Business analyse in het AI-tijdperk: kansen, uitdagingen en vaardigheden

De impact op de business analist

In een eerder artikel bespraken we hoe AI-tools de manier van werken binnen Scrum-teams veranderen. In deze reeks duiken we dieper in op de gevolgen voor één van de specifieke Scrum-rollen die we als YNNO invullen bij opdrachtgevers: de rol van business analist!

In een wereld waarin veranderingen elkaar razendsnel opvolgen, is het cruciaal voor organisaties om wendbaar en datagedreven te opereren. De business analist speelt hierin een sleutelrol. Door data te analyseren, strategische documenten te doorgronden en deze inzichten te vertalen naar bruikbare businessmodellen, vormt hij of zij de brug tussen strategie en technologie.

AI verandert deze rol ingrijpend. Denk aan tools die documenten samenvatten, processen uitwerken of repetitieve taken automatiseren. Dit versnelt analyses, vergroot de nauwkeurigheid en creëert een stevige basis voor gefundeerde besluitvorming. Maar hoe profiteer je hier optimaal van? En welke uitdagingen brengt dit met zich mee?

In dit artikel verkennen we de nieuwste AI-ontwikkelingen binnen business analysis. We laten zien hoe AI het werk van business analisten versterkt, maar ook welke valkuilen er zijn. Want wie AI slim inzet, blijft niet alleen relevant, maar maakt ook écht impact.

Wetenschap en ontwikkelingen

De snelle opmars van AI binnen business analysis is ook zichtbaar in de wetenschappelijke literatuur. In de afgelopen vier jaar zijn opvallend veel oriënterende studies en conferentiepapers gepubliceerd (Van Woensel & Motie, 2024). De wetenschap brengt in kaart welke AI-toepassingen in opkomst zijn, waar ze elkaar aanvullen of juist verschillen, en welke verbeterpunten er nog liggen.

Dit onderstreept niet alleen dat AI steeds relevanter wordt voor business analisten, maar ook dat de technologie zich in rap tempo ontwikkelt. Het is dus essentieel om deze innovaties op de voet te volgen.

In de volgende paragraaf gaan we dieper in op de meest relevante AI-toepassingen voor business analisten en hoe deze in de toekomst nog verder geoptimaliseerd kunnen worden. Zo wordt de business analist steeds effectiever in zijn of haar werk.

Hoe taalmodellen business analyses versterken
Bij het horen van ‘AI’ denken veel mensen direct aan ‘taalmodellen’ — en terecht. Taalmodellen zijn namelijk een vorm van AI en kunnen, simpel gezegd, voorspellen welk woord waarschijnlijk volgt in een tekst op basis van eerdere woorden.

Voor het uitwerken van processen en het opstellen van requirements werken business analisten voornamelijk met ‘natural language text’ — tekst die door mensen wordt geschreven en geïnterpreteerd (Van der Aa et al., 2018; Van Woensel & Motie, 2024). Het analyseren en structureren van deze tekst om processen te herleiden staat bekend als ‘process extraction’ (Bellan et al., 2018). Dit is vaak een tijdrovend en foutgevoelig proces, waarbij interpretatieverschillen kunnen optreden (Reijers et al., 2003).

Hier komt Natural Language Processing (NLP) om de hoek kijken. NLP is een AI-techniek die menselijke taal automatisch analyseert, begrijpt en genereert (Manning, 1999). Onderzoek heeft aangetoond dat NLP process extraction kan ondersteunen (Maqbool et al., 2018; Bordignon et al., 2018). Denk aan toepassingen zoals:

• Herkennen van procesentiteiten door woorden te labelen op basis van hun functie, zoals tijdsaanduidingen (‘voor’, ‘na’), verbindingswoorden (‘of’, ‘en’) en werkwoorden of zelfstandige naamwoorden (Van der Aa et al., 2019).
• Identificeren van relaties tussen procesentiteiten (Haliouli et al., 2018).
• Detecteren van beslismomenten in tekst door woorden als ‘if’, ‘then’ en ‘else’ te analyseren (Etikala, 2021).
• Inpassen van beslismomenten in een procesflow met behulp van beslisboomlogica.

Hoewel NLP krachtige mogelijkheden biedt, zijn er ook uitdagingen. Zo kunnen procesmodellen op verschillende abstractieniveaus beschreven zijn, waardoor vergelijking lastig wordt (Van der Aa et al., 2018). Daarnaast vereist correcte interpretatie een goed begrip van context en terminologie, inclusief synoniemen (Leopold et al., 2013).

Voor business analisten betekent dit dat NLP kan helpen door tijdrovend handmatig werk te automatiseren en nieuwe inzichten te genereren (Kampik et al., 2023; De Nicola et al., 2024). Toch blijft het belangrijk om kritisch te blijven op de output. NLP is een krachtig hulpmiddel, maar menselijke controle en interpretatie blijven essentieel.

De rol van NLP en promptvaardigheden in AI-gedreven business analyses

Als we dieper ingaan op de toepassing van NLP binnen AI-tools voor business analyses, zien we vanuit de wetenschap een aantal belangrijke inzichten. Een sleutelbegrip hierbij is ‘promptvaardigheden’ — oftewel, hoe effectief een gebruiker AI-tools aanstuurt via input (prompts) om relevante en accurate output te krijgen (Liu et al., 2023).

1. De interactie tussen de business analist en AI
Het succes van AI hangt sterk af van hoe goed de gebruiker (in dit geval de business analist) vragen formuleert. Te brede of complexe prompts leiden vaak tot onnauwkeurige of onvolledige antwoorden (Gao et al., 2021). Dit gebeurt bijvoorbeeld wanneer één prompt meerdere procesactiviteiten beschrijft of wanneer een vraag te vaag is.

Daarnaast speelt de volgorde van vragen een grote rol. Een incrementele opbouw helpt AI-tools om beter te begrijpen wat er wordt gevraagd. Een studie van Bellan et al. (2022) laat dit zien met een gestructureerde aanpak:

• Q1: Geef een lijst van activiteiten binnen het proces.
• Q2: Wie voert activiteit X uit in het procesmodel?
• Q3: Volgt activiteit X direct op activiteit Y in het procesmodel?

2. De juiste structuur in prompts
De manier waarop een prompt is opgebouwd, heeft grote invloed op de output. Zelfs kleine variaties in formulering kunnen tot andere resultaten leiden. Een consistente en goed doordachte opbouw is daarom essentieel.

3. Gebruik van de juiste businessproces-terminologie
AI-modellen interpreteren termen op basis van hun trainingsdata, wat betekent dat verschillende synoniemen of definities tot afwijkende antwoorden kunnen leiden. Het is dus belangrijk om zorgvuldig te kiezen welke terminologie wordt gebruikt in prompts, vooral binnen het domein van Business Process Management (BPM).

Omdat BPM relatief nieuw is binnen AI-taalmodellen, pleiten onderzoekers voor betere en grotere datasets die specifiek zijn afgestemd op BPM (Brown et al., 2020; Busch et al., 2023; Käppel et al., 2021; Vidgof et al., 2023). Dergelijke datasets helpen AI om processen te herkennen en om te zetten in gestructureerde procesmodellen (Bellan et al., 2022).

Een concreet voorbeeld uit de studie van Bellan et al. (2022) laat zien dat het gebruik van het woord ‘participant’ in prompts betere resultaten oplevert dan ‘actor’. Daarnaast bleek dat het toevoegen van de prefix “Consider the context of Business Process Management and Process modelling…” ervoor zorgde dat de output beter binnen het BPM-domein bleef.

Met de juiste promptvaardigheden kunnen business analisten AI-tools dus effectiever inzetten, maar kritisch denken blijft essentieel. AI ondersteunt, maar de business analist blijft degene die de context begrijpt en de uitkomsten interpreteert.

Van NLP naar LLMs: de volgende stap in AI-gedreven business analyses

Waar Natural Language Processing (NLP) zich richt op het analyseren van tekst, draait het bij Large Language Models (LLMs) om het genereren van tekst. Deze modellen zijn gebaseerd op diepe neurale netwerken die getraind zijn op gigantische tekstdatasets, zoals boeken, nieuwsartikelen en Wikipedia (Hadi et al., 2023).

Maar LLMs gaan verder dan alleen taal nabootsen. Ze kunnen:

• Stapsgewijs redeneren, waarbij ze hun denkproces expliciet maken en onderbouwen (Wei et al., 2022).
• Zelflerend vermogen toepassen, waardoor ze hun output kunnen verbeteren op basis van eerdere interacties (Min et al., 2022).
• Autonome beslissingen nemen, bijvoorbeeld bij het structureren van een procesmodel (de Nicola et al., 2024).

In het kader van business analyses betekent dit dat LLMs niet alleen tekst genereren, maar ook procesflows kunnen definiëren én structureren (zie figuur 1).

Praktische toepassingen van LLMs

LLMs vinden hun weg naar diverse toepassingen, variërend van chatbots en virtuele assistenten, zoals ChatGPT dat draait op GPT-4, tot geavanceerde tekstgeneratiesystemen die helpen bij het opstellen van documenten en rapporten. Daarnaast worden ze steeds vaker ingezet voor AI-gestuurde procesanalyse, waarbij ze bedrijfsprocessen interpreteren en optimaliseren.

Onder de bekendste LLMs vallen GPT-4, de drijvende kracht achter ChatGPT, en Gemini, een recent ontwikkeld model. Andere toonaangevende modellen zijn OPT (Open Pre-Trained Transformer Language Model) en BLOOM (BigScience Large Open-science Open-access Multilingual Language Model), beide ontworpen om breed toepasbaar en toegankelijk te zijn binnen de AI-gemeenschap.

Kritisch gebruik van LLMs in business analyses

Het beheersen van promptvaardigheden is niet alleen een pré bij het gebruik van NLP voor business analyses, maar geldt net zo goed voor LLMs. Een gebruiker moet over voldoende domeinkennis en expertise beschikken om AI-tools gericht te corrigeren én bij te sturen. Recent onderzoek heeft bijvoorbeeld laten zien hoe LLMs procesmodellen kunnen beschrijven en illustreren op basis van prompts in ChatGPT (GPT-4) (Grohs et al., 2023). Omdat studies naar de toepassing van LLMs binnen het werk van een business analist nog in een verkennende fase zitten, worden verschillende aanbevelingen gedaan:

• Een eerste aanbeveling is kritisch te kijken naar de gegenereerde output, of dit nu tekst of een procesmodel betreft. In het specifieke voorbeeld uit het onderzoek van Grohs et al. zou de procesflow logischer zijn als ‘test system functionality’ als één activiteit werd weergegeven. Dit illustreert hoe belangrijk het is om gegenereerde modellen zorgvuldig te evalueren en, indien nodig, handmatig bij te sturen.
• Daarnaast wordt consistentie in de output als een aandachtspunt benoemd. Uit het onderzoek blijkt dat LLMs over het algemeen redelijk consistent zijn in het beschrijven van relaties en entiteiten binnen een proces. Toch kunnen er aanzienlijke variaties optreden in de manier waarop individuele aspecten van een tekst worden geïnterpreteerd. Zo kan het gebeuren dat een bepaalde taak niet correct wordt geïdentificeerd of anders wordt gecategoriseerd dan bedoeld. Dit vraagt om een kritische blik van de gebruiker. Bij NLP speelt dit minder, omdat deze modellen vaak getraind zijn op grote gelabelde datasets voor het uitvoeren van relatief eenvoudige taken (de Nicola et al., 2024).
• Een derde aanbeveling is het verwerken van voorbeelden in prompts om de context nauwkeuriger af te bakenen. Het herhalen van instructies of het toevoegen van aanvullende informatie kan tot betere resultaten leiden. Dit werd bevestigd in het onderzoek van Grohs et al., waarin een scherpere formulering van prompts zorgde voor verbeterde output van ChatGPT.

Naast deze aanbevelingen zijn er ook kanttekeningen bij de toepassing van LLMs. Een belangrijk punt is het gebrek aan controle vanuit de gebruikerskant. Omdat het model als een black box functioneert, is het moeilijk om fouten te herleiden en te corrigeren. Dit maakt het extra belangrijk om gegenereerde resultaten zorgvuldig te beoordelen.

Om de prestaties van een LLM te verbeteren, wordt geadviseerd deze te trainen in specifieke domeinen. In het geval van business process management (BPM) is dit een uitdaging, aangezien dit vakgebied nog relatief nieuw is binnen taalmodellen. Een mogelijke oplossing is het gebruik van Retrieval Augmented Generation (RAG), een techniek die een AI-model voedt met context uit een aangepaste database en daarmee de nauwkeurigheid en betrouwbaarheid van resultaten vergroot (Gao et al., 2023). Dit brengt echter aanzienlijke kosten met zich mee, zowel financieel als qua energieverbruik.

Tot slot is het belangrijk om stil te staan bij de bredere impact van LLMs. De servers waarop deze modellen draaien, verbruiken veel energie en produceren aanzienlijke hoeveelheden warmte. Dit brengt niet alleen hoge kosten met zich mee, maar heeft ook negatieve gevolgen voor het milieu. Dit maakt het des te belangrijker om kritisch te kijken naar de inzet van deze technologie en te zoeken naar duurzamere alternatieven.

Nieuwe vaardigheden voor business analisten in een AI-gedreven wereld

In dit artikel is al eerder ingegaan op het belang van promptvaardigheden voor het succesvol inzetten van AI-tooling in business analyses. Deze vaardigheden zijn cruciaal voor business analisten, omdat zij in staat moeten zijn om een goed gestructureerde prompt te creëren. Zo’n prompt bevat niet alleen taakinstructies, maar ook contextuele kennis, voorbeelden en ‘natural language text’ (van Woensel et al., 2024).

Daarnaast is het interpreteren van AI-output essentieel. Een business analist moet kritisch kijken naar de accuraatheid van resultaten en waar nodig bijsturen op basis van eigen expertise (Grohs et al., 2023; de Nicola et al., 2024). Ook moeten de gegenereerde inzichten vertaald worden naar concrete aanbevelingen voor procesoptimalisatie (Brynjolfsson & McAfee, 2017; Shrestha et al., 2019).

Verder wordt een holistische kijk op bedrijfsprocessen steeds belangrijker. AI mist menselijk inzicht en context, waardoor de business analist een brugfunctie vervult tussen technologie en strategie. Zeker nu AI-modellen steeds beter redeneren op basis van grote hoeveelheden referentiedata, is het essentieel om verbanden binnen een organisatie goed te analyseren en te valideren.

Een grote verandering in het vakgebied is de opkomst van AI-gedreven agents. Deze slimme, zelflerende systemen kunnen zelfstandig met data en APIs werken en zullen traditionele SaaS-applicaties deels vervangen. Hoewel wetenschappelijk bewijs nog ontbreekt, zijn er meerdere bedrijven die Agents aanbieden. In februari 2025 introduceerde Pegasystems bijvoorbeeld de Pega Agent Experience (Pega AgentX), een set API-mogelijkheden die AI-agents in staat stellen om taken efficiënt en autonoom uit te voeren binnen vertrouwde workflows. Hiervan wordt verwacht dat dit de rol van business analisten fundamenteel verandert. De focus verschuift van software-inventarisatie naar het strategisch inzetten en beheren van AI-agents. Dit betekent dat analisten zich meer gaan bezighouden met het identificeren van kansen en risico’s, het bewaken van ethische normen en het toetsen van betrouwbare output.

Conclusie: AI als versneller voor business analyse

AI-toepassingen zoals Natural Language Processing (NLP) en Large Language Models (LLMs) bieden business analisten de mogelijkheid om processen te automatiseren en sneller waardevolle inzichten te verkrijgen. Ze verbeteren de snelheid en nauwkeurigheid van analyses, wat kansen biedt voor procesoptimalisatie en betere besluitvorming. Toch blijven er uitdagingen. AI-modellen functioneren, zoals eerder genoemd, vaak als een ‘black box’, waardoor het lastig is om resultaten te verklaren of fouten te corrigeren. Dit benadrukt de noodzaak voor business analisten om kritisch te blijven en de modellen te ondersteunen met domeinspecifieke datasets. Ook vraagt het gebruik van AI nieuwe vaardigheden, zoals het goed opstellen van prompts én het interpreteren van output.

Kortom, AI-tooling kan de efficiëntie en effectiviteit van business analyses aanzienlijk verhogen, mits het een aanvulling blijft op menselijke expertise en met een kritische benadering wordt toegepast. Een goed begrip van zowel de technische mogelijkheden als de beperkingen is cruciaal om het volledige potentieel van deze technologieën te benutten en duurzame voordelen te realiseren binnen een organisatie.

Over YNNO

Dit artikel is geschreven door Liselotte Nieuwkoop en Thijs Gaanderse, beiden adviseur bij YNNO en gespecialiseerd in het snijvlak van technologie en organisatie. Bij YNNO helpen we organisaties om toekomstbestendig te werken door innovatie en samenwerking te stimuleren. We ondersteunen onze klanten bij de digitalisering hun processen middels innovatieve technologieën. We hebben hiervoor business analisten, project-programmamanagers, scrummasters, product owners en verandermanagers in dienst.

 

Bronnenlijst
Bansal, N., Sharma, A., & Singh, R. K. (2019). Fuzzy AHP approach for legal judgement summarization. Journal of Management Analytics, 6(3), 323–340. doi: 10.1080/23270012.2019.1655672
Bellan, P., Dragoni, M., Ghidini, C.: Extracting business process entities and relations from text using pre-trained language models and in-context learning. In: Enterprise Design, Operations, and Computing. pp. 182–199 (2022)
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J.D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., et al.: Language models are few-shot learners. NeurIPS 33, 1877–1901 (2020)
Brynjolfsson, E., & Mcafee, A. (2017). Artificial intelligence, for real. Harvard business review, 1, 1-31.
Busch, K., Rochlitzer, A., Sola, D., & Leopold, H. (2023). Just tell me: Prompt engineering in business process management. In International Conference on Business Process Modeling, Development and Support (pp. 3-11). Cham: Springer Nature Switzerland.
de Almeida Bordignon, A. C., Thom, L. H., Silva, T. S., Dani, V. S., Fantinato, M., & Ferreira, R. C. B. (2018, June). Natural language processing in business process identification and modeling: a systematic literature review. In Proceedings of the XIV Brazilian Symposium on Information Systems (pp. 1-8).
De Nicola, A., Formica, A., Mele, I., Missikoff, M., & Taglino, F. (2024). A comparative study of LLMs and NLP approaches for supporting business process analysis. Enterprise Information Systems, 18(10). https://doi.org/10.1080/17517575.2024.2415578
Gao, T., Fisch, A., Chen, D.: Making pre-trained language models better few-shot learners. In: Proc. of ACL/IJCNLP 2021. pp. 3816–3830. ACL (2021)
Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., … & Wang, H. (2023). Retrieval-augmented generation for large language models: A survey. arXiv preprint arXiv:2312.10997.
Grohs, M., Abb, L., Elsayed, N., & Rehse, J. R. (2023, September). Large language models can accomplish business process management tasks. In International Conference on Business Process Management (pp. 453-465). Cham: Springer Nature Switzerland.
Hadi, M. U., Qureshi, R., Shah, A., Irfan, M., Zafar, A., Shaikh, M. B., … & Mirjalili, S. (2023). A survey on large language models: Applications, challenges, limitations, and practical usage. Authorea Preprints.
Halioui, A., Valtchev, P., & Diallo, A. B. (2018). Bioinformatic workflow extraction from scientific texts based on word sense disambiguation. IEEE/ACM transactions on computational biology and bioinformatics, 15(6), 1979-1990.
Kampik, T., C. Warmuth, A. Rebmann, R. Agam, L. N. P. Egger, A. Gerber, J. Hoffart. 2023. “Large Process Models: Business Process Management in the Age of Generative AI.” KI – Künstliche Intelligenz: 2309.00900. https://doi.org/10.1007/s13218-024-00863-8.
Kang, Y., Cai, Z., Tan, C. W., Huang, Q., & Liu, H. (2020). Natural language processing (NLP) in management research: A literature review. Journal of Management Analytics, 7(2), 139–172. https://doi.org/10.1080/23270012.2020.1756939
Käppel, M., Jablonski, S., Sch¨onig, S.: Evaluating predictive business process monitoring approaches on small event logs. In: QUATIC. pp. 167–182. Springer (2021)
Leopold, H., Fabian Pittke, F. & Jan Mendling, J. (2013). Towards measuring process model granularity via natural language analysis. In Business Process Management Workshops – BPM 2013 International Workshops, Beijing, China, August 26, 2013, Revised Papers, pages 417–429.
Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., Neubig, G.: Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys 55(9), 1–35 (2023)
Manning, C. D. (1999). Foundations of statistical natural language processing. The MIT Press.
Maqbool, B., Azam, F., Anwar, M. W., Butt, W. H., Zeb, J., Zafar, I., … & Umair, Z. (2019). A comprehensive investigation of BPMN models generation from textual requirements—techniques, tools and trends. In Information Science and Applications 2018: ICISA 2018 (pp. 543-557). Springer Singapore.
McDonald, D. D. (2010). Natural language generation. Handbook of Natural Language Processing, 2, 121–144.
Min, S., Lyu, X., Holtzman, A., Artetxe, M., Lewis, M., Hajishirzi, H., & Zettlemoyer, L. (2022). Rethinking the role of demonstrations: What makes in-context learning work?. arXiv preprint arXiv:2202.12837.
P. Bellan, M. Dragoni, C. Ghidini, A qualitative analysis of the state of the art in process extraction from text., DP@ AI* IA (2020) 19–30.
Reijers, H.A., Limam, S., van der Aalst, W.: Product-Based Workflow Design. JMIS 20(1), 229–262 (2003)
Scao, T.L., Fan, A., Akiki, C., Pavlick, E., Ilić, S., Hesslow, D., Castagné, R., Luccioni, A.S., Yvon, F., Gallé, M., et al.: Bloom: A 176b-parameter open-access multilingual language model. arXiv preprint arXiv:2211.05100 (2022)
Shrestha, Y. R., Ben-Menahem, S. M., & Von Krogh, G. (2019). Organizational decision-making structures in the age of artificial intelligence. California management review, 61(4), 66-83.
V. Etikala, Extracting decision model components from natural language text for automated business decision modelling., in: RuleML+ RR (Supplement), 2021.
Van der Aa, H., Carmona Vargas, J., Leopold, H., Mendling, J., & Padró, L. (2018). Challenges and opportunities of applying natural language processing in business process management. In COLING 2018: The 27th International Conference on Computational Linguistics: Proceedings of the Conference: August 20-26, 2018 Santa Fe, New Mexico, USA (pp. 2791-2801). Association for Computational Linguistics.
Van der Aa, H., Di Ciccio, C., Leopold, H., & Reijers, H. A. (2019). Extracting declarative process models from natural language. In Advanced Information Systems Engineering: 31st International Conference, CAiSE 2019, Rome, Italy, June 3–7, 2019, Proceedings 31 (pp. 365-382). Springer International Publishing.
Van Woensel, W., & Motie, S. (2024). NLP4PBM: a systematic review on process extraction using natural language processing with rule-based, machine and deep learning methods. Enterprise Information Systems, 18(11), 2417404.
Vidgof, M., Bachhofner, S., & Mendling, J. (2023, September). Large language models for business process management: Opportunities and challenges. In International Conference on Business Process Management (pp. 107-123). Cham: Springer Nature Switzerland.
Zhang, S., Roller, S., Goyal, N., Artetxe, M., Chen, M., Chen, S., Dewan, C., Diab, M., Li, X., Lin, X.V., et al.: OPT: Open pre-trained transformer language models. arXiv preprint: https://arxiv.org/abs/2205.01068 (2022)