Het lijkt er soms weleens op dat techgiganten zoals Google, Meta, Microsoft en Amazon de hele wereld inmiddels hebben gedigitaliseerd. De rest van de industrie kan het bijltje er nu wel bij neergooien, toch? Onzin.
De maakindustrie, de bouw, logistiek, mijnbouw en gezondheidszorg hebben nog altijd het grootste stuk van de economische taart in handen. Van de ongeveer 100 biljoen dollar die de totale wereldeconomie omvat, is 75 biljoen in handen van deze meer traditionele partijen.
En die moeten eigenlijk nog gedigitaliseerd worden, vertelt de digitale strategie-expert Venkat Venkatraman (Boston University) op een webinar van Harvard Business Review. Daarmee bedoelt de professor niet het automatiseren van processen of het installeren van systemen voor supply chain- of customer relationship management.
De details achter de aantallen
Wat bedoelt hij dan wel? Tijd voor een voorbeeld. Hamburgerketens die bijhouden hoeveel hamburgers ze verkopen per dag, maand of jaar zijn eigenlijk ouderwets bezig. Het gaat niet meer over alleen maar aantallen, het gaat juist over de details daarachter. Wie eet die hamburgers? Waar en op welk tijdstip?
Wat drinken ze erbij? Is bekend wat mensen daarvoor en daarna doen? Wat is er bekend over hun leeftijd, geslacht, inkomen, locatie, voorkeuren en levensstijl voor een meer persoonlijk aanbod? Zo wordt gebouwd aan een gigantische realtime dataset, die de prof een datagraph noemt.
Datagraphs leggen de links, relaties en onderlinge verbanden tussen een bedrijf en zijn klanten vast aan de hand van gegevens over producten die in gebruik zijn. Om ze te maken is rekenkracht, AI en machine learning nodig. En die is ook nodig om die data te bestuderen en er bruikbare inzichten uit te halen.
Met deze inzichten kan een hamburgerketen ervoor zorgen dat klanten meer geld uitgeven, tevreden zijn over wat ze krijgen en blijven terugkomen.
Lees ook: AI heeft een groot risico van middelmatigheid
Bij Tesla gaat het niet om de auto’s
Ander voorbeeld. Voor Tesla zijn auto’s computers op wielen die verbonden zijn met de cloud. Tesla verzamelt realtime data uit de hele vloot over hoe mensen met die bakken rijden. Trillen de ruiten bijvoorbeeld te hard, dan krijgen de robots in de fabrieken meteen de opdracht om ze beter te bevestigen.
Elke bestuurder draagt ook bij aan het trainen van de algoritmes (of beter het neurale netwerk). Zo heeft Tesla al gegevens over 1,7 miljard afgelegde kilometers verzameld: over de weg, over het rijgedrag, de wagen zelf en wat mensen daarin allemaal doen.
Die data worden gebruikt voor continue verbeteringen en voor steeds veiliger autonoom rijden. Het onderscheid met de concurrentie wordt dus niet gemaakt met de auto’s, maar met de inzichten uit data en de (strategische) acties die daarop volgen.
Binnen vijf jaar
De industrie moet daar nu mee beginnen, zegt de prof. ‘Omdat er rekencapaciteit op grote schaal beschikbaar is. Sensoren zijn krachtiger en goedkoper geworden. Bovendien is het mogelijk om belangrijke gegevens voor de industrie te gaan coderen voor AI, zoals bijvoorbeeld trillingen. Dat is interessant voor de luchtvaartindustrie of oliebedrijven.’
De komende vijf jaar zal de fysieke infrastructuur gegarandeerd fuseren met de digitale. Dat biedt kansen voor de maakindustrie. ‘Zij kunnen combineren waar ze al goed in zijn, namelijk producten maken, met wat digitale bedrijven doen, namelijk realtime data en AI inzetten.’ Zo blijven ze futureproof én kunnen ze nieuwe waarde ontsluiten.
Venkatraman noemt dat proces fusion strategy, naar het gelijknamige boek waar hij mede-auteur van is. Die samensmelting tussen hard- en software, mensen en machines gebeurt op verschillende niveaus: producten, diensten, systemen en oplossingen.
Lees ook: Dertien dingen die AI niet kan
L’Oréal op z’n Facebooks
Al zullen de meeste bedrijven beginnen met producten, het is wel belangrijk dat er ook wordt nagedacht en geëxperimenteerd met de rest. Dat levert de toekomstige winnaars op. Daarvoor kan de industrie de kunst gerust afkijken bij de grote techjongens.
‘Stel dat een l’Oréal net zulke data kan verzamelen als Facebook. Dat het lukt om de gebruikers van hun producten continu gegevens te laten uploaden over hun gezicht, hun huid, hun verzorging, hun cosmetica. Dan worden ze een beauty-techbedrijf.’
‘Dan zijn ze in staat om een datagraph te ontwikkelen van schoonheid. Daar kunnen wetenschappers nieuwe formules op gaan baseren. Met voldoende schaalgrootte kunnen ze zelfs gepersonaliseerde beautyverzorging creëren voor een betaalbare prijs.’
Wie nu alleen gegevens verzamelt over producten, in het kader van efficiënt werken en betrouwbaarheid, moet dieper gaan, nog verder gaan dan het internet of things. De vraag die elk bedrijf volgens de professor nu zou moeten stellen is: wat is onze datagraph?
Wat weten ze van hun klanten waarmee ze het onderscheid kunnen maken? Hoe kunnen ze als bedrijf, als ecosysteem en als sector profiteren van het massaal verzamelen van realtime data in combinatie met AI? En hoe kunnen ze daarmee de pijnpunten van hun klanten oplossen?
Onkruid herkennen met AI
John Deere, opgericht in 1837, is daarin een voorloper. Dat (tractor)bedrijf verzamelt data over al hun machines die op actief zijn in de landbouw. Dat gaat over miljarden metingen. Van bodems, gewassen en weersomstandigheden via zo’n 500.000 machines op meer dan 325 miljoen hectare grond.
Met hun veldspuiter worden pijnpunten voor de boeren opgelost: manueel werken op het land en het overdadige gebruik van bestrijdingsmiddelen. Het gevaarte heeft tientallen camera’s die de bodem scannen. Onkruid en gewassen worden met AI en deep learning uit elkaar gehouden.
Pas wanneer het onkruid herkend is, wordt er een verdelger op gesproeid. Boeren hebben hierdoor twee derde minder bestrijdingsmiddelen nodig. De innovatie is niet het bouwen van de veldspuiter, maar het samenvoegen van industrie en digitaal met realtime data en AI.
Belangrijke vragen
‘We staan nog aan het begin van de digitale fusie, maar het gaat razendsnel’, waarschuwt Venkatraman. Wie bij wil blijven, schakelt dus om van maakbedrijf naar een data- en AI-bedrijf dat fysieke producten maakt. ‘Bedrijven moeten nu wel in actie schieten, gaan nadenken en experimenteren, anders missen ze de boot.’
Belangrijke vragen om daarbij te stellen, zijn onder meer: hoe ver reikt de data die nu wordt verzameld? Is die rijk genoeg aan informatie over het gebruik van de producten? Begrijpen ingenieurs de kracht van data en AI voldoende voor ze de volgende generatie machines ontwerpen?
Zij moeten namelijk producten ontwerpen die continu het gebruik volgen, die vanuit de cloud bijwerken en op afstand besturen. ‘In de zeer nabije toekomst zal de kern van elk bedrijf zijn: van chip tot cloud tot klant.’
Lees ook: Waarom AI geen technisch probleem is, maar een leiderschapsvraagstuk
