AI voor bedrijven

Er is een herkenbaar patroon in Nederlandse bedrijven op dit moment. Iedereen werkt hard, er komt elke week een nieuwe tool bij, er wordt meer content gemaakt dan ooit, en tegelijk staat de marge onder druk en worden de cijfers niet gehaald. Het voelt alsof je harder moet rennen om bij te blijven, en de vraag of het iets oplevert komt er niet meer aan te pas.

LinkedIn werkt daar als een etalage. Elke dag komen er nieuwe tools en toepassingen voorbij die er veelbelovend uitzien, en de verleiding is groot om er weer eentje op te pakken. De vraag die daarbij wordt overgeslagen is simpel: draagt dit bij aan waar wij naartoe willen? Meestal is het antwoord nee, en toch staat het de week erna op iemands lijst.

De uitweg is niet nog een tool. Het is kiezen. Strategie gaat vooral over vastleggen wat je niet gaat doen, en dat is precies het stuk dat in brainstormsessies overgeslagen wordt omdat het vervelend voelt om ideeën van collega's af te schieten.

Dit is de fout die ik het vaakst zie. Er is een proces dat veel tijd kost, iemand bedenkt dat AI dat kan overnemen, en drie weken later draait er een agent die een proces uitvoert dat er nooit had moeten zijn. Het gaat sneller dan eerst, dus het voelt als winst.

Elon Musk beschrijft voor zijn fabrieken een volgorde van vijf stappen, en automatiseren is daarin nadrukkelijk de laatste. Die volgorde werkt net zo goed voor een marketingafdeling als voor een productielijn, en het is de eerste oefening die ik met een team doe.

In de praktijk verdwijnt bij stap twee vaak een kwart tot de helft van het werk zonder dat er één regel automatisering aan te pas komt. Wat overblijft is kleiner, duidelijker en veel makkelijker te automatiseren, en je weet dan ook waarom het er is.

Er is één probleem waar geen enkele tool iets aan gaat doen, en dat is dat je verhaal op dat van tien anderen lijkt. In veel branches kun je de homepages van vijf aanbieders naast elkaar leggen en zie je het verschil niet. Goede service, persoonlijke aandacht, scherpe prijs. Dat zijn beloftes, geen bewijs.

Als er geen duidelijke reden is waarom iemand voor jou zou kiezen, kun je campagnes voeren wat je wil. Merk je dat opschalen steeds duurder wordt en dat de kosten per klant blijven stijgen, dan is dat meestal geen campagneprobleem maar een propositieprobleem. AI maakt dat sneller en goedkoper zichtbaar, en het lost er niets van op.

Bij het kiezen van waar je dan wel de beste in wilt zijn, helpt het dat er maar een beperkt aantal voordelen bestaat die je op lange termijn kunt verdedigen. Een Nederlands onderzoek naar beursgenoteerde bedrijven in veertien categorieën komt uit op negen van zulke blijvende onderscheidende factoren, waaronder snelheid van handelen en experimenteren, en een geloofwaardig eigen doel dat verder gaat dan het product. Bedrijven die op minstens één daarvan echt de beste in hun categorie zijn, laten ongeveer tweeënhalf keer zoveel omzetgroei zien en houden meer marge over.

De les daaruit is niet dat je op alle negen moet scoren. Het is dat je er één kiest waar je al redelijk op staat, en daar de beste in wordt. Alles wat daarbuiten valt mag je bewust laten liggen, en dat maakt prioriteren opeens een stuk eenvoudiger.

De eerste reflex van bijna elke afdeling is meer produceren, want dat kan nu goedkoper. Het resultaat is dat alles op elkaar begint te lijken. Een taalmodel is getraind op wat er al bestond, dus een tekst die daaruit rolt bevat per definitie niets wat er nog niet was.

De platformen zijn dat inmiddels aan het terugdringen. LinkedIn heeft een knop toegevoegd waarmee lezers waardeloze AI-content kunnen markeren, en vanuit de EU komt de eis dat te herkennen moet zijn wanneer iets door AI is gemaakt. Er wordt dus zowel van bovenaf als van onderaf gefilterd.

Wat volgens onderzoek naar die filters wel overeind blijft, komt neer op drie dingen.

Kijk daarbij naar hoe lang mensen blijven hangen, niet naar likes. Uit onderzoek naar advertenties blijkt dat 35 procent minder dan tweeënhalve seconde aandachtig wordt bekeken, terwijl er ongeveer tweeënhalve seconde nodig is voordat iets blijft hangen. Het grootste deel van wat er gemaakt wordt, komt dus nooit aan.

Een steeds groter deel van de zoektocht naar een leverancier begint bij een taalmodel. Iemand beschrijft wat hij zoekt, krijgt drie of vier bedrijven terug en stuurt die door naar een collega met het verzoek daar een demo aan te vragen. Sta je niet in dat rijtje, dan ben je buitenspel gezet zonder dat er ooit een bezoeker op je site is geweest. In je statistieken zie je daar niets van.

Wat die modellen aanbevelen hangt maar beperkt af van wat jij over jezelf schrijft. Ze kijken vooral naar wat anderen over je zeggen: reviews, vermeldingen, cases, en of het verhaal op verschillende plekken hetzelfde is. Klanttevredenheid is daarmee een vindbaarheidsvraagstuk geworden, en dat is nieuw.

Het bewijs dat je daarvoor nodig hebt bouw je in fasen op, van makkelijk en snel naar traag en hard. Vrijwel elk bedrijf dat ik spreek slaat de eerste fase over en begint bij de vierde.

Aan de technische kant hoort daar bij dat je site leesbaar is voor die modellen. Deze site levert van elke pagina ook een schone tekstversie op dezelfde URL en houdt een index bij voor taalmodellen. Zet llms.txtachter het domein en je ziet precies wat zo'n model te zien krijgt. Het is een klein stukje werk dat vrijwel niemand doet.

Hier zit mijn eigen vakgebied, en het is het onderdeel waar automatisering het vaakst averechts werkt. Smart Bidding en Performance Max zijn modellen die dagelijks over je budget beslissen, en ze sturen volledig op het signaal dat jouw site teruggeeft. Wordt een aankoop dubbel geteld, of staan winst en omzet bij elkaar opgeteld in één conversiewaarde, dan optimaliseert het systeem heel nauwkeurig naar de verkeerde uitkomst. Het rapport ziet er ondertussen prima uit, want de doelwaarde wordt gehaald. Dat is de reden dat ik altijd eerst controleer of een account de waarheid vertelt.

Daarnaast is attributie alleen niet meer genoeg om te bepalen wat werkt. Het advies dat inmiddels breed gedeeld wordt, is om drie methodes naast elkaar te leggen en het midden te zoeken.

Twee dingen daarbij. Meet op omzet of marge, niet op leads, anders optimaliseer je jezelf naar veel aanvragen die nooit klant worden. En laat een model nooit alleen de conclusie trekken. Als een kanaal slecht scoort kan dat aan het kanaal liggen, maar net zo goed aan de uiting die je erop hebt gezet. Dat onderscheid maakt een model niet, en het advies om ermee te stoppen is dan gewoon fout.

Het afgelopen jaar is de aandacht verschoven van losse prompts naar agents met een eigen rol, die zelf een taak afwerken. Dat verandert wat er van een medewerker gevraagd wordt. In plaats van zelf de tekst schrijven, wordt het aansturen en beoordelen van iets dat het werk doet.

Prompten verdwijnt daarmee niet, het verhuist naar de instructies die je zo'n agent meegeeft. Een bruikbaar kader daarvoor is rol, context, taak en format: wie ben je, wat moet je weten, wat moet je doen en hoe moet het eruitzien. Wat mensen weglaten is bijna altijd de context, en dat is precies waarom de uitkomst dan middelmatig is.

Voordat er iets gebouwd wordt, horen er drie vragen beantwoord te zijn.

Een taalmodel is de verkeerde plek voor een vraag met een ja of nee als antwoord. Dat hoort in een regel, want die geeft elke keer hetzelfde resultaat en kost niets. Een model kan bij dezelfde vraag twee keer iets anders zeggen, en dat is een eigenschap, geen storing.

Mensen blijven beter in twee dingen: prioriteren en iets bedenken wat er nog niet was. Precies de twee dingen die bepalen of dit allemaal ergens toe leidt. En je belangrijkste klanten wil je juist meer persoonlijke aandacht geven, niet minder, want die vasthouden levert doorgaans meer op dan er nieuwe bij halen.

Wat je wel weg mag halen is het saaie deel: opzoeken, overtypen, controleren of iets nog klopt. Dat is ook waar het geld zit, want dat is het werk dat elke week terugkomt.

Alles hierboven is te lezen en te begrijpen in een middag. Het lastige is het toepassen op je eigen werk, in je eigen agenda, naast alles wat er al ligt. Bijna elk bedrijf heeft inmiddels een sessie over AI gehad waar iedereen enthousiast van werd, en drie weken later gebruikt één persoon het en de rest niet meer.

Daarom loopt dit drie maanden door. Het team probeert iets, loopt vast, en een week later zit ik ernaast om te kijken waar het misging. Dat herhaalt zich ongeveer twaalf keer, en dat is wat er nodig is om van een goede demo naar iets te komen dat elke week draait.

Ik geef geen les in iets wat ik zelf niet draai. Mijn eigen bedrijf loopt op agents die ik heb gebouwd, voor productcontent, feeds, campagnes en de voorbereiding van mijn eigen week. Daarnaast zit ik sinds 2013 in Google Ads en heb ik een webshop, dus ik weet wat een euro moet opleveren.

Dat betekent ook dat ik weet welke beloftes niet kloppen. Ik heb genoeg dingen gebouwd die er goed uitzagen en toch stuk gingen, en die ervaring is in een traject meer waard dan de succesverhalen.