Hoe krijg je je ingenieurs aan de AI
Dit blog is een liefdesbrief aan het ingenieurswerk, en waarom ons werk (nog) niet te vangen is in generieke AI-tools.
Vrijwel elke keer als ik een generieke AI-tool (voor de civiele wereld) voorbij zie komen heb ik hetzelfde gevoel: dit sluit slecht aan op hoe ingenieurswerk daadwerkelijk werkt. Dat gevoel zie ik ook duidelijk terug binnen mijn netwerk. En niet omdat zij tegen technologie zijn, maar omdat veel AI-toepassingen worden gepresenteerd alsof civieltechnische besluitvorming vooral een informatieprobleem is. Alsof een generiek model voldoende is om geotechnische interpretaties, ontwerpkeuzes of veiligheidsafwegingen betrouwbaar te ondersteunen.
Het probleem is daarbij niet alleen dat de output soms fout is. Het probleem is vooral dat zulke tools meestal geen onderdeel zijn van het besluitvormingsproces waarin aannames, controles en verantwoordelijkheden expliciet vastliggen.
Zo werkt ons vak niet (als ik dat nog mag zeggen). En deze generieke tools helpen je ook niet om toe te werken naar een succesvolle adoptie!
Start klein: AI alleen waar het betrouwbaar is
Een schaalbare aanpak begint bij een concreet werkproces. De technologie komt pas in beeld als helder is waar het tijd bespaart, fouten vermindert of een beter ontwerp oplevert.
Niet elk onderdeel van het werkproces is van meet af aan geschikt voor AI, en dat hoeft ook niet. Begin met de stappen waar AI goed controleerbaar is en de risico’s beperkt zijn, zodat de eerste ervaringen van gebruikers positief en voorspelbaar zijn. Zoals ik eerder ook beschreef.
Wat je in de beginfase beter niet doet: AI laten redeneren over geotechnische parameters, veiligheidsklasse automatisch laten bepalen of interpretaties zonder menselijke verificatie laten goedkeuren. Niet omdat dat principieel onmogelijk is, maar omdat betrouwbaarheid op dat moment nog onvoldoende aantoonbaar is.
De CC/CD-loop: geleidelijke kalibratie op basis van gebruik
De rode draad van AI workflow bouwen wordt de Continuous Calibration / Continuous Development loop. Of zoals vroeger altijd het mantra was als we wat wilden gaan ontwikkelen: “laten we nou klein beginnen”.
Je maakt bijvoorbeeld een workflow voor het interpreteren van sonderingen. Een ingenieur doorloopt hem, krijgt een geïnterpreteerde sondering terug en maakt aanpassingen waar nodig. Elke correctie, bevestiging of terugval naar handmatig werk wordt een datapunt.
Richting het systeem: de data maakt het mogelijk om prestaties concreet te evalueren op specifieke taken. Hoe nauwkeurig wil je dat je LLM/ML antwoord is? Nu kun je er naartoe gaan werken! Werkt het in de praktijk toch niet goed? Dat wordt nu meetbaar.
Richting de organisatie: dezelfde data maakt het eenvoudiger om keuzes intern uit te leggen. Niet via demo’s of algemene beloftes, maar via concrete cijfers over het gebruikersgedrag.
En op deze manier kan het vertrouwen van de ingenieur in het systeem geleidelijk aan groeien.
De eerste gebruikers leveren data op. Die data verbetert het systeem. Een beter systeem verlaagt de drempel voor volgende gebruikers. Zo ontstaat er een vliegwiel.
En die eerste, grotendeels deterministische versie, kun je morgen al gebouwd hebben!
Morgen beginnen: zes concrete stappen
AI-implementatie hoeft geen meerjarig transformatieproject te zijn dat tonnen kost (aan vooral gelul)!
1. Ga zitten met een vakspecialist
Kies één concreet werkproces dat veel tijd kost en voldoende gestructureerd is. Een goed startproces bevat duidelijke inputs en outputs, komt regelmatig terug en is goed controleerbaar door de ingenieur.
2. Bouw een grotendeels deterministisch werkproces
De meeste stappen binnen engineeringprocessen zijn gewoon logica: als X, dan Y. Gebruik AI alleen waar tekst geïnterpreteerd of gegenereerd moet worden. De rest blijft expliciete proceslogica.
3. Implementeer een eerste werkende versie
Wachten op een volledig geoptimaliseerd systeem vertraagt vaak juist het leerproces. Een beperkte maar bruikbare workflow levert eerder feedback op dan een volledig theoretisch ontwerp.
4. Verzamel data
Laat ingenieurs ermee werken. Analyseer wat de ingenieur doet, en waar eventuele correcties plaatsvinden.
5. Gebruik de resultaten om het vervolg te bepalen
Presenteer de uitkomsten als feitenoverzicht: dit werkte goed, dit niet, hier zitten nog fouten, hier zit tijdswinst. Dat maakt het gesprek concreter en inhoudelijker.
6. Introduceer meer AI op basis van meetbare prestaties
Automatiseer pas verder wanneer prestaties voldoende aantoonbaar zijn binnen de context van het werkproces. Niet op basis van verwachtingen, maar op basis van gebruiksdata.
ARI
Om dit proces simpel te maken heb ik het ARI-pakket gemaakt. Als je het wil gebruiken, de ‘kern’ is open-source. Of gebruik het als inspiratie voor je eigen implementatie.
Slotgedachte
Begin klein, verzamel data, start vandaag (!) en itereer je weg naar prettige, goed werkende AI-systemen. Met deze aanpak werk je op schaalbare en verantwoorde wijze aan betrouwbare AI-adoptie voor je ingenieurs!