#25 AI voor beslissers | met Charlie ter Horst

Bouwbedrijven staan op alle McKinsey-Lijsjes. onder aan als het gaat om adopsie van AI en dat soort zaken. We metselen muren, dus waarom zou er iets met AI moeten? Dat gaat niet sneller met AI. Snap ik, maar er zijn toch nog steeds wel juist cases die echt wel gaf zijn. Welkom bij A-NEME-Podcast. De podcast over F-Cent-Pouwen en ondernemers. Mijn naam is Routidufries. Mijn naam is Cynthia H. Weyer. In deze podcast bespreken we hete hangeizers in de bouw. En dat doen we met A-NEMERS, ondernemers en experts. Hoe deze aflevering van A-NEME-Podcast spreken ik met Charlie Terhorst. Hij is Head of AI bij Cronwalter-endros. En van zijn hand verschijn onlangs de strategische Gids AI voor beslissers. Met hem bespreken ik hoe directies van bouwbedrijven. Zatheegse keus kunnen maken wat betreft de inzet van AI. Charlie, volgens mij is het heel snel met je gaan bij Cronwalter-endros. In 22-wetje binnen gaat om 1 dag per week advies te geven op het gebied van AI. En in Meels werkt je de fulltime en heb je een heel team tot je beschikking. Je laatste betrekking was bij de hoogsoef van Amsterdam. Als lerouwen opleider wiskenden, dus je hebt een achtergrond in het onderwijs. Maar het is tijdens ook al een fascinatie voor AI. Verklijden je fascinatie? Ja, dat is eigenlijk al begonnen toen ik studeerd. Dus ik heb natuurlijk nog studeerd en ik ben afgestudeerd in de richting. Natuurkende met informatiekaders, even maar een natuurkende. Ik heb mijn leven lang daarna eigenlijk geprogrammeerd. Dus ook tijdens mijn werk als docent heb ik altijd zitten programmeren in mijn avond uren. En daar heb ik ontzettend van genoten en op gegemen, heb ik tijdens Covid eigenlijk nagedacht van 20 jaar verder in het onderwijs. Of ga ik toch iets anders doen. En toen heb ik de keuze gemaakt om die uitdaging op te zoeken. En ben ik in de AI verder gaan eigenlijk. Oké, en dat programmeren wat je deed in de avond uren, is dat zeg maar hobby-maat. Vanuit je eigen interesse, hobby-maatig, of zijn er ook product of dienstijd voor te komen? Of hoe moet ik dat zien? Ja, ik heb geen product of dienstige gemaakt, maar ik heb wel echt toch wel vrij leuke, interessante projecten zitten doen voor mezelf, met AI. Ja, waar ik gewoon heel veel precies eruit halen, die me ook wel liet te zien dat ik daar misschien ook wel mijn werk van zou willen maken. Ja. Dus dat. Nou, zo doen we het eigenlijk een beetje begonnen. Oké, we hadden 22, dat is vlak, niet lang na de lanceering van JetGPT. Ja, wat was dat voor jou toen je toen dat weer kunnen ver gemaakt? Ja, ik werkte zeg maar in 2023 is JetGPT gebransierd omgeven. Dus. Ja, ik was er vooral bezig met machine learning. Oké, dat had je toen voor JetGPT. En ja, na JetGPT eigenlijk is er een. Ja, soort lawine on staan aan AI eigenlijk. En het spelveld is behoorlijk veranderd, want daarvoor was het idee, ja, je gaat heel veel data verzamelen en dan ga je machine learning oplossingen verzinnen. En nu ben je meer richting, ja, contorautomatisering, en je kan het noemen of meer echt tekstgerichten oplossingen aan het bedenken, die echt werkprocesse aan past. En dat zijn oplossingen die makkelijker uitvoeren zijn, makkelijker uit te leggen zijn ook, die daar dus ook meer funding krijgen binnen een bouwbedrijf bijvoorbeeld. En machine learning, dat is wat meer specialistisch, wat meer. Ja, een lastiger use case om het te gelden te maken. Dus na JetGPT eigenlijk is er een verschuifing gekomen in de aandacht van wat je dan met AI doet. En wat ook Oroo's speelt is dat mensen voor het eerst interakcie hebben met hun AI. Daarvoor was een AI-zij eigenlijk meer van een stukje code en een doe je run. En er komt er een antwoordjaaf neuuit. En nu heb je een dialog. En dat spreekt wel de verbijlding, waardoor ook managers, beslissers, bestuurders, allemaal hebben gevoeld van, oh, dat is dus AI. Wat een deel van de waarheid is, want machine learning is ook gewoon AI. Maar daardoor is het meer gaan leven. En zijn dat soort oplossingen dus ook makkelijker te verkopen bijna, omdat tegenen die moeten beslissen ook beter snappen, wat er verkocht wordt. Ja, precies. Ja, ik verg het de vergirt me net even. 23, 20, 20, 20, dan zie je in JetGPT. Ja, als in generatieve AI. Ja, goed AI bestaat natuurlijk al langer. Veel generat. Maar kronwotendros is er dan wel voeg bij, omdat in die tijd al iemand te betrekken om na te denken over wat AI voor de organisatie kan betekenen. Ja, zeker. Ja, ik werd binnengehaald voor eenig in de week, en toen was eigenlijk mijn opdracht. Ik zei eigenlijk veel leuk dat ik een project te gaan programmeren, oplossingen gaan bedenken, dus ja, zeker, maar nu moet je er wel ook eerst te verkopen. Dus, ja, ja, pas laat. Reliseerd, ik moed ook eigenlijk een soort verkoper was geworden, van mijn eigen werk wat ik nog moest verzetten. En dat heb ik dus toen gedaan, en ik ben dus echt de boer opgegaan, en ben bij bedrijven langs en gaan bij klanten van kronwotendros langs, en binnen TBE in de holingen heb ik ook gekeken. En daar heb ik dus gezogd naar use cases voor AI. En zo is dat eigenlijk, ja, gaan we rollen. Oké, ja, ik wam je al snel een use case tegen waarvan je dag van 'n als we dit gaan doen, dan ga dit een hoop opleverig waarschijnlijk waar omzet of juist kostebesparing. Nou ja, ik ben toen ik begon, was mijn met CWD's techniek bedrijven. Ik dacht ja, predictive mee in te doen. Zet no brainer, dat is wat we moeten gaan doen. Dus er heb ik heel hard op ingezet in het begin, heel veel gesprek over gevoerd. Maar daar was weinig animo voor. Ik dacht, ik vanaf, hoe kan het nou? Dit is toch geweldig, dat moet je toch willen. Ja, en ik ben eigenlijk door door schade en schalende eigenlijk, heb ik ontdekt dat producten of maintenance op papier, bijvoorbeeld een geweldig hoplossing lijkt, maar dat het in de praktijk nog echt lastig is om daar een goed sluitende business case voor te maken. Want wat je vaak hoort en dat dat kreeg ook terug in gesprek is, dat ze zeggen, ja, je kunt wel een heel geweldig systeem gaan bouwen die gaat verspellen in ieder stuk, maar ik kan ook gewoon voor 5.000 euro dat apart in de schuur laten liggen. En als de nood aan de mens komt, dan aal ik hem uit schuur ik insleren en ik ben in een half a dacht, ben ik weer verder. Daar heb ik niet een systeem van 20.000 euro nodig om dat te gaan monitoren. Dus de producten maintenance leek mij heel tof. Ik dacht nog steeds dat het heel mooi is, maar dat kan je echt heel een hele specialistische gevallen eigenlijk, is het pas echt serieus erin daadbaar. Dus daar, nou, dat zou je even een ding in die dan bijvoorbeeld leert. Ja, precies. Dus dat was een aanvandelijk idee dat je had van daar zit, zit waarschijnlijk wel winst in, dat valt dan tegen het mensje krijgt in zich van nou, dat is hem niet, maar waar zat het hem dan wel in? Ja, wat wil je, broer, kwamenjuice case, die goede juice case? Ja. Nou ja, waar heel veel behoeftaan is, is dingen zeg maar gestroomlijn daar doen. Dus die krijg bijvoorbeeld een data set binnen, of een Excel sheet, waarin allerlei gegevens staan hebben bijvoorbeeld een asset leist, en dan moeten wij daar een bepaalde NLSFB-code aan plakken. Dat soort vraagstukken krijgen we. Dus we gaan heel veel Excel-Lijs te binnen, en daar moeten een code, of een verzonnen of een categorie of een, of dat soort zaken. Nou, daar kun je dan dus met AI een klassificatieprobleem van maken en dat oplossen. En daar hebben we heel veel tijd mee bespaart en dat zijn gewoon echt mooie projecten die ook gewoon nu worden toegepast. Dus wij hebben nu een tool die gewoon van een lijst met assets, meteen kan inschatten welke NLSFB-code hoort daarbij. Dat was daarvoor mensenwerk, dus dat werd echt gewoon, door mensen achter een computer gedaan, dat uren en uren en uren. Ja. En nu is het eindruk op de knop. En dan het 99,3% nauwkeurig of zo. Dat gaat ook echt hartstikke goed, kan je gewoon echt goed trainen. Nou, daar, dat soort oplossingen, die veel minder groot zijn, meestlepen zijn als een predictive maintenance toolpassing, bij wijze spreken. Dus echt, meer soort kantorautomatisering zijn te kunnen noemen. Ja, daar help je mensen echt meteen mee. Oké, dus daar mensen die dat nu doen, die ook meteen daarmee kunt helpen. Ja, graf. Ja, cool. En ik noem de net al het boek aan. De strategische Gits AI voor bestissers. De ondertitel is als wat u moet weten over AI in één uur. Ja. Met 20-groves stukken, met samengebouwd informatie over AI voorbestissers. Waarom heb je dit boek deze Gits gescheven? Ja, omdat ik eigenlijk heel veel gesprek heb gevoerd. Met managers, beslezers, bestuurders, allemaal over AI. En ik merk ten eerste, moet ik bij al die gesprekken, heb je soort. Ja, spraakverwaring, want zij zijn domain experts. Ik ben een AI-exper. Dus waar ga je elkaar begrijpen. Dus ik merk dat het heel veel behoefte was aan begrijpen wat AI dan is. En dan ga ik me verplaatsen in een manager over bestuurder die dat moet leren. En ik denk ik, nou, ga er maar aan staan in het landschap van vandaag. Waarin er 100 podcast, YouTube. video's, blogpost, boeken, het is er zoveel over eigen schreef en gezegd dat ik dacht dit moet kort en bondig worden uitgelegd want anders wordt echt gewoon helemaal gek. En ik ben natuurlijk onderwijs er geweest, ik heb leerharen opgeleid dus ik het bloed kruipte waar niet gaan kan. Dus ik dacht ja, wie is de aangewezen persoon om dat te doen? Dus vandaar dat ik aan de slag ming ging. Ja, ja. Wat was het een klus? Het lijkt in eerste zons die ik tegen me vrouwen van aan. Dat moet wel lukken, dat is niet zo voor werk en ik had in de zomer al vrij snel een soort skeleton met hoofstukken en wat ik wilde gaan zeggen. En daarna heb ik toch reelijk onderschat hoeveel werket is omdat tot een productie waardig resultaat te krijgen omdat ik echt per hoofstukken heb. Ik moet te snijden en knippen en tot op lettergreep aan toe moeten gaan snoeien om het op een paar graag te krijgen. Ik had mezelf als doel gesteld, één hoofstuk is enig gedachten op een a5je en dat is wel een flinke uitdaging want het is heel makkelijk om iets met heel veel woorden te zeggen maar iets met weinig woorden te zeggen dat dat valt dat is een flinke uitdaging. Vandaar dat was langer duurde en in de winter was het geklaar met snoeien. Oké, heel goed, ja, de schappen dat gaat overwacht veel tijd in zitten. Dat is een deel van het creatieve proces. Ja, absoluut. Maar in de aateil gaaf en wat ik daarin las is dat je dus minder richt op los het doel zin, daar gaat het ook wel vaak over je petie of je op goodcode of je de toeltje of de plekse die daar gaat dus niet over, maar wel over, nou ja, dat is het dezelfde keuzes voor eigen toepassigheid die ik het maken die je dan echt echt congrerenciën voor deel opleveren. Ja. Dat congrerenciën voor deel is dat niet vanzelfsprekend zodra van een moment dat je ei inzet. Ja, in principe wel wat mij betreft. Dus zijn mensen die zeggen ja iedereen gaat ei toepassen. Dus dat congrerenciën voor deel dat verdant hebben want we gaan allemaal sneller werken. Ja, belicht, maar ik denk dat als je morgen de eerste bent die ie goed integreert in je standaard processe, ja, dan heb je een voordeel hoe je het ook bent of kert. En ja, hoe meer je dat weet integreerde in je processe, hoe meer voor deel je hebt, hoe meer tijd je kunt besparen op je klusen, dat ben ik van overtuigd. Ja, en dat, ja, dat moet zeggen als je dat, er gaat gewoon bedrijven zijn die dit heel goed gaan doen en die gaan daar sneller mee, meer in de bak dan traditionele behalve bedrijven die niet zouden omarm. Nee, dus eigenlijk inzet er van EI, dat is gewoon belangrijk om te doen, omdat genoemd gelijk tijd lees ik ook hier. In je gids dat veel AI-projekte binnen organisaties vanaf, ik lees zelfs dat slechts 5% van de AI-pulits met generatieve AI. Dus Jetjipity, zelfs dat zeg maar kennen, dat dat aantroonbare waarde oplevert. Waarom strandt die overig 95% van die AI-projekten? Ja, leuk vraag, ja, dat is om allerlei redenen, maar het is dat een pilot kan succesvol zijn, dus daar ben je iets heel mooi bedacht. We hebben bijvoorbeeld een handige manier gevonden om goede linktimpost te maken voor de marketing afdeling. Nou, bijvoorbeeld. Dan ga je naar een pilot doen en dan maak je een losse tool in de kandaat, ga je naar een website die je ergens gebouwd in de kandaat. Maar dat zit nog niet in de processe gesmeet van het bedrijf zelf. Dus dan heb je eigenlijk een soort standalone, apart iets neergezet, wat dan werkt, maar dat is niet hoe iedereen op de afdeling normaal gesproken werkt. Dus dan gaat in de praktijk, gaat dat verzanden. Dus dan wordt dat het eigenlijk niet gebruikt. Dus wat de grootste uitdaging is is hoe je van een prototype dat geïntegreerd krijgt in hoe mensen van 9 tot 5 aan het werk zijn. En dat is altijd een hele lastige, want dan moet je dus AI gaan integreren met legacy systemen die vrij oud zijn en soms van ducktep aan elkaar hangen of er dus elke keer anders. Dat integreren is echt een uitdaging. Ja, plus en dat is gewoon met alle change management eigenlijk van welk problem zij maar dan het oplossen en hebben wij met de business goed afgestemd wat nou het problem was en wat zijn onze KPIs. Hoe weten wij nou dat we hebben gemaakt ook dat werkelijk geld bespaard en gaan we ook echt tijd besparen. En dat zijn wel eigenlijk businessvraagstukken die je goed moet beantwoorden voor dat je om een graven dingen gaat doen met AI. Want er zijn heel veel graven dingen mogelijk maar bespaard het op het einde van de dag nou echt tijd. En daar gaat dus heel vaak niet goed. Nee, precies. Dus het werken met AI is gewoon echt slim en verstandig om te gaan doen. Met de manier waar je AI werkt in integreren in je organisatie is dus ook een hele belangrijke voor het slagen van en voor het behalen van resultaten. Ja. Ik las dat dat je schreef dat succes met AI is voor 80% organisatie en veranderen management en voor 20% technologie. Ja. Dat is best een. Ja, met AI kun je heel snel een tool hebben. Ja. Maar om het goed te laten werken is het zo belangrijk dat die implementatie binnen de organisatie het de inbedding goed verloopt. Ja, eigenlijk ja dus kijk AI wordt nu gepozitioëneerd als iets helemaal nieuws. Nou, dat is natuurlijk ook. Maar het is eigenlijk gewoon een transformatie net als dat internet dat is bijvoorbeeld. Dus is geweest. Ja. Dus je hebt gewoon een organisatie die het ook een paar dingen werken. En dat is nu een nieuwe tool. Dat is dan AI en dat is natuurlijk geweldige tool. Maar uiteindelijk hebben het net als vroeger waar mensen op internet cursus moesten, of op excel cursus moesten. Ja, moeten we nu op AI cursus. Dus in die zin ben je nog steeds met mensen bezig die meegenomen kunnen worden in die AI-strom. En het is niet zo dat als ik een geweldige tool maak om marketing post te doen. En ik zet die gewoon neer op de company website. Dat dan morgen iedereen dat brave en heel goed en perfect gebruikt. Nee. En daar ook anti-shust van wordt. Dus daar zit een heel. Ja, een heel change management traject zit er aan vast. Welke. atvies ik kun je geven aan directies van hoe kun je dit op een goede manier aanpakken? Ja. Ik zou als eerste gaan kijken van wie in jou organisatie zijn de ambassadeurs. Wie zijn de anti-shustelingen over AI? Krijg die bij elkaar. En laat die is brainstormen. Bevoelbeeld door sessies te doen. Infotarizaties hebben we ook ontzettend veel gedaan. Met experts, dus zet 1 of 2 AI-antushastelingen in een ruimte met 6 tot 8 domijn experts. En ga op een muur tekenen. Wat je allemaal zou willen. En waar ze die bottenx in proces zijn en ga zo ideeën ophalen. En doe dat over alle lijfsschilende afdelingen. Ga van al die ideeën een impact evertmatrix maken. Nou, een impje opgeemend al heel snel. We weten ik uit de vader. Zet je zo op 30 tot. We hebben er nu dit hebben we laatst gedaan in de winter. In onze campercessen kwamen iets op 90 ideeën. En dan kun je echt op management niet vol met elkaar gaan praten. Van aan welke van deze 90 ideeën passen ook bij onze strategische richting. Ja. En dan krijg je natuurlijk weer strategische keuzes. Ik moet ik na mijn eigen team gaan oprichten. Ik sterk dus gaan inhuren. Nou ja, ik zou zelf niet meteen een heel team gaan neerzetten. Zet 1 of 2 mensen in ieder geval de rigie houden. En die zou ik wel echt bij je bedrijf binden. En dan de eerste stap kan je in het. om uit te proberen met een externe partij doen. Maar als je echt serieus een plan hebt en ik denk dat je serieus dit zou moeten wil als bedrijf, geloof ik erin om die kennis wel zelf op te bouwen. Dus dat je wel echt zoals Kroodendros heeft gedaan, een eigen team neerzett, waar ook je eigen expertise is. En die ook leren begrijpen hoe de afdelingen werken. Want wij doen het nu wel naar bijna 4 jaar. Dus ik ben nu op het niveau. Dat als ik een idee hoor kan ik of vrij goed toetsen in me hoofd al van bewelken. Afdeling zou dit wel of niet vliegen. En we doen niet afdelingen naar me eigenlijk. Kroodendros heeft 3000 mensen. We maken geweldige grote projecten. Maar ik leer elke dag bij over wat we allemaal doen. Dus die kennis wil je centraal hebben. En dan combineren met i. Als je persoon hebt die de business knappen en i. Snap je dan kun je gaan versnellen. Oké. En je noemde pilots? Ja. Dat belangrijk is om pilots te draaien. Waarom is dat belangrijk? Ja om uit te proberen om hipoteses te toetsen. Dus je hebt die hipotesen met i. Je moet de dingen sneller kunnen. Wat dan? Nou, in administratief proces. Oké. Je gaat niet voor 100.000 euro meteen al een compleet consultie team in vliegen. om dat te laten bouwen. Dus dan wil je dat uitesten. Dus te kijken, van hoe kan ik dit probleem zo klein mogelijk maken. Nou, dan ga je op dat op dat kleine stukje, ga je toetsen. Dus wij maken bijvoorbeeld veiligheidsplannen moeten wij schrijven. Nou, dat is heel veel werk. Dus dan gaan we kijken kan dat op een goede handenge manier met AI. Nou, dan gaan we dat heel klein maken. Daar parken we één specifiek stuk plan wat we altijd moeten schrijven. En dan gaan we kijken, lukt dat met AI. En is dat net zo goed als wat we dan zouden doen als dat met de hand gezegd was. En is het ook veilig he? Dus dan krijgen we ook weer het stukje business. Van ja, laat je zo'n plan schrijven door AI, snapen de mensen dan nog wel wat er in het plan staat. Dat zijn dan ook vragen die wij tevandaan directie krijgen. Nou, dan gaan wij dus ook daarover nadenken. Dus dat het is heel gaaf om dan een oplossing te maken die heel snel een plan schrijft. Maar als de business er ja leuk, maar iedereen moet het plan ook snappen, dan gaan we daar denken van, oh, nou misschien kunnen we ook wel geautomatiseerd bijvoorbeeld op basis van het plan wat gezegd is. Een e-learning laten maken, want dat kan je ook automatiseren. En zo proberen we eigenlijk dus. eigenlijk heel erg op de stoel te gaan zitten van de business voordat wij een oplossing gaan maken. Dus terug op je vraag waarom we bilen, om te valideren of wat je in je hoofd dat nou ook echt werkt. Ja, goed is. Ja, ja. Dus dat valideren dat het belangrijk voor dat je gaat opschalen? Ja, welk of. En hal je ook een voorbeeld aan in het boek, ben even de naam van dat bedrijven, een betaal organisatiegelofd, misschien klaar naar. Oh ja. maarcting en de klantseurvers had geautomatiserd met behoofen AI en dan heel snel opjes teruggekomen. Ja, dus de afbruik, het afbruik risico van groot graag implementatie, zonder pijlets gedrijkt hebben, zonder dat werkelijk goed gevaluurdert te hebben is groot. Ja, absoluut. Ja, zeker als je weet, als je voorland is, dat 95 procent van de AI-opplossing en geen waarde geen herde heer te. wat net bespraken, dan. nou, dan ben je niet helemaal wijst, denk ik als je niet eerst de pijl het doet, zou ik zeggen. Ja, echt wel toetsen. En ook tijdens de pijlet komen er ook gewoon achter of het leeft of mensen de blijven worden. Ja. En bijvoorbeeld wel eens gekeken of het mogelijk is om planeten beoordelen. Dus dat hebben we een jaar geleden een pijlet over gedaan. Van kunnen wij op basis van teksten beoordelen hoe goed een plan is. Nou, papier, denk je, dat moet gewoon kunnen, dat moet het taal model kunnen. In de praktijk kan wel met regelig wat mids en maaren. En opgeemend zeg je dan, kan ik mijn handen nou in het vuur steken? Dat dit plan echt beter is dan dat plan omdat dat je dat zegt. Nou, met echt met de bistens bij elkaar gezeten, we. Nee, kunnen we niet. We zijn niet 100 procent overtuigd. Nou, dan gaat dat plan dus weer. Ja, gaat er in de koelkast. En misschien dat het met taal-modellen van nu, ja verder, die onrecht, heel veel beter zijn. Misschien weer wel kan, dus nou misschien over een half jaar nog eens keer naar kijken. Maar die pijlet is waardevol, want anders ga je al in de productie zitten. Op iets wat gewoon niet gebruikt gaat worden, omdat mensen zeggen ja, leuk dat die i dat zegt dat dat beter een beter plan is, maar ik vind het niet beter. Nou, geloofwaardigheid kwijt en naap je een oplossing die niet werkt. Nee, precies. Nou, dus in het pijlet belangrijk. Maar ook dus wat me op veel gewoon, dus heel erg afbakende wat die i oplossing precies moet gaan doen, welk problemet precies oplost. Dus zo, je moet dan ook zo klein mogelijk maken. Ja. Ik las een voorbeeld bijvoorbeeld een i die checkt over de bouwplaats of daarhelmen worden worden gedragen. Ja. Dus waarom is het belangrijk dat een eisen zo'n enorme afgebakende opdracht krijgt? Nou, het is. Ten eerste is de technologie van AI, vooral met machine learning, werkte eigenlijk alleen maar met afgebakende opdrachten. Dus het voorbeeld van die bouwhelmen is heel mooi, dat is computer vision eigenlijk, dus zicht van computers, de testlai heeft dat allemaal. Als ik een AI wil trainen om bouwhelmen te herkennen, dan moet ik gewoon heel veel data hebben van bouwhelmen. Maar dat betekent niet dat als ik bouwhelmen herkent dat die ook hasjes herkent, of veiligheid schoenen of wat dan ook. Dus AI die je treint, vooral met machine learning, die moet je heel specifiek trainen op jouw data zit, op dat wat je wil doen. Dat betekent dus ook dat je je problem heel scherp moet definieren om die AI daarop te trainen. En dat is wat wij dus heel bewust doen. We hebben bijvoorbeeld een toeling gemaakt, computer vision ook, de bouwhelmen voorbeeld maar dan anders. We bij op een skade systeem heb je dan brugge en sluizen, die kunnen open dicht. Wij maken dat software voor om dat mogelijk te maken. Maar wij moeten ook valideren toetsen of de knopjes in de toeten zijn de bellen op de juiste plek zitten op dat scherm. Dat moest tot nog doen, werd dat dan half met de hand gekeken, staat die pixel wel op de plek waar ik dat die moest staan. Daar ben we nu een AI voorgetreend die dus met een scherm opname zo pav 50 ikonen kan herkennen. Maar dat moet je dus heel specifiek voor die 200 ikonen die je verwacht te zien daarop gaan trainen. Dus dat en er is natuurlijk ook vanuit strategisch/business-algpunt. Hoe scherper jij je probleem definiert, hoe groter de kans dat je succesvol een oplossing verzint. Als jij een probleem hebt wat heel volg en wasig is, dat moet niet echt de aanpak. Dus het moet allemaal schermen misschien schermen voor om het leert zijn, te minsten concreet zijn. Ja, concreet, redest is haalbaar. Dat is maar ook belang van data zet. Dus dan als je een AI wilt hebben, trainen die herkent of iemand wel of geen bouwhelm op heeft, moet die goed weten wat een bouwhelm is. Ja, heeft dus ook een data zet nodig die kwalitief goed is. Dat is ook een belangrijk stuk in de ontwikkeling waar je dus aan het voet moet hebben. Ja, absoluut data zet. Ja, beter gezegd dat het echt het fundament is. Het is een cliché, maar het kan niet vaak genoegd gezegd worden. Ja. Het is nu wel zo dat als ik zeg maar AI op de voetvolg, het gaat ontzettend hard. AI kan steeds meer de foundation models die ontwikkeld worden en de agentics, de open clause, als wat er nu allemaal kan, is echt gestoord bijna. Maar leuk dat het allemaal kan, maar als je uit data gewoon niet goed is, kan je dus echt helemaal niks. Dus de kein bedrijven hebben, wat als het terelie draait. Maar als jij van de Excel Sheets aan elkaar geplakt aan het werk bent, dan heb jij helemaal niks aan al die geweldige foundation models. Want je kan niet eens goed bij je data. En daar ligt wel echt een enorme uitdaging om dat te teklen. Ja. Dus dat je je data goed gestructuriert is en dat die betrouwbaar is en veilig is. En dat om een simpel voorbeeld te geven is dat wij nu twee jaar geleden al bijna bedachten hadden van golven gaan voor inkop, gaan wij eens kijken of wij kunnen achterhalen of we altijd wel optimale bein gekocht. Nou, dus je pakt gewoon vijf leveranciers, je pakte facturen die verstuurd zijn en je gaat kijken, heb ik voor elke bouwtje en moordje, heb ik altijd de goedkoopste leverancier gehad. De soort validatie van je inkopstategie. Nou en op basis daarvan hadden wij op een beervildje uitgereekend. Van nou ja, op de. weet ik veel groep maar wat getallen, maar op de 50 miljoen schatten we dat we een paar procent kunnen besparen. Nou, dat is zo uitgereekend. Nou, geweldig nieuws. Dat is echt. dat is serieus geld. En dan wil je dat gaan uitvoeren en dan blijkt dat de data is er wel, natuurlijk is er inkop data, want we hebben heel bedrijf wat werk met inkop, de facturen en jaarrekeningen. Maar op. op. factuur-niveau zijn er toch allemaal gekke dingetjes in, de zandingen dubbel gebouwd of er staat niet bij of om 24 stuk schaat of om 1 stuk. En de kostprijs, ja en de leveranciers dat hebben we ook niet allemaal van elke dag beschikbaar. Nou, langvaha kort. We zijn nu twee jaar verder. En nu hebben wij in samen spraak met de leverancier en andere partijen, dus allemaal partijen die data aan het leven hebben nu allemaal geleiend dat we dit kunnen gaan uitvoeren in dit project. Nou, en het is niet omdat we niet willen, maar omdat het gewoon complex is, het heel veel partijen, en dat moet je met elkaar afspreegen en regelen. En moet je dus ook je leverancier aan ze jasje trekken en zeggen, jo, ik wil het in dit format aangeleverd krijgen. Ja, maar het kunnen we niet. Ja, leuk, maar we willen het wel. Nou, en goed. Nou, goed, dus data, ja, echt super belangrijk. Ja, dus in dit specifieke geval is het zo dat die data niet uniform verhanden is en dat het een hoogwerk inhoudt om dat geregeld te krijgen, omdat je afrangelijk bent van KTPT en de manier waarop zei hun data bij jou aanleveren. Exact. Maar ook, ja, bijvoorbeeld, dit soort dingen gebeuren en dat bij glassenbriekingen wij bijvoorbeeld. dat proberen te verspellen of wij de glasproductie konden optimalezeren. En dan krijgen wij data binnen van een lijn waarop dan glas wordt geproduceerd. En dan blijkt later, en we weken later of zo, dat de data niet klopt met de sensor. Dat soort dingen gebeuren gewoon. Dus als jij niet goed weet welke data hoort bij welke sensor, kan je ook helemaal niks. Dus wat er tot nu toe veel gebeurt dat we merken, is dat mensen weten al tien jaar dat data belangrijk is. Dat hoef ik niemand te vertellen. Dus bedrijven zeggen ook van, ja, we hebben ook heel veel data en die gaan dan ook data logen. Maar er is niemand die echt eigenaar is van die data. Er is geen data steward of zo, die precies kan vertellen. Dit staat er in op deze vakwensie mee. We omdat we in die reden dit soorten variabelen niet. Die zijn er vaak niet. Dus je hebt dan giegebouwd zijn data waarvan we bijna mensen weten wat daarin staat. Dat is nog niet helemaal waar je moet zijn. Je moet echt mensen hebben die inhoudelijk weten wat de data betekent en die dat kunnen vertalen naar een AI-specialist. En dan kun je je mee te schermaken. Als je kijkt naar de toepassingen die je hebt ontwikkeld, jij en je team, je bent een dros. Zit er daar voorbeelden tussen voor bouwbedrijven. Als je iets aan moet doen, als bouwbedrijven, of een adviet van keiges daar of daar naar. Om naar een AI-toepassing voor te ontwikkelen. Ik ga voor een voorbeeld noemen wat ik ga vind om te noemen. Ik ga niet zeggen dat ook bedrijf dat meteen moet gaan doen, maar wel om aan te geven. Kijk, bouwbedrijven staan op alle McKinsey-leisjes onderaan als het gaat om adopsie van AI en dat soort zaken. Het leeft een beetje via we metselen muren. Dus waarom zouden we iets met AI moeten? Dat ga ik niet sneller met AI. Snap ik. Maar er zijn toch nog steeds wel juice cases die echt wel gaf zijn. Dus bijvoorbeeld bij FT die storte vendeeringspalen. Daar gaat beton in en je moet van te voren verspellen hoeveel beton neem ik mee om die palen te storten. Dat kun je uitreken aan de hand van hoeveel cilinder je gaat storten. Dat is gewoon volume berekening, maar de grondlaag bepaalt hoeveel de weglekt. En dat weet je niet echt van te voren. Dus je kan een paar kogels letterlijk de grond in schieten om naar metingen aan te doen. Dat doen ze ook. Maar ja, je weet nog steeds niet hoeveel beton je mee moet nemen. En wij hebben daar model voor gemaakt. Echte machine learning model die op basis van die zonderingsdata precies kan verspellen hoeveel beton je per pal nodig zijn moeten hebben. Om mee te nemen, want een deel ervan lekt weg in in zand of klei lagen. Dat moet de model hebben gemaakt, hebben we gevalideerd en getoets met na projecten die zal er gedaan. En ik wam gewoon achter dat je echt wel een flink aantal persentage minder mee hoeft te nemen aan beton. Nou, en meteen om nog een mooi berugetje te maken naar pilots versus operationaliseren. Dit was de pilot. Leuk. Kope je niks voor. De enige wat de pilot laat zien is van ja, dit is waardevol, want we kunnen iets verspellen wat we eerst niet kon verspellen. En wat ik nu waar ik echt blijven word, is dat nu in samenspraak met de ontwikkelaars van hun systemen hebben wij dat in hun ofhurtige systemen weten te krijgen. Dus iedereen die nu in dat bedrijf onverte maakt, kan op een druk op de knop doen en meteen een inschatting krijgen van hoeveel beton denk we nodig te hebben. Nou, en dan heb je dus een oplossing die in het proces is geïntegreerd. Zoven niks extra ze doen zit gewoon in hun systeem. En dat is echt een echt een bouwplossing. Dus je kunt dat soort dingen dus echt technisch, echt wel wat doen. Maar als ik moet adviseren wat moet je morgen oppakken, ga zitten op de overheid, ga zitten op je papierwinkel, op je excel sheets. Wat wij dus doen is bijvoorbeeld, eisen die binnenkomen willen wij gaan. Ten eerste willen we die geautomatiseerd gaan checken of ze smart zijn. Nou, er hebben wel heel goede modules voor gemaakt die dat kunnen zijn. We zijn bezig met een pilot en we willen eens gaan classificeren. Dus waar, waar moet, welk team moet het gaan oppakken, of welk stuk moet het gaan doen. Nou, dat zijn zaken die met de hand worden gedaan, honderden uren zijn daar echt gewoon, ja, engineers zijn hem er bezig. Dat zijn taakken die kun je echt gewoon automatiseren. En dus, nou, daar op dat stuk zitten wij. Maar nog een voorbeeld te noemen en dan hou ik op. Je hebt bijvoorbeeld ontwerptekeningen en daar moeten wij, weer ik veel, wij moeten armatuurig gaan vervangen. Dus we krijgen vanuit de industrie een opdracht om voor een groot pand 1000 lampen te vervangen. Nou, waarin hoedan? Die ontwerptekeningen moeten dus gaan turfen hoeveel lampen erop die tekening staan. Nou, ja, tot mijn verbazing gebeurt dat met de hand, dus met de gele stifft en een klikker. En dan mensen dus drie dagen lang te tellen. Nou, dat hebben wij dus nu een toel gemaakt die lampen kan tellen op zo'n tekening. Nou, top. En dat willen we dan weer gaan uitbreiden naar andere ikonen. En zo kan je dus geautomatiseerd. En dan moet je op die schema gaan lezen als het waren. Nou, en dat zijn naar mij mening richtingen die veel bedrijven hebben, die ook meteen schaal hebben. Dus wij doen heel veel projecten per jaar, die beaalementekeningen, die beaalementijsen, die beaalementingen die geclassificieerd moeten worden. Die beaalementen contract checks. Nou, al dat soort, geen reken administratie, nou, gaat dat tekenen, zou ik zeggen. Dat de makkelijkste is om op te pakken. Ja, ja, ja. In de daad dingen die goed te automatiseervallen overheid zaken. Eigenlijk zijn ze die in de noemt, waarmee dus tijd of koste kunnen besparen. Ja. Dat is echt de meest effectieve manier om AI in te zetten. Ja, dat is daar zou ik opreegde, absoluut. Oké, en te slotten waar we ook al even aanigvoren voor de AI act in de Europese Univatzao. Dat zou je daar als directeur van een bouwbedrijf van moeten weten. Nou ja, dus in ieder geval vanav' Augustus, jelenbedrijf AI geletterd moet zijn. Dus iedereen die niet aanstaande Augustus. Ja. Dus dan moet in ieder geval iedereen die iets doet met AI weten, nou ja, wat er die ze kou zijn van AI. Dus die moet wel ja een soort basis kennis te over hebben. En ook vanuit elke tool die je gebruikt waar ie in zit. Moet je dus ook wel van weten wat daar de mids en maaren van zijn. Nou, dat klinkt misschien zwaar, maar dat heb je in een in een e-learning van 5 slides heb je dat wel wel bekeken. Stopper geen bedrijfsdata in en ie kan soms hallucineren en dingen verzinnen die niet kloppen. Nou, dit was de e-learning. Maar dat is wel iets wat echt iedereen officieel gehad moet hebben. Ja, en als je als bedrijf AI gaat ontwikkelen als je dat je ambitie is, dan moet je heel erg goed gaan opletten of jij dingen ontwikkelen die een hoger risico zijn of niet vanuit de AI act. Dus als jij denkt, nou, ik ga gewoon, ik ga een hele slimme cv-screen-ermaken. Ik ga gewoon, ik ga nooit meer de verkeerde mensen aanhemen. Ik ga al die cv's gaan trainen en dan ga ik automatisch door een e-laat te kuren. Dat is echt een dikke vetten, no go red alert, AI act oplossing. Dus dat moet je wel weten wat mag wel en wat mag niet. En als je dingen inkoopt van externe partij of van Leven ansiers heb je als bedrijf de verplichting om te toetsen dat zij ze gewoon de AI act hebben gehouden. Dus ook daar ligt wel een rol voor een bedrijf weglegd. Oké, dus je bent ook een soort keten van het woordelijkheid als het ware zitten in bakken. Dus je moet wel als je het product uit de winkel moet je wel even kijken naar het etiquette. Nou, heel goed. Dank je wel, Charlie. Ja, graag gedaan. Laat ze vragen hoe kan luisterraassen aan het boek komen. Ja, je kunt gewoon in teken, in voor beslissers en dan komen we voor alle lij links. Maar managementbook.nl, dat is wel degene waar ik mensen het liefst naar toe verwijs. Ja, en er zit een 30, 69, 90 dagen stappenplan in, hè. Ja, kunnen u er nog even kort die zelf vertellen? Ja, dat is één kort tabelleetje eigenlijk van hoe je begint. Nou, ik denk dat de laser dat zelf maar even moet bekijken, maar het idee is gewoon een klein beginnen. Goed kijken naar U-SK's en dan was het opschalen, hè. Dat is een beetje de bootschap. Maak het klein, maak het oudje blieft klein, gaan de appels de grootste mislepende dingen doen. Oké, top. Dit was Aanimmer Podcast. Bedankt voor het luisteren. Wil je de volgende aflevering niet missen? Abonneer je dan op onze podcast die je vaak die de podcast hebt. Je kunt dat ook volgen op LinkedIn. Of meld je aan onze nusgriep.nl/animmerfakt.nl.