voor strategiesimulatie

  • Agentic AI-model definieert marktpartijen als persona's

  • Simuleert meerdere rondes van argumentatie tussen persona's

  • Resultaat: onverwachte argumenten en emotieloos, neutraal simulatieproces

Section 2: Microsoft Copilot: van licentie naar echte adoptie

Lesson 2.1: Waarom kiezen bedrijven voor Copilot?

  • Al aanwezig in bestaande Microsoft 365-omgevingen

  • Data blijft binnen Europa, belangrijk voor datasoevereiniteit

  • Shadow AI tegengaan: voorkomen van gebruik gratis ChatGPT met bedrijfsdata

  • Compliance: alles blijft binnen dezelfde tenant

Lesson 2.2: Waar gaat het mis?

  • Licenties worden in bulk gekocht met onrealistische verwachtingen

  • Medewerkers ervaren dat het niet goed werkt, probleem zit in instellingen en prompting

  • Eén training gevolgd door stilte leidt tot gekelderd gebruik

Lesson 2.3: Hoe ziet een goed adoptietraject eruit?

  • Nulmeting via Microsoft's adoptiemonitoring

  • Refresher-sessies over mogelijkheden

  • Experimenteerfase van drie weken voor medewerkers

  • Gezamenlijke sessies om specifieke problemen op te lossen

  • Maandelijkse herhalingen gedurende een jaar

  • E-learning catalogus als naslagwerk

Lesson 2.4: Joiners, movers en doorlopend leren

  • Beleid helder vastleggen: toegestane tools en taken

  • Copilot verandert continu, medewerkers moeten bijblijven

  • Gebruik adoptiemonitoring om leerstrategieën aan te passen

Lesson 2.5: Copilot vs. andere AI-tools

  • Modellen achter Copilot, ChatGPT en Claude zijn grotendeels hetzelfde

  • Verschil zit in de gebruiksinterface en compliance

  • Productiviteitswinst ontstaat door combinatie met eigen bedrijfsdata

Section 3: Data als fundament voor AI

Lesson 3.1: Wat is data-kwaliteit en waarom begint het daarmee?

  • Data-kwaliteit betekent volledigheid, consistentie, actualiteit en bruikbaarheid

  • Onvolledige data leidt tot onbetrouwbare AI-uitkomsten (garbage in, garbage out)

  • Eerste stap: eerlijke inventarisatie van data en betrouwbaarheid

Lesson 3.2: Meest voorkomende dataproblemen

  • Data verspreid over meerdere niet-communicerende systemen

  • Inconsistente definities tussen afdelingen

  • Historische data bevat fouten, duplicaten en ontbrekende waarden

  • Rapportagedata is niet hetzelfde als AI-ready data

Lesson 3.3: De aanpak van DataGrow

  • Databronnen in kaart brengen en ontsluiten, ook uit legacy-systemen

  • Data samenvoegen via centraal dataplatform of cloud warehouse

  • Visualisatie via Power BI voor beslissers

  • Datastructuur AI-ready maken met labeling, structurering en kwaliteitscontrole

Lesson 3.4: Praktische handvatten

  • Begin klein met één databron of businessvraag die volledig klopt

  • Wees eerlijk over ontbrekende data als startpunt, niet als zwakte

  • Doorlooptijd varieert van weken tot maanden afhankelijk van systemen en kwaliteit

Section 4: AI-modellen: wanneer kies je wat?

Lesson 4.1: Standaard vs. maatwerk

  • Standaard tools zijn laagdrempelig en snel als startpunt

  • Maatwerk is nodig als standaard tools niet integreren met systemen

  • Maatwerk biedt minder bewegingsruimte maar minder foutmarge

  • Rol-specifieke agents zijn praktischer dan persoonsspecifieke agents

Lesson 4.2: Wat is een AI-agent?

  • Een taalmodel met mogelijkheid om acties uit te voeren

  • Essentieel om goede context mee te geven

  • 80% van een agent bouwen gaat snel, laatste 20% is complex en productiewaardig

Lesson 4.3: Dataveiligheid en modelkeuze

  • Gratis accounts gebruiken data voor modeltraining, niet geschikt voor bedrijfsdata

  • Betaalde accounts gebruiken data niet voor training, voldoende voor meeste bedrijven

  • Kritieke partijen kiezen Europese open source modellen of zelf hosten

  • Zelf hosten geeft meer controle, maar hogere kosten en iets minder prestaties

Lesson 4.4: Van pilot naar implementatie

  • Proof of concept werkt voor bouwer, niet automatisch voor hele team

  • Identificeer early adopters en geef gerichte casus

  • Te brede doelstelling leidt tot vage AI-output; kies één specifiek domein en bewijs waarde

Skill Level: Beginner