26.04 Op de koffie bij CQM en ASML

Knock-out inzichten: AI-lessen uit een interactieve SLF-sessie door CQM en ASML

Afgelopen maandag organiseerden ASML en CQM gezamenlijk een inspirerende en interactieve “Op de koffie bij…”-sessie voor het SLF, met als centraal thema “AI in de praktijk”. In een kleinschalige setting, met een betrokken en actieve groep deelnemers, stond het delen van ervaringen centraal.

Elke deelnemer bracht een eigen AI-case in. In lijn met het WK-thema werd er gewerkt met een knock-out format, waarbij de cases stapsgewijs werden beoordeeld en teruggebracht tot de drie meest inzichtrijke voorbeelden. Dit spelelement zorgde niet alleen voor energie en focus, maar ook voor scherpe discussies en reflectie.

Wat de sessie bijzonder maakte, was de openheid van de deelnemers. Succesverhalen werden gedeeld, maar ook uitdagingen, mislukkingen en leerervaringen kwamen uitgebreid aan bod. Opvallend was dat veel organisaties tegen vergelijkbare vraagstukken aanlopen, ondanks de diversiteit aan toepassingen en contexten.

Na de selectie van de top drie cases werd gezamenlijk verdiept: wat maakt deze cases waardevol, en welke lessen kunnen we hieruit trekken? Dit leverde een aantal duidelijke inzichten op:
 

Belangrijkste lessen

Data governance als fundament
Data governance kwam naar voren als een absolute randvoorwaarde voor succesvolle AI-toepassingen. Dit omvat niet alleen datakwaliteit en eigenaarschap, maar nadrukkelijk ook security. Zonder duidelijke afspraken over data, toegang en beveiliging staat elke AI-oplossing op een wankel fundament.

Blijvend verwachtingsmanagement
AI-projecten vragen om realistische verwachtingen. De doorlooptijd en impact verschillen sterk per type AI-toepassing. Het is daarom cruciaal om aan de voorkant goed in te schatten wat haalbaar is en hierover continu in gesprek te blijven met stakeholders.

Eenduidigheid in definities en dataformats
Consistente definities (bijvoorbeeld van KPI’s zoals On Time Delivery) en gestandaardiseerde dataformats zijn essentieel. Zonder deze basis ontstaat snel ruis, wat de prestaties en betrouwbaarheid van AI-modellen direct beïnvloedt.

Maak onderscheid tussen AI-typen
Splits AI-toepassingen bewust op in LLM-gebaseerde oplossingen en decision intelligence. Dit onderscheid is cruciaal: de onderliggende technologie en aanpak verschillen fundamenteel. Projecten waarin deze scheidslijn niet scherp werd gemaakt – bijvoorbeeld beslissingsvraagstukken opgelost met taalmodellen – bleken vaak minder succesvol.

Adoptie begint aan de voorkant
Succes van AI wordt niet alleen bepaald door technologie, maar juist door adoptie. Denk vooraf goed na over hoe een oplossing wordt ingebed in processen en hoe gebruikers worden meegenomen.
 

Conclusie

De sessie liet scherp zien dat succesvolle AI-toepassingen zelden draaien om technologie alleen. Het zijn juist de keuzes rondom data, governance, adoptie en verwachtingsmanagement die het verschil maken tussen experiment en impact.

Wat deze ochtend vooral duidelijk maakte: hoewel use-cases verschillen, zijn de onderliggende uitdagingen verrassend consistent. Juist door deze open uitwisseling van ervaringen – inclusief wat níet werkte – versnellen we als netwerk onze leercurve.

Met deze gezamenlijke inzichten op zak is één ding zeker: de volgende stap in AI ligt niet in méér experimenteren, maar in slimmer organiseren, scherper kiezen en bewuster implementeren.