Wat TNO ons leerde over de kloof tussen onderzoek en implementatie

De beste AI-modellen ter wereld helpen je bedrijf niet als je ze niet live krijgt.

TL;DR

• We deden een Fast Track-traject met TNO, waarin een onderzoeker onze aanpak tegen het licht hield.
• De rode draad in die bespreking was het verschil tussen wat in een lab werkt en wat een mkb'er morgen kan gebruiken.
• "State of the art" betekent vaak "veelbelovend, maar nog niet stabiel en nog niet te vertrouwen voor een echte gebruiker".
• Het werk zit in kiezen welk deel van de nieuwste techniek productie-klaar genoeg is voor jouw mensen. De techniek kennen is niet het moeilijke deel.
• Dat is wat een Company Brain en MVC™ doen: de vertaalslag van onderzoek naar iets dat vandaag werkt.
• De vraag die elke koper moet stellen: is dit live, of is dit een demo?

Een traject met TNO, en één les die bleef hangen

We hebben een Fast Track-traject gedaan met TNO. Kort gezegd houdt een onderzoeker daarin je aanpak tegen het licht: klopt de richting, waar zitten de risico's, en wat zegt de wetenschap over de keuzes die je maakt. Nuttig, want je krijgt een blik van buiten van iemand die de literatuur beter kent dan wij.

De inhoud van dat gesprek is deels van ons en deels vertrouwelijk, dus die laten we hier buiten. Maar één structurele les geldt breder dan onze eigen situatie. Die les gaat over de afstand tussen onderzoek en implementatie, en waarom die afstand groter is dan de meeste AI-verhalen doen vermoeden.

Wat in een lab werkt, is nog geen product

In een onderzoekssetting is het doel om de grens te verkennen. Wat is de slimste manier om een systeem de volgende vraag te laten kiezen? Hoe meet je of een AI-antwoord alle relevante informatie heeft gebruikt? Hoe scoor je of een opgeslagen feit over twee jaar nog relevant is? Voor elk van die vragen bestaat een frontier: methodes en metrieken die net uit het onderzoek komen.

Het verleidelijke is om die frontier meteen "de oplossing" te noemen. Maar tussen een methode die in een paper werkt en een functie waar jouw medewerker morgen op leunt, zit een flinke afstand. In een lab werk je met een schone dataset, een afgebakende taak en een onderzoeker die weet waar de valkuilen zitten. In jouw bedrijf werkt het met rommelige data, een taak die per keer verschilt, en een collega die gewoon een goed antwoord wil.

"State of the art" betekent daarom bijna nooit "klaar voor gebruik". Het betekent meestal: veelbelovend, maar nog niet stabiel en nog niet te vertrouwen zonder een expert ernaast. Dat is geen kritiek op het onderzoek. Het is de reden waarom onderzoek en product twee verschillende vakken zijn.

Drie keer dezelfde kloof

Diezelfde afstand kwam in het gesprek een paar keer terug, in verschillende vormen.

• Meten wat een AI "goed genoeg" doet. De wetenschap biedt een rij aan metrieken om kwaliteit en dekking te scoren. Maar je kunt ze pas toepassen met een eigen dataset en een menselijke blik op de uitkomst. Er is geen knop die je een hard percentage geeft. De eerlijke methode is trager: een klein aantal echte gevallen, met een mens die controleert of het klopt.
• Een AI die zichzelf beoordeelt. Je kunt een model zijn eigen werk laten nakijken. Handig, maar een model vindt zijn eigen antwoorden bijna altijd goed. "Onze AI checkt zichzelf en alles staat op groen" is dus geen bewijs. Ergens in de keten moet een mens meekijken, zeker in het begin.
• Zekerheid tonen aan een gebruiker. Je kunt een AI een exacte betrouwbaarheidsscore laten tonen, tot op de procent. Maar mensen weten niet wat ze met 80 procent versus 85 procent aan moeten. Een kleur, een categorie of een duidelijke bronverwijzing zegt vaak meer dan een cijfer. Het slimste getal is niet altijd het bruikbaarste signaal.

Drie keer dezelfde vorm: de frontier wijst een richting aan, maar het bruikbare antwoord is vaak eenvoudiger en eerlijker dan de nieuwste techniek.

Het werk zit in de vertaalslag

Hier zit ons vak: kiezen welk deel van de nieuwste methode productie-klaar genoeg is voor jouw mensen. Soms is dat de frontier. Vaak is het de saaiere, betrouwbaardere keuze die het gewoon doet als er tien klanten tegelijk op leunen.

Dat is wat een Company Brain en MVC™ (Minimum Viable Context) in de praktijk zijn: de vertaalslag van onderzoek naar iets dat vandaag werkt. We leggen eerst de context van je bedrijf vast, gestructureerd en op orde. Daarop werken je digitale collega's. En we bouwen alleen wat overeind blijft in de echte wereld:

• Herkomst per antwoord. Elk antwoord is terug te voeren op de bron in je Company Brain, niet op een gok van een algemeen model.
• De mens in de lus. Een uitkomst is een concept dat iemand beoordeelt en goedkeurt, geen automaat die ongezien de deur uit gaat.
• Eerlijk over zekerheid. Als het systeem iets niet zeker weet, laat het dat zien, in plaats van een vloeiend antwoord dat overtuigt maar fout is.
• Geen belofte die we niet kunnen tonen. Als we zeggen dat iets werkt, laten we het werken op echte data.

De vraag die elke koper moet stellen

Als je AI koopt, is er één vraag die de meeste ruis wegsnijdt: is dit live, of is dit een demo?

Een demo laat het plafond zien, onder ideale omstandigheden, met data die is uitgekozen omdat het goed gaat. Live laat de vloer zien, onder echte omstandigheden, met jouw rommel erin. Het verschil tussen die twee is de kloof tussen onderzoek en implementatie waar dit stuk over gaat.

Vraag dus niet naar de mooiste demo. Vraag of je het mag zien werken op je eigen data, met een echte gebruiker, vandaag. Vraag waar een antwoord vandaan komt en of de leverancier dat kan laten zien. Kan iemand die vragen niet beantwoorden, dan koop je een belofte, geen product.

Benieuwd hoe dit er voor jouw bedrijf uitziet? Begin met de AI Opportunity Scan, of plan een gesprek. We laten het je zien op je eigen context, niet op een demo.