In de Author Spotlight-serie chatten TDS Editors met leden van onze community over hun carrièrepad in data science en AI, hun schrijven en hun inspiratiebronnen. Vandaag delen we graag ons gesprek met Dr. Janna Lipenkova.
Dr. Janna Lipenkova is een AI-strateeg, ondernemer en auteur van het boek De kunst van AI-productontwikkeling. Met een doctoraat in computerlinguïstiek combineert ze diepgaand technisch inzicht met bedrijfsstrategie om organisaties te helpen AI om te zetten in tastbare resultaten. Janna heeft meerdere ondernemingen opgericht en geleid op het snijvlak van taal, data en intelligentie Anacodedat zich richt op de AI-transformatie van ondernemingen, en Equinteleen AI-platform dat de duurzaamheid van bedrijven ondersteunt. Door haar thought leadership- en adviesactiviteiten is Janna voortdurend bezig met het vormgeven en verfijnen van haar uitgebreide methodologie voor AI-ontwikkeling en -integratie.
Je noemt je ‘AI Strategy Playbook’ een reeks mentale modellen die teams helpen op één lijn te komen met wat ze moeten bouwen en waarom. Welke modellen zorgen het vaakst voor duidelijkheid in executive kamers, en waarom resoneren ze?
Een van de grootste uitdagingen in executive kamers is communicatie. Mensen bedoelen verschillende dingen als ze het hebben over AI, die de uitvoering blokkeert. Ik gebruik drie mentale modellen om een gestructureerde gemeenschappelijke basis te creëren die ons in staat stelt vooruit te gaan zonder excuses en misverstanden.
Ik begin meestal met de AI-kansenboomwaarmee we het landschap van mogelijke AI-gebruiksscenario’s in kaart kunnen brengen. Leidinggevenden komen vaak binnen met een mix van nieuwsgierigheid en hype – “we moeten iets doen met AI” – maar geen duidelijk beeld van waar de waarde werkelijk ligt. Het standaardpad dat de meeste teams vanaf dat moment volgen, is het bouwen van een chatbot, maar deze projecten komen zelden van de grond (zie dit artikel). De Opportunity Tree doorbreekt dit patroon door systematisch potentiële AI-gebruiksscenario’s bloot te leggen en een gestructureerde, objectieve basis te bieden voor het stellen van prioriteiten.
Zodra we duidelijkheid hebben over wat en waarom we moeten bouwen, gaan we over naar de Hoe en vul de AI-systeemblauwdruk. Dit model helpt bij het in kaart brengen van de gegevens, modellen, gebruikerservaring en bestuursbeperkingen van het beoogde AI-systeem. Het is vooral krachtig in omgevingen met meerdere belanghebbenden, waar bedrijfs-, datawetenschaps- en complianceteams een gedeelde taal nodig hebben. De blauwdruk verandert de complexiteit van AI in iets tastbaars en iteratiefs – we kunnen het tekenen, bespreken en samen verfijnen.
Tenslotte introduceer ik de AI-oplossing ruimtekaart. Het breidt de conversatie uit tot buiten de huidige dominante technologieën (voornamelijk grote taalmodellen en agents) en helpt teams de volledige ruimte van oplossingstypen in overweging te nemen: van klassieke ML tot hybride architecturen, ophaalsystemen en op regels gebaseerde of simulatiegestuurde benaderingen. Deze bredere visie zorgt ervoor dat we gegrondvest zijn in het leveren van de juiste oplossing, en niet alleen de modieuze oplossing.
Samen creëren deze modellen een reis die weerspiegelt hoe succesvolle AI-producten evolueren: van het ontdekken van kansen, tot systeemontwerp, tot voortdurende verkenning. Ze vinden weerklank bij leidinggevenden omdat ze een brug slaan tussen strategie en uitvoering.
In uw schrijven is domeinexpertise belangrijk bij het bouwen van AI-producten. Waar heb je domeinkennis de hele vorm van een AI-oplossing zien veranderen, in plaats van alleen de nauwkeurigheid aan de marges te verbeteren?
Een levendig voorbeeld waarbij domeinexpertise de oplossing volledig hervormde, was een logistiek project dat aanvankelijk begon met het voorspellen van verzendingsvertragingen. Toen de domeinexperts zich eenmaal hadden aangesloten, hebben ze het probleem opnieuw geformuleerd: vertragingen waren geen willekeurige gebeurtenissen, maar symptomen van diepere bedrijfsrisico’s, zoals leveranciersafhankelijkheid, knelpunten in de regelgeving of kwetsbaarheid van het netwerk. Wij “AI-experts” konden deze patronen niet ontdekken.
Om deze domeinkennis te integreren, hebben we de gegevenslaag uitgebreid tot voorbij de transittijden en ook signalen van leveranciersrisico’s en afhankelijkheidsgrafieken opgenomen. De AI-architectuur evolueerde van een enkel voorspellend model naar een hybride systeem dat voorspellingen, kennisgrafieken en op regels gebaseerd redeneren combineert. De gebruikerservaring werd uitgebreid van reactieve vertragingsvoorspellingen naar risicoscenario’s met voorgestelde oplossingen, die voor experts beter uitvoerbaar waren.
Uiteindelijk heeft domeinkennis niet alleen de nauwkeurigheid verbeterd, maar ook het probleem, het systeemontwerp en de waarde die het bedrijf kreeg opnieuw gedefinieerd. Het maakte van een AI-model een echte beslissingsondersteunende tool. Na die ervaring sta ik er altijd op dat domeinexperts meedoen tijdens de vroege stadia van een AI-initiatief.
Naast je berichten op TDS heb je ook een boek geschreven: The Art of AI Product Development: Delivering business value. Wat zijn de belangrijkste inzichten die uw eigen benadering van het bouwen van AI-producten hebben veranderd (vooral alles wat u verraste of een eerdere overtuiging teniet deed)?
Het schrijven van het boek motiveerde mij om na te denken over alle stukjes en beetjes theoretische kennis, praktijkervaring en mijn eigen overtuiging en deze in herbruikbare kaders te structureren. Omdat een boek jarenlang relevant moet blijven, dwong het mij ook om onderscheid te maken tussen fundamentals enerzijds en hype anderzijds. Hier zijn een paar van mijn eigen lessen:
- Eerstheb ik geleerd hoe ik zakelijke waarde in technologie kan vinden. Vaak schommelen we tussen twee uitersten: óf AI najagen omwille van AI, óf uitsluitend vertrouwen op door gebruikers aangestuurde ontdekkingen. In het eerste geval creëer je geen echte waarde. In het tweede geval, wie weet hoe lang je moet wachten voordat het ‘perfecte’ AI-probleem naar je toe komt. In de praktijk ligt de goede plek daartussenin: het gebruiken van de unieke sterke punten van technologie om waarde te ontsluiten die gebruikers kunnen voelen, maar niet noodzakelijkerwijs onder woorden brengen. We kennen dit van grote vernieuwers als Steve Jobs en Henry Ford, die radicaal nieuwe ervaringen creëerden voordat klanten erom vroegen. Maar om dit succesvol te doen, heb je die magische mix van technische expertise, moed en intuïtie nodig over wat de markt nodig heeft.
- Secondebesefte ik de waarde van gebruikerservaring voor AI-succes. Veel AI-projecten mislukken niet omdat de modellen zwak zijn, maar omdat de intelligentie niet duidelijk wordt gecommuniceerd, uitgelegd of bruikbaar gemaakt. Het succes van een AI-product hangt af van hoe intuïtief gebruikers kunnen communiceren met de mogelijkheden ervan en hoeveel vertrouwen ze hebben in de resultaten ervan. Terwijl ik het boek schreef, herlas ik de designklassiekers, zoals The Design of Everyday Things van Don Norman, en vroeg ik mezelf altijd af: hoe is dit van toepassing op AI? Ik denk dat we ons nog in de beginfase bevinden van een nieuw UX-tijdperk. Chat is een belangrijk onderdeel, maar het is zeker slechts een deel van het volledige geheel. Ik ben erg enthousiast om de ontwikkeling te zien van nieuwe gebruikersinterfaceconcepten zoals generatieve UX.
- Derdemoeten AI-systemen evolueren via cycli van feedback en verbetering, en dat proces eindigt nooit echt. Daarom gebruik ik in het boek de metafoor van een derwisj: spinnen, verfijnen, voortdurend leren. Teams die vroege release en constante iteratie onder de knie hebben, hebben de neiging veel meer waarde te leveren dan degenen die wachten op een ‘perfect’ model. Helaas zie ik nog steeds dat veel teams er te lang over doen voordat ze een eerste baseline opleveren en niet genoeg tijd besteden aan iteratieve optimalisatie. Deze systemen kunnen misschien in productie komen, maar adoptie zal waarschijnlijk niet plaatsvinden en ze zullen op de plank liggen als een nieuw AI-experiment.
Welke gewoonten zou u aanbevelen voor teams die volgend kwartaal een AI-functie op de markt brengen, en welke belangrijke valkuilen moeten ze vermijden, om gefocust te blijven op het leveren van echte bedrijfswaarde in plaats van het najagen van hypes?
Beheers eerst, zoals hierboven, de kunst van het itereren. Verzend vroeg, maar doe het op een verantwoorde manier: breng iets uit dat nuttig genoeg is om het vertrouwen van de gebruiker te winnen en verbeter het vervolgens meedogenloos. Elke interactie levert je nieuwe gegevens op en elk stukje feedback is een nieuw trainingssignaal.
Ten tweede: houd een bredere blik. Het is gemakkelijk om een tunnelvisie te krijgen rond de nieuwste LLM- of modelrelease, maar de echte innovatie komt vaak voort uit de manier waarop je technologieën combineert: retrieval, redenering, analyse, UX en domeinlogica. Ontwerp uw systeem modulair, zodat u het kunt uitbreiden en monitor voortdurend AI-oplossingen en ontwikkelingen die het kunnen verbeteren (zie ook onze komende AI Radar).
Ten derde: test vroeg en vaak met echte mensen. AI-producten leven of sterven door de manier waarop mensen ze waarnemen en gebruiken. Interne demo’s en synthetische tests kunnen de rommelige, verrassende input en feedback die u van echte gebruikers krijgt, niet vervangen.
Je lange schrijfstijl (boek, deep dives) vermijdt hypes en is gericht op het leveren van waarde aan organisaties. Wat is uw aanpak bij het kiezen van onderwerpen en helpt het schrijven over deze onderwerpen u om ze beter te begrijpen?
Schrijven is altijd mijn manier van hardop denken geweest. Ik gebruik het om te leren, complexe ideeën te verwerken en nieuwe te genereren. Ik ga meestal op mijn gevoel af en schrijf over benaderingen waar ik echt in geloof en die ik in echte organisaties heb zien werken.
Tegelijkertijd hebben we bij mijn bedrijf een beetje van onze eigen ‘geheime saus’. Door de jaren heen hebben we een AI-gestuurd systeem ontwikkeld voor het monitoren van nieuwe trends en innovaties. We leveren het aan een aantal geselecteerde klanten in sectoren als de lucht- en ruimtevaart en de financiële wereld, maar we gebruiken het uiteraard ook voor onze eigen doeleinden. Die mix van data en intuïtie helpt me onderwerpen te ontdekken die zowel nu relevant zijn als die er waarschijnlijk niet alleen over enkele maanden, maar ook over twee of drie jaar later toe zullen doen.
Begin 2025 publiceerden we bijvoorbeeld een rapport over enterprise AI-trends, en vrijwel elk thema daaruit bleek het hele jaar door zeer relevant. Dus hoewel mijn schrijven intuïtief en persoonlijk is, is het ook gebaseerd op bewijsmateriaal.
Om meer te weten te komen over Janna’s werk en op de hoogte te blijven van haar nieuwste artikelen, kun je haar volgen op TDS, Substack of LinkedIn.
