In 1901 probeerde Samuel Langley als eerste een gemotoriseerd vliegtuig te lanceren. Hij had alles mee: financiering van het Smithsonian, het beste team, de nieuwste technologie. Zijn vliegtuig stortte twee keer in de Potomac. Negen dagen na de tweede crash vlogen de gebroeders Wright. Met een budget van minder dan duizend dollar. In een fietsenwinkel.
Het verschil: Langley bouwde om te bewijzen dat vliegen kon. De Wrights bouwden om te leren hoe vliegen werkte. Langley wilde gelijk krijgen. De Wrights wilden informatie.
Dat onderscheid bepaalt of een AI proof of concept iets oplevert of alleen maar geld kost.
Het pilot-kerkhof
Elke organisatie van enige omvang heeft er een paar. AI-pilots die ooit met enthousiasme zijn gestart, die een mooie demo hebben opgeleverd, en die nu ergens in een hoek staan te draaien. Drie mensen gebruiken het. De stuurgroep vraagt elk kwartaal "hoe gaat het met de AI?" en krijgt een vaag positief antwoord.
Te levend om te begraven, te zwak om op te schalen. Zombie Pilots, noemen wij dat.
Het ontstaat bijna altijd op dezelfde manier. Iemand heeft een goed idee. Er wordt een pilot gestart. De pilot bewijst dat de technologie werkt. En dan stopt het. Omdat "de technologie werkt" het verkeerde bewijs is.
De vraag die een pilot moet beantwoorden is: levert dit waarde op als de baas niet meekijkt? Gebruiken echte mensen dit tijdens hun gewone werkdag? Maakt het hun werk daadwerkelijk beter? Dat zijn de vragen die bepalen of iets opschaalt, en dat zijn precies de vragen die de meeste pilots niet beantwoorden.
Wat een proof of concept wel moet opleveren
Een goed proof of concept levert beslisdata op. Informatie op basis waarvan je een van vier keuzes maakt: opschalen, aanpassen, een andere richting inslaan, of stoppen. Alle vier zijn goede uitkomsten. Stoppen na twee weken met duidelijke redenen is waardevoller dan zes maanden doormodderen met een pilot die "het nog even aankijkt."
Drie dingen die het verschil maken.
Echte mensen, echt werk. Test met de sceptici, niet met de enthousiastelingen. Laat ze het systeem gebruiken tijdens hun normale werkdag, met hun eigen data, hun eigen processen. Een demo-omgeving levert demo-resultaten op.
Meet in paren. Snelheid alleen zegt niets. Als een proces twee keer zo snel gaat maar de kwaliteit daalt, heb je niets gewonnen. Meet altijd twee dingen tegelijk: als het sneller wordt, is het dan ook beter? Als het goedkoper wordt, vertrouwen mensen het resultaat nog? Eenzijdige metrics leiden tot eenzijdige conclusies.
De lakmoesproef. Dreig aan het eind van de twee weken de tool uit te zetten. Als mensen protesteren, heb je waarde gevonden. Als niemand het merkt, heb je je antwoord ook. Beide uitkomsten zijn waardevol. De enige slechte uitkomst is er niet achter komen.
Hoe het eruitziet in de praktijk
Twee weken. Een afgebakend proces. Een bouwteam dat snel iets werkends neerzet. En echte gebruikers die ermee aan de slag gaan vanaf dag drie.
Aan het eind van die twee weken ligt er een werkende oplossing. Geen rapport, geen presentatie, iets dat draait. Plus de data om te beslissen: gaan we hiermee door, passen we het aan, of stoppen we? Pas als dat bewijs er ligt, is opschalen verantwoord.
De investering voor zo'n traject ligt rond de 15.000 euro. Dat klinkt als veel voor twee weken. Maar vergelijk het met het alternatief: zes maanden pilotten die niets opleveren, gevolgd door de conclusie dat je opnieuw moet beginnen. De duurste keuze bij AI is geen keuze maken.
En er zit een tweede laag in. Een goed proof of concept test de technologie en de organisatie tegelijk. Hoe reageert het team? Waar zit weerstand? Welke aannames over het proces klopten en welke niet? Die inzichten zijn vaak waardevoller dan het prototype zelf. En vergeet niet dat ook een geslaagd systeem onderhoud vraagt: zonder monitoring treedt AI drift op, stille degradatie die niemand ziet tot het te laat is.
Langley bouwde zijn vliegtuig vanuit prestige. De Wrights bouwden vanuit nieuwsgierigheid. Ze crashten ook, tientallen keren. Maar elke crash leverde informatie op. En met die informatie bouwden ze het volgende model.
Een AI proof of concept werkt op dezelfde manier. Je bouwt om te leren. De crash is onderdeel van het plan. Zolang je er maar iets van opsteekt.