Met meer dan twintig profes­si­o­nele teams, zo’n 150 topspe­lers en ruim tien wereld­ti­tels is Team Liquid een van de grote namen in de inter­na­ti­o­nale esports­we­reld. Om ook op het hoogste niveau te blijven winnen, werkt de organi­satie samen met SAP aan AI-toepas­singen die spelers en coaches nieuwe inzichten geven. Wat kunnen bedrijven daarvan leren?

Bij profes­si­o­nele esports draait het allang niet meer alleen om talent en snelle reflexen. Achter de wedstrijden van Team Liquid schuilt een omvang­rijke organi­satie waarin spelers, coaches en analisten voort­du­rend zoeken naar manieren om beter te worden. Want hoe goed een team ook is, de concur­rentie zit niet stil. Daarom gebruikt Team Liquid AI om waarde­volle inzichten te halen uit de enorme hoeveel­heid gegevens die tijdens wedstrijden ontstaat.

Sinds 2018 werkt de organi­satie daarvoor samen met SAP. Tijdens een media­tour in Utrecht vertellen Team Liquid-oprichter Victor Goossens en SAP’s Oliver Huth wat die samen­wer­king heeft opgele­verd. Hun ervaringen bieden vijf lessen voor bedrijven die AI willen inzetten.

1. Bepaal welk probleem je met AI wilt oplossen

Wedstrijd­sta­tis­tieken vertellen niet het hele verhaal. Ook de commu­ni­catie tussen spelers kan veel zeggen over hun presta­ties. Goossens noemt een voorbeeld uit League of Legends. Wanneer een speler een paar keer achter elkaar wordt uitge­scha­keld, kan hij gefrus­treerd raken en steeds stiller worden. Daardoor missen zijn teamge­noten belang­rijke infor­matie, juist op momenten waarop goede samen­wer­king cruciaal is.

Team Liquid gebruikt AI Voice Intel­li­gence om zulke problemen te onder­zoeken. Het systeem koppelt opgenomen gesprekken tussen spelers aan gebeur­te­nissen in het spel. Zo kunnen coaches achteraf zien wanneer de commu­ni­catie verslech­tert en wat er op dat moment in de wedstrijd gebeurde. Die inzichten helpen hen om spelers te trainen in het blijven commu­ni­ceren, ook wanneer het tegenzit.

Het interes­sante is dat Team Liquid hiervoor twee soorten gegevens combi­neert die afzon­der­lijk maar een deel van het verhaal vertellen. De wedstrijd­ge­ge­vens laten zien wat er gebeurde, terwijl de gesprekken meer inzicht geven in de samen­wer­king tussen spelers.

Daarin schuilt ook een les voor bedrijven. Begin met een concrete vraag waarop de beschik­bare rappor­tages nog geen antwoord geven. Onder­zoek vervol­gens welke gegevens je nodig hebt om die vraag te beant­woorden en of het combi­neren van verschil­lende bronnen nieuwe inzichten oplevert. Zo krijgt AI een duide­lijk doel en voorkom je dat je allerlei gegevens verza­melt zonder te weten wat je ermee wilt bereiken.

2. Zorg dat AI de cijfers snapt

Een AI-assis­tent moet weten wat de cijfers precies betekenen. SAP werkt daarom met zogeheten datapro­ducten: gegevens­ver­za­me­lingen waarvan de betekenis, herkomst en gebruiks­re­gels zijn vastge­legd. Huth verge­lijkt ze met legoblokjes die je op verschil­lende manieren kunt combineren.

Bij Team Liquid blijkt waarom die context belang­rijk is. Tijdens de Race to World First in World of Warcraft proberen teams dagen­lang als eerste een reeks moeilijke eindbazen te verslaan. Om de fysieke belas­ting van de spelers in de gaten te houden, gebruikt Team Liquid WHOOP-weara­bles. Iedere ochtend zien coaches in een dashboard hoe goed hun spelers zijn hersteld.

Maar een herstel­score van bijvoor­beeld 60 betekent niet voor iedereen hetzelfde. Persoon­lijke context is cruciaal: de ene speler scoort doorgaans rond de 60, terwijl een ander gemid­deld op 70 zit. SAP houdt daarom rekening met de normale waarden van iedere speler. Zo kunnen coaches zien wanneer iemand opval­lend minder goed herstelt. Ze kunnen dan bijvoor­beeld ervoor kiezen die speler rust te geven.

Voor bedrijven geldt hetzelfde principe. Leg vast wat belang­rijke cijfers precies betekenen, waar ze vandaan komen en hoe ze geïnter­pre­teerd moeten worden. Daarmee voorkom je dat AI correcte gegevens gebruikt, maar daar verkeerde conclu­sies uit trekt.

3. Begin bij de vragen die steeds op het bureau van de analist belanden

Bij Team Liquid beschikken de coaches over enorme hoeveel­heden wedstrijd­ge­ge­vens. Ze willen bijvoor­beeld weten hoe hun spelers presteren of hoe hun conditie zich ontwik­kelt. Voorheen moesten ze voor zulke vragen een analist inscha­kelen. Met SAP’s AI-assis­tent Joule kunnen ze zelf infor­matie opvragen en doorvragen op de antwoorden. Zo kan een coach bijvoor­beeld bekijken hoe fit zijn team is en vervol­gens inzoomen op de herstel­ge­ge­vens van een speci­fieke speler.

Dat bespaart de analisten veel werk. Zij hoeven minder tijd te besteden aan losse infor­ma­tie­ver­zoeken en kunnen zich richten op ingewik­kel­dere analyses. Daar is genoeg behoefte aan. “Je kunt letter­lijk honderd analisten op die data zetten en ze zouden nog steeds werk hebben”, zegt Goossens. In de praktijk beschikt een team volgens hem meestal over een of twee analisten.

De les voor bedrijven: onder­zoek welke vragen medewer­kers regel­matig aan dataspe­ci­a­listen stellen. Waarom kunnen ze die infor­matie niet zelf vinden? Maak juist die gegevens toegan­ke­lijk via AI, zodat medewer­kers zelfstandig antwoorden kunnen vinden en vervolg­vragen kunnen stellen. Daarmee ontlast je de speci­a­listen en benut je hun exper­tise voor analyses die meer verdie­ping vragen.

4. Maak AI-antwoorden controleerbaar

Zelfs als de onder­lig­gende gegevens kloppen, betekent dat nog niet dat medewer­kers de antwoorden van AI zomaar vertrouwen. Ze willen eerst zeker weten dat de infor­matie betrouw­baar is. Volgens Huth moeten ze daarom kunnen contro­leren waar een antwoord vandaan komt.

SAP’s AI-assis­tent Joule laat zien welke gegevens­bron het systeem gebruikt. Medewer­kers kunnen zo de oorspron­ke­lijke cijfers raadplegen en de uitkomst verge­lijken met een vertrouwd dashboard. Huth ziet dat gebrui­kers vooral in het begin van die mogelijk­heid gebruik­maken. Nadat ze een paar keer hebben vastge­steld dat de antwoorden kloppen, neemt de behoefte aan controle af.

De les voor bedrijven is om die controle direct mogelijk te maken. Zorg dat medewer­kers kunnen zien waarop een AI-antwoord is gebaseerd en dat ze bij twijfel gemak­ke­lijk de oorspron­ke­lijke gegevens kunnen raadplegen. Maak ook duide­lijk waar ze terecht­kunnen als cijfers niet overeen­komen. Zo kunnen medewer­kers zelf vaststellen of ze op een antwoord kunnen vertrouwen, zonder daarvoor telkens een dataspe­ci­a­list erbij te halen.

5. Zorg dat AI onderdeel wordt van het dagelijkse werk

Een AI-toepas­sing kan technisch uitste­kend werken en toch niet alle poten­tieel benutten. Dat merkte Team Liquid bij de invoe­ring van de WHOOP-weara­bles. Ongeveer de helft van de World of Warcraft-spelers besloot niet mee te doen aan de biome­tri­sche metingen. Maar zelfs bij de spelers die geen bezwaar maakten, verliep het verza­melen van gegevens niet altijd vlekke­loos. Sommige spelers vergaten simpelweg hun bandje te dragen.

Een van de eerste dashboards liet daarom zien hoe conse­quent de spelers hun wearable gebruikten. Zo kon de staf deelne­mers aanspreken bij wie nog gegevens ontbraken. Het eerste aandachts­punt was dus verras­send praktisch: zorgen dat de techno­logie daadwer­ke­lijk werd gebruikt.

Huth herkent die uitda­ging uit het bedrijfs­leven. Medewer­kers moeten wennen aan nieuwe manieren van werken. Volgens hem vraagt dat om aandacht voor motivatie en het ontwik­kelen van nieuwe gewoonten. Hij noemt gamifi­ca­tion als een mogelijke aanpak.

Zijn advies is om klein te beginnen. “Ik zou niet adviseren om meteen tien toepas­singen te imple­men­teren”, zegt hij. “Begin met de toepas­sing waarin je de meeste waarde ziet en zet van daaruit de volgende stap.”

Daarnaast is het belang­rijk om het effect van de AI-toepas­sing op de werkvloer te monitoren. Gebruiken medewer­kers de toepas­sing op de momenten waarvoor die bedoeld is? Welke drempels ervaren ze? En wat moet er in hun dagelijkse werkwijze veran­deren om er echt voordeel uit te halen? Die inzichten uit de praktijk zijn nodig om de toepas­sing verder te verbe­teren, knelpunten weg te nemen en ervoor te zorgen dat AI medewer­kers daadwer­ke­lijk helpt bij hun werk.

De juiste langetermijnstrategie

De samen­wer­king tussen SAP en Team Liquid laat zien wat zo’n aanpak op langere termijn kan opleveren. In acht jaar groeide een eerste toepas­sing voor wedstrijd­ana­lyses uit tot een platform waarop steeds nieuwe mogelijk­heden worden ontwik­keld. De organi­satie bouwde daarmee niet alleen techni­sche kennis op, maar leerde ook hoe ze nieuwe inzichten in haar werkwijze kan opnemen.

Dat vermogen wordt belang­rijker naarmate AI zich verder ontwik­kelt. De techno­logie van vandaag zal over enkele jaren alweer zijn ingehaald. Organi­sa­ties moeten daarom leren om nieuwe mogelijk­heden voort­du­rend te beoor­delen, uit te proberen en waar nodig hun werkwijze aan te passen. Want de waarde van AI ligt uitein­de­lijk niet in wat de techno­logie allemaal kan, maar in wat mensen er in de praktijk mee weten te bereiken.