Management Pro

"4. Vertrouwen en psychologische veiligheid zijn essentieel: Er is een duidelijk gebrek aan vertrouwen in de kwaliteit van data en in de vaardigheden van medewerkers om AI verantwoord te gebruiken."

Citaat uit het GALLUP rapport 'Culture of AI Benchmark Report State of AI Adoption and Culture Readiness in Europe'.

Synopsis in deze LI post: https://www.linkedin.com/posts/willemscheepers_ai-databeheer-organisatiecultuur-activity-7259244940541538308-T3Tx

De prompt m.b.t. aanvullende bronnen leg ik ook voor aan Claude3:

"Hier zijn enkele waardevolle en actuele bronnen die relevant zijn voor het onderwerp AI en Databeheer:

Wetenschappelijke publicaties:
- "The State of AI Report 2024" - McKinsey Global Institute
- "Data Management in the Age of AI" - MIT Sloan Management Review (2023)
- "AI Governance and Risk Management Framework" - NIST (National Institute of Standards and Technology, 2024)

Nederlandse bronnen:
- Nederlandse AI Coalitie (NLAIC) - Position Paper "Verantwoord databeheer voor AI" (2024)
- "AI & Data Maturity Scan" - TNO
- Autoriteit Persoonsgegevens - "Richtlijnen AI en Privacy" (laatste update 2024)

Relevante organisaties en platformen:
- Data & AI Competence Center van de Universiteit van Amsterdam
- European Data Innovation Board (EDIB)
- AI Hub Nederland

Praktijkgerichte bronnen:
- Gartner's "Market Guide for AI in Data Management" (2024)
- Forrester Wave™: "AI For IT Operations" (AIOps)
- IDC MarketScape: "Worldwide Artificial Intelligence in Data Management"

Wet- en regelgeving:
- EU AI Act (definitieve versie 2024)
- Data Governance Act (DGA)
- AI Liability Directive (in ontwikkeling)

Online kennisplatformen:
- AI voor Nederland (platform voor kennisdeling)
- Data Science Platform Netherlands
- AI Technology for People

Let wel: aangezien mijn kennis een cutoff-datum heeft, raad ik aan om de actualiteit van deze bronnen te verifiëren en waar nodig de meest recente versies te raadplegen. Vooral op het gebied van AI-regelgeving en -technologie vinden er momenteel snelle ontwikkelingen plaats."

Hi Willem, sterke waarneming.

Vwb de bulletpoints: het is een stappenplan wat de chatbot adviseert en om 'in lijn te blijven' over de bronnen merkt het taalmodel op:

"De adviezen die ik hier geef, zijn gebaseerd op een combinatie van best practices en theoretische concepten op het gebied van datamanagement, kunstmatige intelligentie, en verandermanagement. Meer specifiek hanteer ik inzichten uit de volgende gebieden:

1. **Datamanagement Best Practices**: De richtlijnen voor data-inventarisatie, opschoning, integratie en governance zijn geïnspireerd door algemeen geaccepteerde praktijken in datamanagement en -kwaliteit, zoals gedefinieerd in standaarden zoals de **DAMA Data Management Body of Knowledge (DMBOK)**. Dit omvat methoden voor het verbeteren van datakwaliteit en het implementeren van data governance.

2. **AI-Implementaties en Data Science Project Methodologieën**: Het stappenplan voor de implementatie van AI is gebaseerd op methodologieën zoals **CRISP-DM (Cross Industry Standard Process for Data Mining)**, die worden gebruikt om data science en AI-projecten te structureren. Dit model biedt een gestructureerde aanpak voor het voorbereiden en analyseren van gegevens, ontwikkelen van modellen en implementeren van resultaten.

3. **Change Management en Organisatieadoptie**: De aanbevelingen voor veranderingsbeheer en adoptie zijn geïnspireerd door theoretische modellen van verandermanagement, zoals **Kotter's 8-step Process for Leading Change** en **Prosci's ADKAR model**. Deze modellen helpen bij het effectief betrekken van medewerkers bij technologische veranderingen, zoals AI-implementatie, en bevorderen een cultuur van acceptatie en adoptie.

4. **Best Practices van Industrie-ervaringen**: Veel van de adviezen zijn ook afgeleid van praktijkervaringen in de industrie. AI-projecten in de praktijk laten vaak zien dat de kwaliteit van data essentieel is voor succes. Cases van bedrijven zoals **Google**, **IBM**, en **Microsoft** die AI en machine learning succesvol implementeren, bevestigen dat robuust databeheer een belangrijke voorwaarde is.

5. **Literatuur over Datakwaliteit en Data Governance**: Onderzoeken en boeken zoals "Data Quality: The Accuracy Dimension" van Jack Olson en "Data Governance: How to Design, Deploy and Sustain an Effective Data Governance Program" van John Ladley bieden praktische inzichten in datakwaliteit en governanceprincipes die ik heb verwerkt in de adviezen.

Deze kennis komt uit een combinatie van formele literatuur, industriële praktijken en veelvoorkomende frameworks die bewezen effectief zijn. Hoewel ik niet direct naar specifieke recente artikelen of studies kan verwijzen, maak ik gebruik van geaggregeerde kennis van betrouwbare bronnen binnen datamanagement en AI-implementatie. Mocht je behoefte hebben aan specifieke referenties of literatuur, dan kan ik je helpen richting te geven waar deze informatie verder te verifiëren is."

Als je niet de juiste prompt formuleert ga je idd de mist in. ;-)

Wat een ingewikkeld gedoe. Data hier, data daar. De bullet-points rammelen maar door Met veel moeite is er dan ook nog ergens in een hoekje iets te vinden over relevantie en praktisch gebruik.
Willem, enig idee van de bronnen van al deze wijsheden? Misschien zijn deze aanbevelingen wel de oorzaak van de falende AI trajecten die jij aan het slot ven het artikel vermeldt.
Hoe dan ook, ik vind het een fraai voorbeeld van hoe je met AI in de mist gaat.

Een tweede voorbeeld is te vinden bij een recente coverstory: https://www.managementsite.nl/oordeelsvorming-in-adviseren
In de toekomst willen we vaker artikelen voorzien van deze faciliteit. Bij voorkeur een nl-versie.

Willem Mastenbroek/Hoofdredactie ManagementSite.

Een sprekend voorbeeld is de podcast over Leiderschap: https://www.managementsite.nl/kennisbank/bestuur/leiderschap

Lees hoe het ook kan: https://nos.nl/artikel/2516064-ronald-de-boer-trots-op-vriend-en-arsenal-coach-arteta-knap-wat-hij-doet

Voor Khadija geldt dit deels, ik vermoed voor Matthijs niet of in mindere mate.
Daarnaast geldt: hebben medewerkers/mensen nu ook niet een overdreven "tere ziel"? Ze kunnen toch ook gewoon weggaan als hun winst kleiner is dan hun verlies van de job? Zeker in de huidige arbeidsmarkt is dat geen enkel probleem.

Als een organisatie structureel met een enorm personeelsverloop te maken krijgt, keert de wal het schip van onredelijkheid vanzelf!

Met de snelheid waarmee en impact waarin disruptieve technologieën als robotica, kunstmatige intelligentie, machine leren zich momenteel ontwikkelen kun je binnenkort idd volstaan met een 'MBA in 1 dag'.

Overigens, 'de oplossing' zal hier niet liggen bij vervanging van de mens c.q. menselijke arbeid maar de interactie mens - robot ofwel augmentiseren.

Zo kun je het idd ook bekijken.