Video transcript
Stefan Morcov – Hermix: Wat we nu willen doen, is ingaan op de rol van technologie en kunstmatige intelligentie (AI) bij overheidsaanbestedingen en -verkopen. We bespreken zeer praktische toepassingen, wat wel en niet werkt, en de kansen en uitdagingen aan de hand van concrete voorbeelden. Uiteraard kan ik het niet laten om ook Hermix te noemen en wat we op deze specifieke gebieden doen. Sommige projecten zijn nog ambitieus, terwijl andere al in productie zijn en door honderden gebruikers worden gebruikt.
Dit zijn de dingen die we momenteel bij Hermix doen: data analyseren, machine learning gebruiken voor aanbestedingsanalyses, marktinformatie, concurrentieprofilering, evenals GPT-tekstanalyse, analyse van aanbestedingsspecificaties en biedingsautomatisering.
We kijken allemaal met grote belangstelling uit naar de impact van kunstmatige intelligentie op het schrijven van projectvoorstellen. Graag stel ik u nu voor aan onze gast, Rudolf, algemeen directeur van Unisys België. We kennen elkaar al een tijdje en hij heeft jarenlang diverse projecten geleid.
Rudolf de Schipper: Ik zal mijn best doen om de interesse hoog te houden, en we zullen zien waar het ons brengt. Kunstmatige intelligentie krijgt de laatste tijd natuurlijk veel aandacht – eigenlijk al een paar jaar. Het is nog steeds erg moeilijk te voorspellen waar het ons naartoe zal leiden, omdat er veel onderzoek en verkenning gaande is, maar ook veel twijfels bestaan. Zal dit het einde van de mensheid betekenen? Ik denk dat we tijdens dit gesprek bijna alles wel zullen bespreken.
Om te beginnen ben ik gefascineerd door technologie. Ik volg GPT al meer dan drie jaar en gebruik het ook, sinds het begon. Het heeft behoorlijk wat ophef veroorzaakt, vooral met de opkomst van ChatGPT, dat steeds sterker wordt.
Stefan Morcov – Hermix: Zoals Rudolf een paar dagen geleden al zei, beginnen veel bedrijven het serieus te nemen. Er was een hype; sommige hebben hoge verwachtingen en hebben talloze tests uitgevoerd, terwijl anderen begrijpelijkerwijs terughoudend zijn. Ik was vanochtend op een conferentie waar mij werd gevraagd wat volgens mij de grootste belemmering voor de implementatie is. Ik denk dat het een gebrek aan vertrouwen is.
Tegelijkertijd is het transformatief. Er zijn bepaalde technologieën in de samenleving die de wereld radicaal veranderen. Een bekend voorbeeld is het paard: precies honderd jaar geleden vond Ford de Ford Model T uit en bracht deze in productie. Binnen enkele jaren vervingen Ford-auto's honderdduizenden paarden in elke stad ter wereld.
Het vervoer zelf is niet veranderd; alleen de manier van vervoer. Je reist nog steeds, maar het gaat sneller en is compleet anders. We hebben ook recente voorbeelden. Zo verstuurden we 50 jaar geleden brieven. Vijfentwintig jaar geleden verstuurden we e-mails. Nu heb je je telefoon en of je nu in de auto zit of in de metro, je leest en verstuurt e-mails, allemaal omdat Steve Jobs dacht: "Oké, we hebben de technologie; laten we die anders gebruiken."“
Een ander voorbeeld is Google Docs, dat we gebruiken om samen te werken aan het schrijven van voorstellen.
Stefan Morcov – Hermix: We zetten technologie in voor een transformatie van inkoop en verkoop in de publieke sector. Zo gebruiken we momenteel big data en data science voor slimme matching tussen aanbestedingen, het monitoren van aanbestedingen en het begrijpen van cruciale vragen in elke commerciële context.
- Wil ik op deze aanbesteding ingaan?
- Hoe moet ik dit aanpakken? Welke partners of technologieën moet ik voorstellen?
Bij Hermix beschikken we over zo'n 8 miljoen overheidscontracten in heel Europa, samen met ongeveer 1,2 miljoen bedrijfsprofielen en 170.000 profielen van opdrachtgevers. Deze schat aan gegevens stelt ons in staat strategische planning, het creëren van een projectenpijplijn, het commercieel beoordelen van offertes en concurrentieanalyses uit te voeren. We kunnen potentiële partners ook evalueren op basis van hun eerdere projecten en marktkennis.
Een belangrijk aandachtspunt is prijsanalyse, die echter uitdagingen met zich meebrengt vanwege de vertrouwelijkheid van financiële en technische voorstellen. We moeten goed inschatten welke gegevens we wél hebben en welke niet.
We voeren bijvoorbeeld technische en commerciële aanbestedingsanalyses uit met behulp van openbaar beschikbare gegevens. Dit omvat het beoordelen van bedrijven die deelnemen aan aanbestedingen, het analyseren van hun eerdere contractwinsten en het begrijpen van de marktdynamiek.
De analyse die we uitvoeren omvat markttrends, zoals contractvolumes en -waarden, evenals details over kopers en hun aanbestedingsgeschiedenis.
Wat de prijsstelling betreft, hadden we daar eerder een interessante discussie over, en ik denk dat Rudolf daar misschien wat meer over wil vertellen.
Rudolf de Schipper: Absoluut. Het is belangrijk om te benadrukken dat de informatie die we verstrekken openbaar beschikbaar is. Er is geen sprake van magie; het gaat erom de gegevens te organiseren en te analyseren om efficiënt inzichten te verkrijgen.
Met data-analyse en machine learning kunnen we patronen onthullen die handmatig veel tijd en moeite zouden kosten. De grootste uitdaging is nu om de juiste vragen te stellen bij het gebruik van deze tools.
De laatste tijd zien we de opkomst van functies zoals 'prompt engineers', die gespecialiseerd zijn in het formuleren van effectieve vragen om de beste resultaten uit AI te halen.
Een ander cruciaal aspect is het valideren van de antwoorden die we van AI-systemen ontvangen. Bijvoorbeeld, bij GitHub Copilot, een codeerassistent, merken veel gebruikers dat ongeveer 401 TP3T van de gegenereerde code onjuist is. Dit kan leiden tot heen-en-weergaande interacties, waarbij je de AI moet corrigeren en discussies moet voeren over de output.
Rudolf de Schipper: Ja, maar het is een typische situatie die je wilt vermijden bij het beantwoorden van een RFP, omdat je maar één kans hebt. Je kunt de klant niet vertellen: "We hebben de RFP door AI laten schrijven, en die gaf me een verkeerd antwoord." We betreden hier een interessante dynamiek, en ik denk dat we daar verder over kunnen praten. Wat zijn, laten we zeggen, de sterke en zwakke punten van het gebruik van AI bij het beantwoorden van RFP's?
Stefan Morcov – Hermix: Absoluut. Ik was van plan de vragen voor het laatst te bewaren, maar dit is een goede vraag die direct verband houdt met wat we eerder besproken hebben. Dus ik beantwoord hem nu. Kunt u zien welke contracten die bedrijven precies hebben binnengehaald? Ja, het antwoord is ja, en ik kan het u zelfs laten zien. Waarom zou ik het u niet live laten zien? Ik heb het nu openstaan. [deelt scherm]
Ik laat u dus zien dat u voor een bepaalde aanbesteding kunt bekijken welke contracten eerder zijn gewonnen, wie ze heeft gewonnen, enzovoort – het aantal en de waarde van de contracten die door elk bedrijf zijn gewonnen. U ziet ook de geografische spreiding van de herkomst van die leveranciers. In dit geval zijn Luxemburg en België de belangrijkste landen waar de leveranciers gevestigd zijn.
Je kunt ook de eerdere relevante projecten bekijken: welke projecten er precies eerder zijn aanbesteed, wanneer dat gebeurde, de duur, de budgetten en de winnaars. Je kunt inzoomen; je kunt op een aanbesteding klikken en alle details ervan bekijken.
Sterker nog, als je op een van die cijfers klikt, bijvoorbeeld: 8 contracten getekend door een entiteit… En ik opende een rapport dat dit live liet zien. Het gaat behoorlijk snel; meestal is onze applicatie sneller dan ik praat. Ik herinner me een toespraak waarin iemand zei dat hij zou proberen nog sneller te praten dan onze auto's, wat natuurlijk nooit mogelijk is.
Dit zijn dus de 8 contracten die de entiteitsgroep de afgelopen 8 jaar heeft binnengehaald. Dit zijn de bedrijven binnen de groep die contracten hebben getekend, de waarde ervan, de jaren, en u kunt voor elk bedrijf de details bekijken om precies te zien welke contracten er zijn getekend. Dit is bijvoorbeeld Cordis. Dit is het portaal voor onderzoek, en hier vindt u het tabblad voor contracten.
Ik heb deze vraag eigenlijk al beantwoord. Ik stel voor om door te gaan naar het tweede interessante deel, want Rudolf heeft de deur al geopend.
We leven in de wereld van GPT, toch? Grote taalmodellen. Ik denk dat we vier soorten toepassingen kunnen overwegen: technische kwalificatie van offertes, analyse van eisen, technische specificaties, automatisering van biedingen en het schrijven van voorstellen. Het is inderdaad een interessant onderwerp. Hoeveel vertrouwen jullie op GPT en geautomatiseerde analyses? Hetzelfde geldt trouwens voor dataopschoning. We gebruiken machine learning-tools om data op te schonen, en het is nooit 100% schoon.
Het lezen van documenten is vergelijkbaar. Veel van onze gebruikers hebben ons verteld dat ze niet volledig zouden vertrouwen op de analyses die wij leveren. Dat moedig ik aan. Het gebruik van een tool om te automatiseren is vergelijkbaar met het lezen van een samenvatting van een wetenschappelijk artikel. Je leest de samenvatting of een recensie van een boek, maar als je die informatie echt wilt gebruiken voor je proefschrift, moet je het boek én het artikel lezen. Hetzelfde geldt voor specificaties. Je krijgt bijvoorbeeld een samenvatting van één pagina van een aanbesteding. Wij bieden dit ook aan, en je kunt binnen twee minuten zien of het zinvol is om aan die aanbesteding deel te nemen.
Maar de vraag is eigenlijk: ik kan het je zelfs laten zien. Waarom niet?
Stefan Morcov – Hermix: Voor hetzelfde voorstel.
Rudolf de Schipper: Zoals je zegt, Stefan, is het maken van een korte samenvatting van een RFP vaak erg handig om snel een overzicht te krijgen. Zouden we hierin geïnteresseerd zijn? Het menselijk oog is erg gevoelig voor inconsistenties, en de hersenen zijn dat ook.
Rudolf de Schipper: Wanneer je iets leest dat er vreemd uitziet, ben je geneigd verder te kijken. Dit is een zeer interessant aspect van het gebruik van AI: je aandacht vestigen op iets dat er misschien raar uitziet.
Stefan Morcov – Hermix: We hebben een vrij hoge nauwkeurigheid voor aanbestedingsanalyses. Onze sjablonen en modellen hebben een nauwkeurigheid van ongeveer 98-99%. We hebben echter wel enkele problemen met de context geconstateerd. Zo is er soms een bredere context nodig om bepaalde informatie te begrijpen en te analyseren.
Stefan Morcov – Hermix: Hier is een voorbeeld van dezelfde aanbesteding. Dit is de technische samenvatting van de aanbesteding. We beantwoorden snel vragen zoals: Wat zijn de doelstellingen? Wat is het budget? Wat zijn de gunningscriteria? In plaats van 500 pagina's aan bijlagen door te spitten, vindt u hier de benodigde experts en zelfs de opmaakvereisten, zoals lettertype Calibri, grootte 11. Voor dit voorstel is de plaats van uitvoering Luxemburg. Zoals ik eerder al zei, vereisen de te leveren resultaten en de economische en financiële draagkracht een omzet van 3,5 miljoen. U krijgt dus een korte samenvatting in plaats van 30 minuten of 2 uur te besteden aan het lezen van aanbestedingsdocumenten.
Stefan Morcov – Hermix: De nauwkeurigheid van onze tools is nu extreem hoog. We hebben verschillende talen getest en bieden samenvattingen en analyses van aanbestedingen. Ik heb het Sloveens, Frans en natuurlijk Engels getest, waarbij de nauwkeurigheid ook hoger is. We downloaden aanbestedingsberichten en -documenten voor heel Europa, inclusief Europese instellingen, via portals zoals TED, het EU-financieringsportaal, e-tendering, het Belgische aanbestedingsportaal en een aantal andere.
Stefan Morcov – Hermix: Wanneer u besluit mee te werken aan een aanbesteding, is het belangrijk om de aanbesteding zelf te lezen. Onlangs hebben we een chatfunctie geïntroduceerd waarmee u uw eigen vragen en informatie kunt aanpassen.
Stefan Morcov – Hermix: Je kunt vragen stellen zoals: "Hoeveel cv's moeten er in het technisch voorstel worden opgenomen?" Dit zijn standaardvragen, maar je kunt ook specifieke vragen stellen zoals: "Wat zijn de eisen waaraan deze experts moeten voldoen?" of "Bij welke werkpakketten is deze persoon betrokken?" Je kunt zelfs numerieke informatie ontlokken, bijvoorbeeld door te vragen naar de minimale omzet. Bijvoorbeeld: "Wat is de minimale omzet?" Het antwoord is 3,5 miljoen.
Stefan Morcov – Hermix: Spelen en experimenteren met prompt engineering is een hobby van me geworden. Ik heb zelfs om een grap gevraagd die met deze standaard te maken heeft. Hier is er een: "Waarom weigerde de machine learning-ingenieur mee te werken aan deze standaard? Omdat elke keer dat ze een voorstel probeerden in te dienen, de documenten steeds overfit raakten."“
Rudolf de Schipper: Ik denk dat de AI het grappig vindt.
Stefan Morcov – Hermix: Ja, precies. Hier is nog een voorbeeld: "Waarom nemen verkopers in de publieke sector brieven mee naar vergaderingen? Omdat ze altijd nieuwe hoogten in de bureaucratie willen bereiken." Dit kan voor sommigen wat aanstootgevend zijn.
Stefan Morcov – Hermix: Ik vind dit een interessante toevoeging aan de tool, omdat er bij het beantwoorden van een RFP vaak spontane vragen opduiken. In het begin komen typische vragen naar voren zoals: "Hoeveel cv's hebben we nodig?" Als je die vraag hebt, kun je snel een antwoord krijgen.
Rudolf de Schipper: Zelfs later, nadat je je voorstel hebt geschreven, kun je vragen hebben zoals: "Voldoen we wel aan deze eis?" Je zou de AI om verduidelijking kunnen vragen over de eisen uit de RFP.
Rudolf de Schipper: Veel deelnemers aan dit webinar zijn mogelijk tijdens goedkeuringsprocedures onverwachte vragen tegengekomen. Het zou nuttig zijn om de AI om antwoorden te vragen op basis van de RFP (Request for Proposal). Als iemand bijvoorbeeld vraagt: "Waar moet de levering plaatsvinden?", is het antwoord niet altijd even duidelijk als er meerdere locaties bij betrokken zijn.
Rudolf de Schipper: Snelle toegang tot gegevens, en tot geïnterpreteerde gegevens, is essentieel. Zoals u al zei, is het doorzoeken van 25 bijlagen niet productief. Hoewel de koper dit wellicht met goede bedoelingen doet, is het niet altijd gemakkelijk om alle informatie in een RFP te benutten.
Rudolf de Schipper: Er zijn meerdere kleine AI-oplossingen in dit ecosysteem. We hebben er bijvoorbeeld een die samenvattingen maakt en een chatbot waarmee je kunt interageren. Het is geen enorm AI-systeem, maar een verzameling kleinere tools. Voorlopig pakt de industrie deze uitdagingen op deze manier aan.
Rudolf de Schipper: Misschien hoeven we ons dus niet al te veel zorgen te maken over AI die de wereld overneemt.
Stefan Morcov – Hermix: Ik sta hier volledig achter. Ik ben het ermee eens dat de grootste uitdaging bij aanbestedingen in de publieke sector, en bij grote, complexe offertes, de aanzienlijke investering is die nodig is om ze op te stellen.
Stefan Morcov – Hermix: Als je bijvoorbeeld aan een groot bedrijf als Vodafone wilt verkopen, investeer je op dezelfde manier als wanneer je een voorstel van 50 miljoen euro voor de Europese Commissie schrijft.
Stefan Morcov – Hermix: Een van de grootste uitdagingen is dat het schrijven van een voorstel een investering van tienduizenden euro's kan vergen. Een klant met wie ik sprak, vertelde dat ze voorstellen hadden waarin ze €200.000 hadden geïnvesteerd. Het schrijven van voorstellen vereist vaak dat meerdere mensen gedurende meerdere maanden samenwerken, wat extreem kostbaar is.
Stefan Morcov – Hermix: Zelfs daarvoor kan het screenen van offertes een dagelijkse taak zijn. In een nichemarkt ontvang je misschien 2-3 relevante offertes per dag. In een grotere markt screenen we met Hermix zo'n 2000 offertes per dag. Stel je voor dat je 5 meldingen ontvangt van welk systeem je ook gebruikt, bijvoorbeeld Hermix of een ander. Je moet dan beoordelen of je op die aanbesteding wilt ingaan, wat 30 minuten tot 2 uur kan duren om de technische eisen te begrijpen.
Stefan Morcov – Hermix: Daarnaast kan het 2 uur tot zelfs 2 dagen duren om de commerciële omgeving en de concurrentie te doorgronden. Je wilt je richten op aanbestedingen met weinig concurrentie en aanzienlijke budgetten, volgens de blauwe oceaanstrategie: je wilt de grootste of enige haai zijn in een oceaan vol tonijn.
Stefan Morcov – Hermix: Hoe vind je dan dat deel van de oceaan met aanzienlijke financiële middelen, grote budgetten en minimale concurrentie?
Stefan Morcov – Hermix: Ik werkte ongeveer 2 uur aan een standaard aanbesteding, maar voor een belangrijkere aanbesteding had ik misschien 2 tot 3 dagen nodig om de context en nuances volledig te begrijpen.
Ik ben het met je eens. De kosten zijn aanzienlijk. Er bestaat geen wondermiddel voor het oplossen van dit soort problemen – geen oplossing die alles in één klap oplost. We kunnen echter wel verschillende tools integreren, elk ontworpen om specifieke problemen aan te pakken en bepaalde processen te automatiseren. Dat bedoelen we met "geschikt voor het doel".“
Wat betreft het opschonen van data, wil ik kort ingaan op een vraag die gesteld werd: hoe pakken we dataopschoning aan en gebruiken we daarvoor machine learning of alleen basisdata-analyse? Het antwoord is dat we beide benaderingen gebruiken. Traditionele SQL voert veel nuttige functies uit en we maken er nog steeds veelvuldig gebruik van. Daarnaast gebruiken we scoringsmethoden, zoals de Levenshtein-afstand, naast meer geavanceerde technieken zoals semantische contextsamenvatting en vertaling.
Onze tool kan bijvoorbeeld eisen vertalen, en ik heb hem met succes getest met aanbestedingsdocumenten in het Sloveens en Frans, waarbij ik ze naar het Engels heb vertaald. Traditionele SQL alleen kan dit niveau van complexiteit niet aan. We voeren ook grafanalyses uit om de relaties tussen entiteiten te begrijpen, waarbij we de markt modelleren als een grote graaf waarin knooppunten klanten, leveranciers, kopers en contracten vertegenwoordigen. Dit stelt ons in staat om afwijkingen te detecteren en partnerschappen binnen consortia te begrijpen.
Daarnaast maken we gebruik van machine learning met onze opgeschoonde data. We werken samen met de Universiteit van Luxemburg aan een Eureka-project, waarbij we ons richten op specifieke datasets om bruikbare inzichten te verkrijgen. Het is dus een combinatie van traditionele en moderne methoden.
Wat betreft de weergave van partnerschappen en consortia, zal ik dat demonstreren.
Hier vindt u een marktanalyse met contractwaarden en geografische locaties van klanten. Ik bekijk bijvoorbeeld het Luxemburgse bedrijf Anthrop, en u kunt hier hun belangrijkste klanten zien. We bieden een partneranalyse aan die de geschiedenis van de afgelopen 8 jaar volgt, met een overzicht van belangrijke partnerschappen en bijbehorende contracten.
We bieden ook configureerbare grafiekweergaven, waarmee u diepteniveaus en het aantal weergegeven partners kunt selecteren. Dit helpt de complexiteit van de informatie te beheersen en de leesbaarheid te waarborgen.
Dan nu een andere vraag: de tool voor het analyseren van standaarddocumenten werkt momenteel alleen voor openbaar beschikbare aanbestedingen. Ons platform indexeert en analyseert deze documenten vier keer per dag. We werken aan een functionaliteit waarmee gebruikers hun eigen documenten kunnen uploaden, maar dat bevindt zich nog in de prototypefase.
De meeste openbare informatie over ingediende voorstellen wordt doorgaans niet openbaar gemaakt, vooral niet bij niet-geslaagde biedingen. Dit betekent dat we vaak geen toegang hebben tot die gegevens.
Rudolf de Schipper: We onderzoeken de toekomst van AI op dit gebied. Momenteel richten we ons op het samenvatten van RFP's en het extraheren van vereisten. De volgende logische stap zou kunnen zijn om AI te gebruiken voor het schrijven van RFP's. We experimenteren met het genereren van coherente tekst op basis van onze behoeften.
Het schrijven van pakkende teksten blijft echter een uitdaging. Klanten zullen waarschijnlijk ook AI inzetten om onze voorstellen te beoordelen, wat een cyclus zou kunnen creëren waarin AI zowel het schrijven als de beoordeling van voorstellen aanstuurt, waardoor de focus op kwaliteit mogelijk afneemt ten gunste van automatisering.
De vraag rijst: zullen contracten worden toegekend op basis van de kwaliteit van de AI die wordt gebruikt bij het schrijven van offertes, of zal de markt weer puur op prijs gebaseerd zijn?
Er is ook nog de vraag of AI ons kan helpen bij het ontwikkelen van prijsstrategieën, een onderwerp dat we in de toekomst nog eens kunnen bekijken naarmate we meer inzicht krijgen in deze technologieën.
Stefan Morcov – Hermix: Het is een interessante discussie over de verschuiving naar prijsgerichte evaluaties. We zien deze trend al bij aanbestedingen, zoals blijkt uit een recente aanbesteding van Digita Suit, die volledig op prijs is gebaseerd.
Nu AI steeds vaker bedrijfsberichten genereert op platforms zoals LinkedIn, dreigt de kwaliteit van offertes af te nemen als iedereen afhankelijk wordt van AI voor het schrijven ervan. Lange, onoverzichtelijke offertes werden van oudsher zelden gelezen, en nu is er, mede dankzij technologische vooruitgang, een sterke focus op beknoptheid en duidelijkheid.
We bevinden ons op een kruispunt: enerzijds zien we een toekomst voor ons waarin AI handmatige taken overbodig maakt, anderzijds worden we geconfronteerd met de mogelijke dystopische uitkomst waarin automatisering leidt tot een puur transactionele markt zonder inhoud.
Stefan Morcov – Hermix: Automatisch gegenereerde tekst. Ze hebben een set regels, een paar honderd of duizend regels die in rapporten worden gecombineerd. Boekhouding is een zeer duidelijke wetenschap. Niet alle technologieën zijn voor alles bruikbaar.
Rudolf de Schipper: Een interessante opmerking van Laura Price: dit geldt alleen voor standaardgoederen en -diensten. Daar ben ik het volkomen mee eens.
Stefan Morcov – Hermix: Ja, ik ben het ermee eens! Goede observatie. Het zet je aan het denken over wat de klant voor ogen heeft wanneer ze een RFP (Request for Proposal) uitschrijven waarbij alleen de prijs telt. Dit betekent waarschijnlijk dat ze wat ze willen kopen beschouwen als een standaardproduct of -dienst – erg procedureel, zoals je al zei, een hoop regels en verder niets. Voor creatieve en strategische diensten leiden prijsgerichte evaluaties mogelijk niet tot een beoordeling van de kwaliteit.
Rudolf de Schipper: Het woord 'creatief' trof me. We hebben het hier gisteren over gehad, Stefan: wat betekent 'creatief' als AI prachtige afbeeldingen genereert? Is dat iets wat we creatief zouden noemen, of is het gewoon bestaand materiaal hergebruiken op een manier die we nog nooit eerder hebben gezien?
Stefan Morcov – Hermix: Absoluut. Daar zitten twee belangrijke punten achter. Ten eerste ben ik het er volledig mee eens dat je prijsbepaling en prijsevaluatie kunt toepassen op standaardgoederen en -diensten. Dit is waar de overheidsaanbestedingen meer de nadruk leggen op technische evaluatie dan op prijsevaluatie, met name voor creatieve, strategische of complexe projecten. Het evalueren van prijzen voor niet-standaard, creatieve of complexe omgevingen is een uitdaging.
Ten tweede is AI slechts zo goed als de mensen die het beheren. Ik geloof dat kunstmatige intelligentie slechts een hulpmiddel is; het kan voor goede of slechte doeleinden worden gebruikt, net als elke andere technologie. Zelfs een tractor kan misbruikt worden.
Bij het bespreken van creativiteit en technologie is het belangrijk te benadrukken dat technologie wordt gebruikt als hulpmiddel om doelstellingen te bereiken, zoals het winnen van aanbestedingen en het indienen van de beste voorstellen.
Stefan Morcov – Hermix: Als de aanbestedingseisen en -voorstellen door AI worden gegenereerd, hoe onderscheid je je dan? Ik geloof dat onderscheidend vermogen voortkomt uit creativiteit. Je hebt menselijke geesten nodig – teams van slimme mensen, technische architecten en visionairs die originele ideeën en intelligente architecturen kunnen genereren. Tools kunnen helpen om deze ideeën op papier te zetten, maar de oorspronkelijke concepten moeten van mensen komen.
Er bestaat een wijdverbreide misvatting dat AI oplossingen creëert. Hoewel het soms creatief lijkt, komt het er in feite op neer dat het bestaande tekst verzamelt en verwerkt. We verschuiven van "Laat me dit even voor je googelen" naar "Laat me dit even aan ChatGPT vragen". AI beantwoordt veel vragen accuraat, maar het verzamelt bestaande informatie in plaats van originele content te creëren.
Stefan Morcov – Hermix: Wat betreft grafanalyse, dat is een onderwerp dat ik op de middelbare school en universiteit heb geleerd – het berekenen van afstanden tussen knooppunten, gulzige algoritmes, enzovoort. We kunnen de afstand tussen twee knooppunten bepalen op basis van contracten die tussen partners zijn gesloten en hun waarden, wat leidt tot een score.
Stefan Morcov – Hermix: Er komen veel vragen binnen. Bijvoorbeeld: is AI verboden voor organisaties bij het beoordelen van offertes? Ik denk van niet. Er is in Italië even een poging gedaan om AI aan banden te leggen toen ChatGPT net op de markt kwam, en in New York hebben openbare scholen het een maand lang verboden. Maar binnen organisaties heb ik nog nooit van verboden gehoord. AI is een nuttig hulpmiddel en we gebruiken het dagelijks zonder erbij stil te staan.
Stefan Morcov – Hermix: Technologieën zoals automatische transcripties en vertalingen in Zoom zijn vormen van AI. We gebruiken AI al in onze dagelijkse activiteiten. Ik ken geen organisaties die AI in voorstellen verbieden. Ik moedig het gebruik van AI aan, hoewel ik niet geloof dat het op zichzelf creatief of slim genoeg is om de context te begrijpen.
Stefan Morcov – Hermix: Een reactie van Roswan: inderdaad, het publicatiebureau voor openbare aanbestedingen is een moderne overheidsinstantie die AI inzet voor efficiëntere publieke dienstverlening. Dat is prijzenswaardig. We kunnen veel leren van hun integratie van AI, zowel intern als extern.
Stefan Morcov – Hermix: De particuliere sector heeft de neiging om om verschillende redenen sneller te handelen.
Stefan Morcov – Hermix: We hebben nog een paar vragen. Wat is het huidige standpunt van de EU-aanbestedingsautoriteit ten aanzien van door AI gegenereerde aanbestedingen? Eerlijk gezegd weet ik het niet. Als iemand hierover meer weet, deel het dan alstublieft. Ik vermoed dat er geen consensus over dit onderwerp bestaat.
Rudolf de Schipper: Ik ben het ermee eens dat er geen algemene consensus bestaat. Vanuit het perspectief van een objectieve koper: als je met behulp van AI het beste voorstel kunt doen, ga ervoor. Een meer mensgerichte koper geeft er echter wellicht de voorkeur aan dat je je best doet om het voorstel goed uit te werken.
