Andrew Kelly van Accenture onderzoekt de begindagen van zijn carrière in het Ierse datawetenschapslandschap en hoe anderen een soortgelijk carrièrepad zouden kunnen uitstippelen.
Andrew Kelly, een senior manager bij AI en gegevens bij Accenture, volgde een ingenieursdiploma toen hij voor het eerst begon als stagiair bij de organisatie. Hij legde uit dat het de eerste keer was dat hij daadwerkelijk in aanraking kwam met datawetenschap, door met data te werken om patronen te vinden en inzichten te produceren.
Hij vertelde SiliconRepublic.com: “Ik heb wiskunde en kwantitatieve vakken altijd leuk gevonden, maar dit was anders. Het was praktijkgericht, toegepast en had een duidelijke commerciële reden. Er klikte iets. Ik ging terug naar de universiteit, voltooide mijn master in engineering, maar wist al waar ik terecht wilde komen.”
Kort daarna trad Kelly als afgestudeerde weer in dienst bij Accenture en begon onmiddellijk opnieuw te werken op het gebied van analyse, maar begon zich ook uit te breiden naar business intelligence-rapportage, data-engineering, GenAI, financiële diensten en, in toenemende mate, het bankwezen.
Kelly zei: “De afgelopen jaren is mijn focus verschoven van dataprofessional naar het helpen van bankklanten bij het bouwen van de basis voor AI op grote schaal – de platforms, het bestuur, de risicokaders en de verantwoordelijke AI-processen die achter dit alles moeten zitten – terwijl ik tegelijkertijd probeer echte, meetbare waarde snel genoeg te leveren om te bewijzen dat het werkt.”
Het Ierse datawetenschapsecosysteem
Volgens Kelly bevindt Ierland zich “in een veelbelovende maar onvoltooide positie” binnen een ruimte die de scherpe versnelling van de adoptie van AI mogelijk heeft gemaakt. Volgens een vorig rapport gepubliceerd door Accenture, is het aantal Ierse werknemers dat dagelijks GenAI-tools gebruikt bijna drievoudig ten opzichte van slechts twee jaar geleden.
Hij is echter van mening dat dit zich nog moet vertalen in een meer zichtbare en effectieve organisatorische transformatie, waarbij hij opmerkt dat deze eigenlijk alleen effect heeft op individueel niveau, en niet binnen hele bedrijven.
“Wat ik consequent zie in organisaties is de behandeling van AI als een technologie-initiatief in plaats van een heruitvinding van het bedrijf. Er is een sterke verleiding om geïsoleerde stappen in een proces te automatiseren, om een meerstapsworkflow te nemen en een deel ervan te automatiseren”, aldus Kelly.
“Dat is geen transformatie. De organisaties die voorop zullen lopen, zijn degenen die een fundamenteel andere vraag stellen: 'Hoe verandert AI de manier waarop we end-to-end werken?' of 'Hoe verandert dit de manier waarop we met klanten omgaan?' Dat vereist een heruitvinding van processen, geen puntautomatisering.”
Er blijkt een kloof te bestaan in het onderzoek, zo constateert hij, waarbij slechts ongeveer 10 procent van de Ierse organisaties de status heeft bereikt die Accenture zou classificeren als 'scaler'-status – dat wil zeggen, waar AI is ingebed in kernactiviteiten. De meerderheid experimenteert en integreert nog steeds, grotendeels in silo’s.
“De uitdagingen op het gebied van data, governance en bestaande infrastructuur vormen echte beperkingen. Maar het diepere probleem is vaak strategische duidelijkheid. AI-investeringen moeten waardegestuurd zijn, gekoppeld aan bedrijfsresultaten op het hoogste niveau, en niet gedreven door de technologie zelf.
“Het bemoedigende signaal is dat Ierland over de juiste ingrediënten beschikt: talent, infrastructuur, regelgevingskader en echte nationale ambitie. De vraag is uitvoering op schaal, en die klok tikt.”
Hoe ziet de toekomst eruit?
Hoewel het nog niet zo lang geleden is, is er veel veranderd in de datawetenschap en de bredere STEM-ruimte sinds Kelly voor het eerst aan zijn carrière begon.
Hij legde uit dat het werk aan het begin van zijn reis vaak gericht was op de ontwikkeling van voorspellende modellen in code en het uitvoeren van datawetenschapsprojecten die specifieke delen van het bedrijf bedienden. Gesprekken waren “grotendeels technisch” en de resultaten waren “betekenisvol, maar relatief beperkt tot hun organisatorisch bereik”.
“Wat fundamenteel is veranderd, is de reikwijdte van de impact. GenAI vereist nog steeds diepgaande expertise om goed te kunnen bouwen en besturen, maar het bereik reikt veel verder dan degenen die het bouwen. Het doordringt processen in hele organisaties en raakt rollen, workflows en klantinteracties aan die traditioneel machine learning nooit op dezelfde manier heeft bereikt.”
De vaardighedenverwachtingen zijn ook enigszins veranderd. Tegenwoordig is de AI-gereedheid van het personeel als een cruciaal vermogen naar voren gekomen.
“AI-geletterdheid kan niet langer alleen een rol spelen bij de teams die de technologie bouwen. Het moet over het hele bedrijf worden verspreid. Wat niet is veranderd, is het tempo van de veranderingen zelf. Het is altijd snel geweest in de technologie, maar het versnelt op manieren die organisaties actief moeten beheren”, aldus Kelly.
“De technische basis is belangrijk: data-engineering, machinaal leren, platformarchitectuur en governance goed genoeg begrijpen om geloofwaardige gesprekken te voeren met zowel praktijkmensen als senior klanten. Maar in mijn dagelijkse leven zijn de vaardigheden waar ik het meest op leun niet van technische aard.”
In plaats daarvan maakt hij regelmatig gebruik van een brede reeks vaardigheden die hem in staat stellen om door complexe omgevingen te navigeren met professionals op het gebied van regelgeving, risico, technologie, zaken en senior leiderschap, “vaak gelijktijdig en met concurrerende prioriteiten”.
Hij voegde eraan toe: “Het vermogen om te vertalen tussen technische teams en zakelijke besluitvormers, tussen wat AI kan doen en wat het zou moeten doen, is waarschijnlijk de vaardigheid die ik het meest gebruik.”
Een carrière cultiveren
Maar bovenal is de eigenschap die vaak het meest opvalt in een carrièreomgeving niet een perfecte staat van dienst, maar een blijk van oprechte interesse.
Kelly zelf kwam in zijn eerste rol als stagiair en verhuisde van engineering in de datawetenschap, en hij vroeg zich in het begin vaak af of zijn technische profiel voldoende vergelijkbaar was met dat van mensen die rechtstreeks computerwetenschappen of statistiek hadden gestudeerd.
“Dat was misplaatst. Wat ik had was nieuwsgierigheid en de bereidheid om te leren en, terugkijkend, dat telde veel meer. Het tweede, en dit is iets waar ik mezelf nog steeds aan moet herinneren, is vrede sluiten met het feit dat ik niet alles weet. Vooral bij AI is dat gevoel een beetje achterop te lopen in wezen universeel.
“Iedereen leert met deze technologie. De organisaties en individuen die voorop lopen, zijn niet noodzakelijkerwijs degenen met de meeste voorkennis. Zij zijn degenen met de grootste aanleg en honger om voortdurend te leren als de dingen veranderen.
“Waar ik naar op zoek ben als ik mensen aanneem, is precies dat: het vermogen om dingen op te pikken, aan te passen en te groeien. Vaardigheden kun je verwerven. Die oriëntatie, die oprechte nieuwsgierigheid en veerkracht is moeilijker aan te leren. Als je dat hebt, volgt de rest vanzelf.”
