Slimmere besluitvorming voor de overheid

Nice. Dit gaat verder dan basale Robotic Process Automation (RPA) wat geen AI is, maar het bevat wel degelijk elementen van gestructureerde, op regels gebaseerde automatisering ... voor een overheid die nog vooral uit locale gilden (zo doen wij dat hier) bestaat. Feitelijk is Intelligent Decision Automation/Intelligent Process Automation een architectuur waarin AI/ML-modellen worden geïntegreerd in een breder, geautomatiseerd besluitvormingsproces. RPA is primair gericht op het nabootsen van repetitieve, menselijke handelingen op een gebruikersinterface. Het volgt een vooraf gedefinieerd script: "klik hier, kopieer deze data, plak het daar." Dat is deterministisch en niet-intelligent. Het leert ook niet en doet ook geen voorspellingen dus in een snel veranderende omgeving (zoals de overheid in toenemende mate is) is dat verminderd handig. Artificial Intelligence (AI/ML), met name Machine Learning, is veel meer gericht op het herkennen van patronen in data om voorspellingen of classificaties te doen. Dat genereert namelijk nieuwe inzichten (bijvoorbeeld: "deze declaratie heeft een 85% kans frauduleus te zijn"). Dit is probabilistisch en adaptief, maar daar krijg je wel inzicht van die normaal in het hoofd van ervaren individuen zit ... die zomaar met pensioen kunnen gaan. Dit maakt de Intelligence Decisioning tot de orkestratielaag die deze twee werelden verbindt. Het neemt de probabilistische output van een AI-model en voert deze in een gestructureerd, op regels gebaseerd proces (vergelijkbaar met een Business Process Management-systeem). SAS gebruikt dus AI om inzichten te genereren ("signalen", "voorspellingen") die de "Intelligence Decisioning"-laag vervolgens automatiseert tot opvolging van die inzichten op basis van vastgelegde bedrijfsregels. Dit is wezenlijk anders dan RPA, dat geen eigen inzichten kan genereren, maar hoe dan ook een stevige trigger voor Verandermanagement. Het is dus niet zo gek dat legacy organisaties die AI NIET gebruiken om SLIMMER te worden, maar slechts om het bestaande sneller denken te kunnen doen verzuipen in extra werk. Geautomatiseerd content poepen is iets heel anders dan inhoudelijk beter begrijpen wat er gebeurt binnen een organisatie-overschrijdend latent data ecosysteem. De AI Productiviteitsparadox is volkomen verklaarbaar. Een team dat voorheen 100 dossiers per week handmatig controleerde, krijgt nu een AI die 10.000 dossiers analyseert en 500 potentiële problemen markeert. De werklast is dus niet afgenomen, maar juist toegenomen en complexer geworden. Dat leidt tot een Last Mile probleem, want uiteindelijk moet een mens de aanbeveling (of met ChatGPT gegenereerde bezwaarschriften) interpreteren, de context valideren en de uiteindelijke beslissing nemen en uitvoeren. De focus zou dus moeten verschuiven van routinematige uitvoering naar het beheren van de systemen: data-kwaliteit bewaken, modellen trainen en valideren, en de governance rondom de output organiseren, maar NOG liever naar het orkestreren van Outcome. Je wilt dus niet Output efficienter maken, maar Outcome effectiever. De échte waarde ontstaat uit het doordachte samenspel tussen menselijke kennis, algoritmisch denken en gespecialiseerde AI-agents, waarmee organisaties van controle achteraf kunnen evolueren naar controle vooraf. Deze mooie SAS oplossing is dus hooguit een tussenstap, maar als je echt een afname van de operationele werkdruk wilt, moeten we zorgen dat experts zich kunnen richten op de uitzonderingen. De focus moet verschuiven van efficiëntie naar intellectuele productiviteit en waardecreatie. Om te beginnen moeten we daarom het doel van AI gebruik compleet herdefinieren en stoppen met de wereld en z'n broer bakken geld uit laten geven aan AAA IEEE. Het doel van AI zou niet primair het verminderen van werk moeten zijn, maar het verhogen van de kwaliteit en de schaalbaarheid van de besluitvorming, zodat medewerkers niet langer data-invoerders meer hoeven te blijven (The Tool makes the Rule), maar proces- en systeemsupervisors en behandelaars van complexe uitzonderingen kunnen worden. Is veel leuker.
Dit betekent dus dat niet AI, maar juist Architectuur leidend zou moeten zijn. Organisaties moeten niet beginnen met het zelfstandig kopen van weer een "AI-tool", maar hun impliciete besluitvormingsprocessen in kaart brengen en nog liever from scratch modelleren voor een data ecosysteem. Stoppen met die ouwe stovepipe oppoetsen. Frameworks als Decision Model and Notation (DMN) zijn hierbij essentieel. Ze dwingen je namelijk om de logica achter een beslissing expliciet te maken, voordat je er technologie op loslaat en zou ook echt iets moeten begrijpen van https://ee-institute.org/demo/werken-met-demo/
Hoe kun je een AI nou iets vragen wat je zelf niet snapt?
De grootste bottleneck is dus niet de technologie, maar de competentie. De echte winst ontstaat pas als een aantoonbare domeinexpert (fiscalist, arts, vergunningverlener) leert denken in algoritmes en systemen. Dit vraagt om investeringen in training en het creëren van multidisciplinaire teams. Je geeft een klein kind ook geen calculator met differentiaalfunctie. De overheid zou daarom ook anders aan moeten besteden. Niet op basis van features en licenties, want dan blijf je 'applicaties' kopen (en AI is geen applicatie maar een productiemiddel) maar je zou aan kunnen besteden op basis van de Outcome: de aantoonbare verbetering van een besluitvormingsproces. Dit vereist een partnerschap met leveranciers gericht op governance, uitlegbaarheid (explainable AI) en het continu verbeteren van modellen. AI levert pas écht waarde op als het ingebed is in een gestructureerd besluitvormingsproces én wordt beheerd door vakmensen die zowel de materie als de logica van het systeem doorgronden en daarmee in alle openheid en respect praten met de mensen die in het legacy systeem zijn opgegroeid. Anders zet je een straalmotor op een zeepkist. Vette kans dat de met AI gedeelde inzichten niet geheel overlappen met de impliciete bestuurslijnen.