De afgelopen jaren heb ik aan meerdere projecten gewerkt met grote taalmodellen (LLM’s). Sommige daarvan waren onderzoeksgericht, met als doel praktische toepassingen te identificeren binnen complexe omgevingen zoals nationale overheden en grote ondernemingen. Andere projecten waren juist zeer praktisch. De uitdagingen die ik tegenkwam, besloegen ethische, organisatorische en technische dimensies.
In deze serie duik ik in de belangrijkste lessen die ik heb geleerd uit praktijkprojecten. De voorbeelden zijn geanonimiseerd om privacy te waarborgen, maar de inzichten zijn zo authentiek als ze maar kunnen zijn.
Ethische uitdagingen stonden altijd voorop. Voorbeelden hiervan zijn:
Veel van deze vragen hebben geen eenduidig antwoord, maar ze vereisen voortdurende evaluatie en transparantie om AI-technologieën op een verantwoorde manier in te zetten.
Het implementeren van LLM’s in grote organisaties bracht typische obstakels aan het licht die bij iedere innovatie voorkomen:
Het begrijpen van deze dynamiek is cruciaal. Empathie helpt: weerstand komt vaak voort uit valide zorgen die erkend en opgelost moeten worden.
Op technisch vlak wordt het snel complex. Enkele van de meest urgente uitdagingen waren:
De technische infrastructuur moet zich ontwikkelen naast stevige governance-praktijken om controle te behouden en prestaties te waarborgen.
Hier is een verzameling lessen die ik heb geleerd in de dagelijkse praktijk. Ze staan niet in volgorde van belangrijkheid, maar elk van deze inzichten maakte een aanzienlijk verschil.
Voordat je aan de slag gaat met AI, zorg dat organisatorische procedures en standaardwerkwijzen (SOP’s) duidelijk zijn gedefinieerd. Dit helpt om de zakelijke context te begrijpen en om dezelfde taal als de stakeholders te spreken.
Probeer niet alles tegelijk aan te pakken, dat gaat mis. Richt je op het oplossen van één probleem tegelijk. Bijvoorbeeld:
In plaats van alle documenten binnen een onderneming te indexeren, begin met een duidelijk afgebakende, kleine subset.
Zodra je de waarde hebt aangetoond en stakeholders vroeg betrekt, volgen enthousiasme en momentum vanzelf. Plan vooruit voor opschaling, maar laat dat je initiële implementatie niet vertragen.
Het is makkelijk om het oorspronkelijke doel uit het oog te verliezen in de complexiteit van AI-systemen. Blijf gefocust op wat je wilt bereiken en stem elke iteratie af op dat doel.
Het is cruciaal om stakeholders enthousiast te krijgen, maar wees je ervan bewust dat enthousiasme kan leiden tot onrealistische verwachtingen en strakke deadlines. Het balanceren van enthousiasme met realistische roadmaps is een essentiële vaardigheid.
LLM’s genereren vloeiende en overtuigende teksten. Ze drukken nooit twijfel, zorgen of nuances uit; alles is zwart-wit, maar dat betekent niet dat de output betrouwbaar is en zeker niet dat het de waarheid is. Zo verklein je het risico op misinformatie:
Onthoud: een LLM is geen persoon. Het denkt, voelt of begrijpt niet. Gebruik “het” in plaats van “hij”, “zij” of “they” bij verwijzing naar een LLM. Vermijd het toekennen van een persoonlijkheid of agency. Zo behouden gebruikers een realistisch beeld.
Antropomorfisme is het toekennen van menselijke eigenschappen aan niet-menselijke entiteiten. Trap hier niet in.
Wachten op een respons van 10 seconden (of meer) is niet ongewoon. Bij het inzetten van “agents” kan die vertraging toenemen. Vanuit UX-perspectief is dit significant.
Het is de moeite waard om jezelf meerdere keren af te vragen of AI het juiste hulpmiddel is voor deze taak.
Het is interessant te beseffen dat er de afgelopen decennia ontzettend veel code is geschreven en herschreven om milliseconden te besparen en de UX te optimaliseren. Nu werken we met vertragingen van meerdere seconden. Dit roept de vraag op waarom we dit accepteren en of een LLM-interactie of “agent” echt beter is dan traditionele logica.
LLM’s verbruiken enorme rekenkracht. Het uitvoeren van een enkele query vereist high-performance hardware, waardoor het energieverbruik veel hoger ligt dan bij traditionele databasequeries.
Vraag altijd: is een LLM hier echt nodig, of is er een groenere oplossing?
AI-agents kunnen nuttig zijn, maar zijn verre van een vervanging van een mens:
Houd het simpel. Begin met één agent en begrijp het onderhoud en de waarde voordat je opschaalt.
Goede prompts maken vergt iteratie en experimenteren. Tips:
Zoals bij iedere softwarefunctie moeten LLM-integraties grondig getest worden. Hoe eerder testcases ingebouwd worden, hoe makkelijker het is wanneer je gekozen model wordt vervangen of verouderd.
Zorg dat klanten begrijpen:
Dit stelt klanten in staat effectief mee te denken en samen te werken.
Ja, tokens kosten geld — maar als je AI-oplossing iemand 15 minuten werk bespaart, is de ROI gemakkelijk te rechtvaardigen. Houd de kosten in perspectief ten opzichte van de bespaarde tijd en waarde.
Dat is genoeg voor vandaag — en we hebben nog maar het oppervlak geraakt. Als er één boodschap is, is het dit: AI-implementatie gaat niet alleen over technologie. Het is een delicate balans tussen mensen, processen, ethiek en architectuur.
Ik deel binnenkort meer in het volgende deel van deze serie. Stay tuned!
