Hoe pas ik AI toe in mijn eigen werk? Mag dit eigenlijk wel? Hoe schrijf ik een goede prompt?

Dit zijn de drie vragen die ik het afgelopen jaar in vrijwel elke AI-training terug hoorde komen. Van marketingteams tot medical affairs, van sales tot finance afdelingen. De vragen kwamen bij elk team voorbij. De antwoorden? Die verschillen per afdeling meer dan je zou denken.

Drie vragen, één rode draad

Het afgelopen jaar mocht ik vanuit NXT Pharma diverse farmateams in Nederland trainen in het werken met AI. Wat me opviel: ongeacht de afdeling, iedereen worstelt met dezelfde fundamentele vragen.

Ten eerste de behoefte aan praktische toepassingen. Geen hoogover verhalen over wat AI allemaal kan, maar: hoe kan ik AI mogen gebruiken in mijn werk? Welke taak die nu een uur kost, kan ik terugbrengen naar tien minuten?

Ten tweede de compliance-vraag. In farma is dit een essentieel onderdeel van alles wat je doet in je werk. Vrijwel elke farmaceut worstelt, zowel in Nederland als global, met het gebruik van AI-tools. Bij sommigen werd Copilot gebruikt en verder niks, bij anderen was het ChatGPT en waren wat andere toepassingen zoals bijvoorbeeld NotebookLM  wel toegestaan. Sommigen hadden vanuit global al uitgebreide training gekregen en ontvingen veel tips voor concrete toepassingen, bij anderen lag vooral veel nadruk op wat niet mag.  Bij iedereen was wel duidelijk dat AI op de werkvloer kansen biedt, maar hoe gebruik je het veilig? Wat mag wel, wat mag niet, en hoe documenteer je wat je doet?

Ten derde het maken van goede prompts. Het lijkt zo makkelijk, even iets vragen aan AI, maar in de praktijk is het maken van een goede prompt niet altijd zo eenvoudig. Het vraagt dat je echt nadenkt over wat je op wil leveren, voor wie en hoe dat eruit moet zijn.  Het vraagt om helder denken, specifiek formuleren en begrijpen hoe een taalmodel werkt. Bij veel deelnemers bleek de meerwaarde van het goed doordacht prompten op het moment dat we met elkaar aan de slag gingen.

Elke afdeling heeft specifieke AI-vraagstukken

Wat me het meest verraste: hoe verschillend teams AI benaderen. Niet omdat de technologie anders werkt, maar omdat hun werkwijze en verwachtingen zo uiteenlopen.

Marketing en sales: direct resultaat

Deze teams willen direct aan de slag. Ze zijn output gedreven en zoeken naar snelle wins. Een betere LinkedIn-post. Een hogere ROI op de nieuwsbrief. Een efficiëntere briefing. Voor hen is AI een versneller van wat ze al doen. Door samen te kijken naar een aantal prompts die ze elke dag kunnen gebruiken en waarmee ze aantoonbaar tijdswinst halen of betere resultaten was de adoptie vaak al tijdens de training.

Medical affairs: voorbij het standaardgebruik

Verrassend genoeg waren veel medical teams al verder met AI dan ik verwachtte. Hun vraag was niet “hoe begin ik?” maar “hoe haal ik er meer uit?”.

De echte winst zit bij deze teams in creatief denken over AI toepassingen. AI inzetten om een congresbezoek te plannen, inclusief welke sessies te bezoeken en welke experts te spreken. Of AI vragen om vanuit verschillende wetenschappelijke invalshoeken naar een onderwerp te kijken. Niet de voor de hand liggende toepassingen, maar de slimme andere manieren om AI in te zetten. Deze teams daagden mij uit om verder te denken dan de standaard use cases.

Finance: een perfecte match

Hier zag ik de snelste adoptie. Logisch ook. LLM’s blinken uit in het analyseren van data, het herkennen van patronen en het samenvatten van complexe informatie. Precies wat finance-afdelingen dagelijks doen. De fit is bijna vanzelfsprekend. Waar andere teams soms nog zoeken naar de juiste toepassing, weten finance-professionals vaak direct waar ze AI willen inzetten. Door grote datasets met AI te analyseren konden ze direct uren in de week besparen. Ook het vertalen van complexe finance informatie naar begrijpelijke samenvattingen voor andere afdelingen zetten ze effectief AI in.

Wanneer het kwartje valt gaat het AI gebruik ook echt vliegen

Na de noodzakelijke theorie, weten wat de bouwstenen zijn van een goede prompt en hoe het antwoord van de AI aan de achterkant opgebouwd worden is noodzakelijk voor goede antwoorden, gaan teams bij ons direct zelf aan de slag. Je leert immers het meest door het zelf te doen.

Met van te voren zelf meegenomen use cases werd direct de vertaalslag van theorie naar praktijk gemaakt. Dan zag je de aha-momenten en de kwartjes vallen. Hoe snel en accuraat datasets door AI geanalyseerd worden. Hoe met de juiste prompt je feedback krijgt op je marketingplan waarmee je die echt beter maakt. Op het moment dat iemand ziet hoe snel AI een taak uitvoert waar normaal uren in gaan zitten, verandert de energie in de ruimte. Scepsis maakt plaats voor nieuwsgierigheid. En nieuwsgierigheid voor enthousiasme.

Dat is ook waarom we de trainingen altijd praktisch inrichten. Theorie is nuttig, maar de echte lessen zitten in het doen. In het proberen, bijsturen en ontdekken wat werkt voor jouw specifieke situatie. Met een AI-expert van NXT Pharma op de achtergrond die met je meekijkt en meedenkt.

Van idee naar concrete resultaten

Inspiratie en experiment is leuk, maar je wilt natuurlijk ook resultaten zien. Door terug te horen van teams die taken die voorheen minstens een werkdag kosten en daar nu een half uur aan kwijt zijn, omdat ze alleen nog controleren en finetunen. Van deelnemers die hun eigen energie slimmer inzetten omdat AI taaie stukken eerst terugbrengt naar de kern en ze vervolgens bijvoorbeeld omzet in een podcast om naar te luisteren. Van finance rapportages waar AI ondersteunt in het signaleren van afwijkingen, maar ook bestaande data vertaalt in forecasts die hout snijden. Van medicals die na de hulp van AI wel een afspraak kregen bij een arts.

2026: van experiment naar standaard

De vraag is niet meer óf AI een plek krijgt in farma. Die vraag is beantwoord. De vraag is nu: hoe maak je het structureel onderdeel van je workflows?

Dat vraagt om meer dan een eenmalige training. Het vraagt om nadenken over welke processen rijp zijn voor AI. Waar verlies je nu tijd die je terug kunt winnen? Welke terugkerende taken kun je versnellen of verbeteren?

De teams die het snelst vooruitgaan, zijn niet per sé de meest technische. Het zijn de teams die durven experimenteren met hun eigen werk. Die niet afwachten, maar gewoon beginnen. Die fouten durven maken, ervan leren en doorgaan.

Mijn verwachting voor 2026 is dat AI ingebed wordt als vast onderdeel van je werk, vergelijkbaar met bijvoorbeeld Outlook en Teams. Om AI echt te laten werken in jouw organisatie is het belangrijk om met elkaar te blijven delen. Zowel successen en prompts die voor jou goed werken als dingen die niet uitpakten zoals gehoopt. Zodat je elkaar blijft inspireren en een veilige omgeving met elkaar maakt waarin iedereen durft te delen en waar je met elkaar werkt aan de slimste toepassingen van AI. Door met elkaar een eigen bibliotheek op te bouwen aan toepassingen bespaar je veel tijd en kun je elkaar inspireren hoe AI je werk kan versnellen om versimpelen op een manier waar je zelf misschien niet aan gedacht had.

Om teams zo goed mogelijk te ondersteunen bieden we als NXTPharma AI academy een accelaratie programma aan. Geen standaard one size fits nobody aanbod, maar per functie inspiratie, voorbeelden en concrete toepassingen waarmee je de volgende stap kunt zetten.

De vraag is niet of jij meedoet. De vraag is wanneer je begint.

Gerda van Galen is AI-trainer bij NXT Pharma en begeleidt farmaceutische teams in het praktisch toepassen van AI in hun dagelijkse werk.

 

Ben je benieuwd naar de mogelijkheden van onze AI trainingen voor jullie organisatie? Plan een vrijblijvend gesprek met Rutger van der Lee in.