Wat er speelt

Een AI-toepassing werkt met wat er ligt

Een taalmodel dat een planning voorstelt, een storing voorspelt of een werkbon samenvat, kent het bedrijf alleen via de systemen waarin het mag kijken. Wat daar ontbreekt, vult het aan met de meest waarschijnlijke gok, en die gok oogt even zelfverzekerd als een antwoord dat wel klopt. Daarin schuilt het verraderlijke van rommelige data. Er verschijnt geen foutmelding en er gaat nergens een lampje branden; de adviezen liggen alleen net naast de werkelijkheid, en dat valt pas op wanneer een monteur voor een installatie staat die er anders uitziet dan het systeem beweerde.

Wat de cijfers zeggen

De onderzoeken van de afgelopen anderhalf jaar wijzen allemaal dezelfde kant op. Gartner voorspelde begin 2025 dat organisaties tot en met 2026 zestig procent van hun AI-projecten zullen stopzetten wanneer de onderliggende data niet op orde is. Een jaar later meldde Harvard Business Review Analytic Services, in een onderzoek met Cloudera onder ruim 230 betrokkenen bij AI-beslissingen, dat slechts 7 procent de eigen data volledig klaar acht voor AI; ruim een kwart noemt die nauwelijks of helemaal niet klaar.

Voor de buitendienst zijn de cijfers nog sprekender. In een onderzoek van TrueContext en Field Service Next onder honderd servicebedrijven noemt 6 procent de eigen velddata van hoge kwaliteit en daadwerkelijk in gebruik voor analyses en AI. Ruim de helft vindt de data toereikend maar wisselend vastgelegd, 29 procent ziet ze versnipperd over meerdere systemen en bijna een op de tien noemt ze grotendeels onvolledig of onbetrouwbaar.

Een kanttekening hoort erbij. Cloudera en TrueContext verkopen allebei software voor precies dit probleem, en honderd bedrijven is een bescheiden steekproef. Het leerzaamste resultaat zit dan ook in een vergelijking binnen hetzelfde onderzoek. Waarschuwingen voor voorspellend onderhoud worden door 55 procent van de bedrijven als zeer effectief beoordeeld; AI die zelfstandig een storing beoordeelt en een vervolgstap kiest, krijgt die waardering van 8 procent. Het verschil zit in de brandstof. Voorspellend onderhoud draait op meetwaarden die de installatie zelf aanlevert, netjes en gestructureerd, terwijl de zelfstandige variant het moet hebben van alles wat mensen in de loop der jaren hebben ingevoerd.

Wat het betekent voor de technische service

Eén klant, drie kaarten

In vrijwel elk klantenbestand dat twintig jaar meegaat, woont ergens een klant die drie keer bestaat: Jansen BV, Jansen B.V. en Fam. Jansen, allemaal op hetzelfde adres. De ene kaart stamt uit de tijd van de vorige eigenaar, de tweede ontstond toen de binnendienst bij een spoedmelding niet lang genoeg zocht, de derde hoort bij het onderhoudscontract. Voor de planner is dat lastig. Voor een AI-toepassing is het een valkuil, want die ziet drie brokstukken van één geschiedenis en concludeert dat de ketel nooit een storing heeft gehad, terwijl die storingen gewoon op een andere kaart staan. Ondertussen hangt het contract aan de verkeerde naam en gaat de factuur naar een adres dat al jaren niet meer klopt.

Een klantenbestand is daarmee het eerlijkste archief van een servicebedrijf: het laat haarfijn zien hoe er de afgelopen twintig jaar is gewerkt.

Installaties zonder geheugen

Bij de installatiehistorie speelt iets vergelijkbaars, alleen stiller. Een regel als "cv-ketel, zolder", zonder merk, type, serienummer of plaatsingsjaar, volstaat voor een monteur die het pand kent. Voor voorspellend onderhoud is het onbruikbaar, want een model herkent geen slijtagepatroon bij een apparaat waarvan het niet weet wat het is en hoe oud het is. In de praktijk zitten de grootste gaten vaak bij overgenomen onderhoudscontracten en bij installaties die een ander bedrijf ooit heeft geplaatst; dat berust op ervaring en is niet gemeten. Het succes van voorspellend onderhoud uit het onderzoek hierboven heeft dezelfde keerzijde. Het werkt waar de installatie zelf gegevens levert, en strandt waar het geheugen van die installatie in een map of in het hoofd van één monteur zit.

De werkbon als verhaal

Op de werkbon gaat het meeste verloren. TrueContext geeft een voorbeeld dat elke servicemanager zal herkennen: "klep vervangen, 90 minuten, gesloten". Achter die woorden zit een monteur die in de eerste minuten iets hoorde wat niet klopte, een paar voor de hand liggende oorzaken uitsloot en pas daarna aan de klep begon. Van anderhalf uur vakmanschap bleven elf woorden over, ingetikt in de bus aan het eind van de dag. Een AI-toepassing die op tien jaar van zulke werkbonnen leert, kan vertellen wat er werd vervangen. Waarom, en wat er eerst werd uitgesloten, blijft onbekend, want dat staat nergens.

Hier verdient een hardnekkig misverstand een correctie. Vrije tekst is voor een taalmodel goed leesbaar: uit "F28, ketel gereset, werkt weer" haalt het moeiteloos een storingscode en een handeling. Daarmee wankelt de gedachte dat alles eerst in vaste velden moet staan voordat AI er iets mee kan. Wat een taalmodel nooit kan, is een serienummer reconstrueren dat niemand heeft genoteerd. Het zwakke punt van de werkbon zit dus in wat er ontbreekt. Hoe de vrije tekst van monteurs alsnog in een volledig servicerapport kan landen, laat de Bolier-case zien.

De basis op orde in vijf stappen

Opruimen klinkt als een eindeloos project, en dat wordt het ook als het zonder richting begint. Vijf stappen houden het behapbaar.

1. Begin bij één toepassing. Kies wat AI als eerste moet opleveren, bijvoorbeeld een slimmere planning of minder overtypen van werkbonnen, en bepaal welke gegevens die toepassing echt nodig heeft. De rest kan wachten (zie tabel 01).
2. Meet voordat er iets wordt opgeschoond. Een steekproef van vijftig werkbonnen uit de afgelopen maand, met per werkbon de vraag of klant, installatie, storingscode en oorzaak te herleiden zijn, geeft in een middag een eerlijker beeld dan elk overleg over datakwaliteit.
3. Dicht de bron. Een paar verplichte velden op de werkbon voorkomen dat het probleem blijft aangroeien. Het aantal blijft het best klein, want elk extra veld kost de monteur tijd, en een monteur die zich gecontroleerd voelt, vult het minimum in. TrueContext komt tot hetzelfde advies: wie velden toevoegt, moet elders typwerk schrappen.
4. Ruim terugwerkend alleen op wat de gekozen toepassing nodig heeft. Daarbij kan AI zelf helpen. Een taalmodel stelt voor welke klantkaarten bij elkaar horen en haalt serienummers en storingscodes uit oude vrije tekst, terwijl de beslissing bij een medewerker blijft die de klanten kent.
5. Wijs een eigenaar aan. Gegevens zonder eigenaar raken vroeg of laat opnieuw vervuild. Iemand in de binnendienst of administratie die verantwoordelijk is voor klant- en installatiegegevens, en daar ook tijd voor krijgt, is de goedkoopste investering in dit hele rijtje.

Hype, bruikbaar, en wanneer

Rond datakwaliteit circuleren twee hardnekkige verhalen, en ze zijn allebei te gemakkelijk. Het eerste luidt dat AI de rommel zelf wel opruimt. Dat is half waar. Een taalmodel is een uitstekende hulp bij het opsporen van dubbelingen en het ordenen van oude werkbonnen, maar het kan geen gegevens verzinnen die nooit zijn vastgelegd, en het hoort dat ook niet te proberen.

Het tweede verhaal is het spiegelbeeld daarvan: eerst een groot dataprogramma van een paar jaar, en pas daarna AI. Dat klinkt verantwoord, past vooral in het verdienmodel van wie zulke programma's verkoopt en houdt een bedrijf jarenlang weg bij de toepassing waarvoor het ooit begon.

Bruikbaar is de tussenweg: één toepassing kiezen, de gegevens voor die toepassing op orde brengen en de bron dichten zodat de vervuiling niet terugkeert. We raden aan daarmee te beginnen voordat er een euro naar een AI-leverancier gaat. Dit werk betaalt zich bovendien terug als het AI-project er nooit komt, want de planner ziet de volledige historie van een adres, de factuur gaat naar de juiste klant en een nieuwe monteur hoeft minder te raden.

Opruimen is het minst opwindende onderdeel van elk AI-project. Het is ook het enige onderdeel dat zich in elk geval terugbetaalt.