Dit betekent de jacht van grote consultants op hetzelfde AI-talent

Deloitte, Accenture, Capgemini en McKinsey zoeken allemaal dezelfde persoon: iemand die AI technisch kan bouwen en tegelijk begrijpt hoe een bedrijf werkt. Uit een rondvraag van het FD blijkt dat de vraag naar dat profiel bij alle vier hard groeit, met steeds dezelfde verklaring. Hun klanten hebben de proefprojecten gehad en willen AI nu veilig en op schaal in hun processen krijgen. Die fase vraagt om ander werk dan een pilot.

Klanten willen AI in het proces, veilig en op schaal

Capgemini ziet de vraag juist nu groeien omdat veel bedrijven de experimenteerfase voorbij zijn. Na een reeks proefprojecten willen organisaties weten hoe ze AI grootschalig kunnen inzetten, processen efficiënter maken en kosten besparen.

De advieskantoren hebben er een functietitel voor: de forward deployed engineer. Iemand met een technische achtergrond die AI-oplossingen bedenkt, bouwt en inpast in de dagelijkse bedrijfsvoering, terwijl diegene ook met de klant aan tafel zit. Deloitte omschrijft de gezochte combinatie als technisch verstand, kunnen communiceren met klanten en om kunnen gaan met onduidelijkheid in processen.

McKinsey wijst op een tweede reden voor de groei: vrijwel alle sectoren zijn er tegelijk mee bezig. Bij eerdere technologiegolven liepen banken, telecom en techbedrijven voorop en volgde de rest jaren later. Nu komt de vraag overal vandaan.

Het model werkt, de koppeling met je eigen systemen bepaalt het resultaat

Capgemini legt uit waar de kern van dat werk zit. Een goed werkend AI-model brengt je tot halverwege. De technologie moet daarna gekoppeld worden aan bestaande software, aan je data en aan je bedrijfsprocessen. Ze moet veilig zijn en aan de regels voldoen. Precies daar stranden veel pilots: in de demo schittert het, in productie hapert het, omdat de bedrijfscontext ontbreekt. Hoe je die context wel meegeeft, werkten we eerder uit.

Deloitte beschrijft daarnaast een andere werkwijze. Een forward deployed engineer begint bij de vraag wat de klant wil bereiken, brengt dat doel samen met de klant in kaart en bouwt daarna de oplossing die daarbij past. Klassieke softwareontwikkeling start bij eisen en wensen die vooraf zijn vastgelegd. Accenture ziet dat de stappen tussen een idee van de klant en een werkende oplossing dichter bij elkaar komen te liggen, waardoor de weg van het een naar het ander korter wordt.

Waarom dit profiel zo moeilijk te vinden is

De vraag groeit sneller dan het aanbod. Accenture ziet dat mensen die deze combinatie van vaardigheden volledig beheersen relatief schaars zijn. Capgemini noemt de brede eisen die aan zo iemand worden gesteld: naast kennis van AI moet die persoon begrijpen hoe een bedrijf werkt en goed met klanten kunnen overleggen. In de praktijk zitten die kwaliteiten zelden in één persoon.

Amerikaans recruitmentonderzoek bevestigt dat beeld. Van ruim zeventienduizend in kaart gebrachte mensen met dit profiel hebben er ongeveer tweeduizend meermaals AI bij grote organisaties geïmplementeerd met aantoonbaar resultaat.

De kantoren lossen het op door te werven en op te leiden, waarbij de twee kanten naar elkaar toe groeien. Engineers leren de adviespraktijk doordat ze bij klanten werken. Mensen met een adviesachtergrond worden met behulp van AI effectiever aan de bouwkant. Tegelijk zien de kantoren nieuwe concurrentie ontstaan: AI- en techbedrijven zetten hun eigen engineers steeds vaker direct bij klanten in om hun technologie van prototype naar toepassing te brengen. Waar de schaarste in een markt heen beweegt als iedereen sneller wordt, beschreef strateeg Sangeet Paul Choudary onlangs.

Begin bij wat je wilt bereiken en werk terug

De fase waarin je zit bepaalt wie je erbij nodig hebt. Voor een eerste pilot volstaan een tool en een collega met energie. Zodra AI moet landen in een proces dat elke dag draait, heb je iemand nodig die je systemen kent, weet waar je data staat en de afspraken begrijpt die in jouw sector gelden.

Dat maakt één vraag bruikbaar bij elk AI-voorstel dat op je bureau komt: wie koppelt dit aan onze data en systemen? En wie is eigenaar zodra het in productie draait? Zonder een naam bij dat eigenaarschap blijft het rendement uit, iets wat KPMG-onderzoek eerder liet zien.

Je hoeft die combinatie ook niet in één persoon te zoeken. Daar lopen de grote kantoren juist op vast. Twee mensen die elkaar aanvullen, iemand die bouwt en iemand die het werkproces van binnenuit kent, komen vaak verder dan een lange jacht op het schaap met vijf poten.

De vraag die deze kantoren nu van hun klanten krijgen, kun je ook aan je eigen directietafel stellen: welk proces gaat bij ons als eerste echt met AI draaien? En wie zorgt dat het blijft draaien? Wil je daarover sparren, plan een kennismaking in.