De waarde van AI voor KPN: dit is onze AI-reis

Benieuwd naar AI? Leer van onze ervaringen en inzichten

Van strategisch beleid tot praktische toepassing: wij werken al jaren met artificiële intelligentie (AI). Zowel om ons eigen werk te verbeteren, als in de vorm van dienstverlening aan onze klanten. Onze ervaringen en inzichten delen we graag met je. In een serie interviews spreken we met allerlei mensen in en rond KPN die ervaring hebben met AI. Winifred Andriessen vertelt je in dit blog meer over de lessen die we in onze eigen AI-reis hebben geleerd.

Stap 1: Toewerken naar een datagedreven organisatie

Wil je met AI gaan werken, dan heb je de basis van een datagedreven organisatie nodig. Winifred: “We werken al meer dan tien jaar met gespecialiseerde datateams. Toen werkten zij echter wel nog gefragmenteerd . Dus hebben we ze gecentraliseerd en legden daarmee de basis voor een datagedreven organisatie. Naast die gespecialiseerde teams zijn ook een eenduidige werkwijze, effectief bijeengebrachte databronnen en uniforme definities van data en datakwaliteit belangrijk. Nu deze basis goed staat, konden we de datateams weer terug naar de business brengen. Zo kunnen onze AI- en dataspecialisten specifieke domeinkennis opbouwen en zo nog meer waarde toevoegen. Om ervoor te zorgen dat de teams op één uniforme – datagedreven – wijze blijven werken, organiseren we geregeld gezamenlijke sessies voor alle AI- en data-specialisten.”

Stap 2: AI-doelstellingen als integraal onderdeel van de bedrijfsstrategie

‘Door onze AI-doelstellingen één op één te koppelen aan onze bedrijfsstrategie, zorgen we ervoor dat we met de AI-teams aan dezelfde doelen werken als de gehele organisatie,’ vertelt Winifred. ‘Dit zorgt voor extra rugwind en draagvlak in de organisatie. Het is veel zinvoller om energie en tijd te stoppen in projecten die de rest van de organisatie ook omarmt. Dan werk je samen aan hetzelfde doel met korte lijnen in de organisatie, tot op het hoogste niveau, zodat zij de AI-teams ruggensteun geven als dat nodig is. Op die manier kunnen we echt meters maken.’ Dit is gedaan door de AI-projecten te vatten in zogenaamde value buckets. ‘Een grote value bucket bij ons is bijvoorbeeld het vervangen van ons kopernetwerk door glasvezel in heel Nederland, een verbouwing die jaren duurt en waar we miljarden euro's in investeren. AI helpt ons enorm om dit traject slimmer en efficiënter aan te pakken. Denk alleen al aan het design van het glasvezelnetwerk: je wilt niet handmatig uit hoeven te rekenen waar je precies moet graven. Daarvoor gebruiken we optimalisatiemodellen.’

^{Winifred Andriessen}

Mintens zo belangrijk als AI inzetten voor aan je strategische doelen is het verantwoord omgaan met AI. ‘We hebben samen met Jheronimus Academy of Data Science (JADS) een KPN Responsible AI Lab opgericht, waarin we met promovendi, afstudeerders, mensen uit de business, legal en data scientists samen onderzoek doen op onderwerpen zoals eerlijkheid, transparantie en compliance . Wat we daarin leren en zien, nemen we meteen mee in ons beleid en richtlijnen voor onze bedrijfsvoering. Daarmee zorg je niet alleen voor een efficiënte , maar ook een verantwoordelijke inzet van AI.’

Stap 3: Van ‘value buckets’ tot implementatie

We kunnen ons geld en onze mensen maar één keer inzetten, dus doen we dat het liefst op de plekken waar de toegevoegde waarde het grootste is.  Deze waarde kan kostenverlaging door automatisering zijn of bijvoorbeeld omzetgroei. We kijken ook altijd naar de schaalbaarheid en de mogelijke impact op onze ict-resources.’ Het moet altijd helder zijn welk doel we willen bereiken en hoe dat bijdraagt aan het realiseren van onze bedrijfsstrategie. Daarom is een directe link naar de business van belang. ‘Zo weten we zeker dat we werken aan datgene waar we het snelst het meeste waarde mee kunnen realiseren. Anders blijf je vanuit je AI-team duwen met een goed idee, terwijl de implementatie veel makkelijker is wanneer het door de business omarmd wordt.' Ook zijn we er achter gekomen dat het modeleren zelf relatief snel gaat – en bij de inzet van generatieve AI zelfs (bijna) geen rol speelt, maar dat aanpassingen in ICT en het anders leren werken van de mensen zelf de meeste implementatietijd vragen.

Stap 4: Schalen van AI-toepassingen

‘Met een kleine club mensen weet je precies van elkaar wie wat doet en heb je goed zicht op alle modellen die je gebruikt,’ vertelt Winifred. ‘Dat wordt wel anders als je wilt groeien en grotere stappen gaat maken. Een AI-modelmanagementplatform dat goed schaalbaar is en ons veel grip geeft, is dan van groot belang. Zo kunnen we, ondanks een enorme groei van onze inzet van AI en van het aantal gebruikte AI-modellen, waarborgen dat alle AI-modellen doen waar ze voor bedoeld zijn.’ Een ander belangrijk advies is vooruitdenken: zorg dat je op tijd de juiste resources klaar hebt staan. Winifred: ‘In de pilotfase krijg je altijd wel veel gedaan, maar zodra je die fase voorbij bent, wordt roadmapbesturing – en daarmee het borgen van voldoende capaciteit bij je ict- of DevOps-teams – belangrijker. Mensen moeten opgeleid worden om op een rijdende trein mee te kunnen. Dus moet je er bij de keuze voor tooling tijdig rekening meehouden dat de tools die je inzet, voldoende mogelijkheden geven tot eenvoudig én veilig opschalen.’ Om extra snel generatieve AI toe te kunnen passen, hebben we voor de uitrol van dit soort AI use cases een GenAI-lab opgericht. Zie het als een soort kraamkamer, van waaruit goede ideeën snel het levenslicht kunnen zien. Ideeën – en uiteindelijk concrete AI-projecten – die de meeste waarde voor de organisatie opleveren.

Stap 5: Creëren van een AI-cultuur

De arbeidsmarkt voor AI-talent is schaars. Dus als je talent eenmaal voor je hebt werken, dan is de cultuur belangrijk. Je wil dat ze zich thuis voelen, omringd door andere specialisten die – net als zij – met vakgenoten willen sparren over AI-modellen of -toepassingen. Investeren in een dergelijk community is erg belangrijk. Enerzijds om mensen bij je te houden maar ook omdat ze – naast nieuwe AI-kennis – ook domeinkennis van de businessonderdelen op kunnen bouwen. Belangrijk is daarnaast dat het werken met AI zich niet tot de AI-specialisten en datascientists beperkt. Je hebt draagvlak in de hele organisatie nodig. Wij doen dat bijvoorbeeld door kennissessies en trainingen te organiseren, door pilotgroepen in te richten en door er veel over te communiceren en mooie projecten aandacht te geven. Dan leer je van en inspireer je elkaar. Zo creëren we een positief beeld rondom AI en een cultuur waarin iedereen wel met AI aan de slag wil.’

Geïnspireerd?

In onze whitepaper Slimmer werken met AI vind je – naast een uitgebreidere versie van deze 5 stappen – nog veel meer inzichten en ervaringen. Plus: de belangrijkste kansen en risico’s.

Slimmer Werken met AI

Lees alles over AI voor je organisatie. Zoals de 3 kansen & risico’s van AI. En leer over hoe je een succesvolle AI organisatie bouwt.

Download