‘AI heeft veel potentie, maar is geen doel op zich’

De opkomst van kunstmatige intelligentie in het lab raakt volgens Gerben de Haan, chief product officer bij AlisQI, aan fundamentele vragen over leiderschap, verantwoordelijkheid en vertrouwen:

• Wie is aansprakelijk als AI fouten maakt?
• Hoe valideer je AI binnen ISO- of GMP-omgevingen?
• Hoe bouw je gecontroleerd vertrouwen op in systemen die meebeslissen?

Kortom, het gaat er bij het gebruik van AI om in controle te zijn en de regie te houden. Zijn belangrijkste advies: ‘Kies een afgebakend terrein, waar je rustig met AI kan beginnen, zonder dat dit direct een impact heeft op de organisatie.’ En verwacht er voorlopig geen wonderen van, zegt hij stellig. “Zie AI meer als die extra tool in de gereedschapskist van kwaliteitsfunctionarissen en labmanagers om labprocessen te ondersteunen. Niet om functies over te nemen. Zeker, AI heeft veel potentie, maar is geen doel op zich. Gebruik het om de hogere doelen in je organisatie te helpen realiseren.”

Hoe verandert AI de rol van de labmanager?

“Die verschuift van beslisser naar regisseur.” Hoe dan? “AI analyseert, signaleert en adviseert – de rol van de labmanager verschuift van inhoudelijk analyseren naar beoordelen, prioriteren en sturen. Nieuwe competenties, zoals het kunnen doorgronden van je data en risicobeoordeling, worden cruciaal.” AI neemt niet over, het voegt toe, benadrukt hij. “Je LIMS is al uitgerust met statistische procescontrole. AI is daarin een nieuw hoofdstuk, de volgende stap. AI kan je helpen bij het sneller in kaart brengen van patronen in je data. Je doorgrondt bijvoorbeeld eerder de oorzaken achter klachten. Daarmee kun je de stabiliteit van je labprocessen en testmethoden verbeteren en je reproduceerbaarheid. Dat helpt je weer bij continu verbeteren.”

AI neemt dus niet over?

‘Assisteren’ is wat anders dan AI voor je laten denken. “Het denkwerk verschuift, want je krijgt hulp voor de standaardzaken, maar het kritische denken moet je niet verliezen. Een pH van 15 kun je niet invoeren, al denkt AI dat misschien wel. Het zal me niet verbazen als ChatGPT daar toch wat van vindt.” Denkt kort na: “Sta stil bij de risico’s van AI. Vraag je af: hoe borg ik data die erin komen en gebruik AI pas als de structuur volledig transparant is. Het is net als bij het inwerken van nieuwe medewerkers: stap voor stap kun je je handen ervan aftrekken.”

De verwachtingen rond AI zijn vaak overtrokken, waarschuwt hij. “Operationeel managers en ceo’s moeten zich ervan bewust zijn dat AI potentie heeft, mits het op de juiste manier wordt ingezet en je de risico’s, zoals hallucineren, kunt inschatten. Dus net als je een LIMS-traject kritisch ingaat, doe je dat ook bij een AI-traject. Dat soort kritische geesten vind je bij uitstek in de labs en in de kwaliteitsdiensten.”

En AI in gereguleerde omgevingen?

“In gereguleerde omgevingen blijven aansprakelijkheid, validatie en compliance centraal staan. De vraag is niet of je AI inzet om beslissingen te ondersteunen, maar hoe je dat borgt en zorgt dat menselijke verantwoordelijkheid leidend blijft. LLM’s [Large Language Models, red.] zijn heel goed in het genereren van tekst die heel overtuigend is en je gemakkelijk op het verkeerde been zet. Vanuit validatieperspectief is dat supergevaarlijk. Het lijkt perfect, maar is het net niet. Daar komt het weer aan op kritisch denken.”

“AI als technologie introduceert risico’s die je moet beheersen en waarop je systematisch moet toetsen. Bij validatieprocessen kan AI een serie metingen in kaart brengen en je helpen te structureren en stroomlijnen. Die AI-processen zelf moet je vervolgens wel evalueren met datasets om de herhaalbaarheid te toetsen. En pas op, het blijft een black box; het is geen gecontroleerd proces. In ons product kun je daarom AI-functies aan- en uitzetten. De ‘industrie’ zet het meestal aan, terwijl gereguleerde partijen in de biotech en farma die onder FDA-richtlijnen werken in de regel terughoudend zijn met AI.”

Efficiënter door AI?

Dat ligt eraan, stelt De Haan. Hij waarschuwt voor het werk dat AI kan genereren als AI-uitkomsten over de schutting worden gegooid. “Met een druk op de knop heb je resultaat, maar vervolgens verschuift de workload van de productiekant naar review. En zadel je iemand anders met meer werk op, want je moet het wel toetsen.” Herkenbaar? “Het is heel makkelijk om duizenden validatiescripts te genereren. Maar ze moeten uiteindelijk ook uitgevoerd en gereviewd worden.”

Waar begin je met AI als lab?

Begin klein, adviseert De Haan. “Implementatie vraagt een stapsgewijze aanpak. Begin met laag-risicoprocessen, ga de prestaties meten, en laat AI ‘meegroeien’ van assistent naar zelfstandiger actor – een proces vergelijkbaar met het opleiden van een medewerker van junior naar senior niveau.”

Hij vervolgt: “Het laaghangend fruit zit in classificatie en patroonherkenning in de informatie. Je kon al veel met statische data-analyse; je kunt dat soort processen met AI verder automatiseren en bepaalde trends ontdekken, waar je normaal niet aan toekomt. Je AI-agent kun je bijvoorbeeld opdracht geven om te kijken of er in de analysecertificaten van je grondstoffen een bepaalde negatieve trend is te zien. Bijvoorbeeld dat het vochtgehalte langzaam oploopt, waardoor je op termijn een kwaliteitsprobleem krijgt in je productie. Normaal liggen dit soort data in je mailbox te verstoffen; nu krijg je een signaal dat het de verkeerde kant op gaat. Eigenlijk doet AI hier extra werk voor je, waar je op termijn van profiteert, zonder veel menselijke inzet.”

Zijn slotadvies voor AI-beginners?

“De essentie is dat ik AI niet zie als iets revolutionairs dat de wereld verandert. Het is ook niet het feestje van IT, maar het kan je wel in je kwaliteitscontrole helpen, mits je het op een verantwoorde manier weet in te zetten.”