Waarom AI-projecten vastlopen op data
Een AI-pilot is vaak snel gebouwd. Een assistent die vragen beantwoordt over omzet, klanten of beleid lijkt in een demo indrukwekkend. Maar zodra medewerkers er echt mee gaan werken, komen de problemen boven: antwoorden die net niet kloppen, cijfers die afwijken van het dashboard of informatie die iemand eigenlijk niet had mogen zien.
Het probleem zit dan zelden in het AI-model. Het zit in de data eronder. AI versterkt wat er al is: goede data levert goede antwoorden op, rommelige data levert overtuigend klinkende fouten op.
- Versnipperde bronnen: data staat verspreid over systemen, Excel-bestanden en SharePoint, zonder één betrouwbare bron.
- Geen eenduidige definities: wat is “omzet” of een “actieve klant”? Als afdelingen daar verschillend over denken, weet AI het ook niet.
- Ontbrekende context: AI ziet tabellen en kolommen, maar niet wat ze betekenen voor jouw organisatie.
- Onduidelijke toegangsrechten: zonder goede autorisatie kan AI informatie tonen aan mensen die er geen toegang toe hebben.
Wat is AI-ready data?
AI-ready data is data die betrouwbaar, begrijpelijk en veilig beschikbaar is voor AI-toepassingen. Dat gaat verder dan een goed datawarehouse. Naast de data zelf heeft AI ook de context nodig: wat betekent een veld, hoe hangen gegevens samen en wie mag wat zien?
In vier stappen naar AI-ready data
1. Breng je data samen op één platform
Begin met een centraal dataplatform, bijvoorbeeld op Microsoft Fabric of Databricks. Daar komt data uit je verschillende systemen samen, wordt het opgeschoond en blijft het actueel. Zo werken AI en je dashboards met dezelfde cijfers.
2. Leg betekenis, context en relaties vast
Een AI-model ziet in je data in eerste instantie alleen tabellen, kolommen en getallen. Of “klant” in je CRM hetzelfde is als “debiteur” in je boekhouding, weet het niet. Daarvoor heeft AI een ontologie nodig: een vastgelegde beschrijving van de begrippen in je organisatie en hoe die met elkaar samenhangen.
- Begrippen en definities: wat is een klant, een contract of een actieve medewerker? Eén definitie voor de hele organisatie.
- Relaties: een klant heeft contracten, een contract hoort bij een product en een product valt onder een afdeling. Door die verbanden kan AI vragen beantwoorden die over meerdere bronnen gaan.
- Bedrijfsregels en berekeningen: hoe bereken je omzet, welke periode telt mee en wanneer is een klant vertrokken?
- Synoniemen: “relatie”, “debiteur” en “klant” kunnen hetzelfde betekenen. AI moet dat weten om je vraag goed te begrijpen.
Hoe interpreteert AI dat? Stel dat een medewerker vraagt: “Welke klanten hebben dit kwartaal minder afgenomen dan vorig jaar?” Het model vertaalt die vraag naar de begrippen en relaties in je ontologie: waar staan de klanten, hoe zijn ze gekoppeld aan orders en wat betekent “afnemen” precies. Met goede context kiest AI de juiste bronnen en berekeningen. Zonder context gaat het gissen, en dan krijg je antwoorden die logisch klinken maar niet kloppen.
Deze context leggen we vast in het semantische model en de metadata van je dataplatform, bijvoorbeeld in Microsoft Fabric of Databricks. Zo staat hij op één plek, direct bij de data.
3. Regel de toegang vooraf
AI mag nooit een sluiproute worden naar gevoelige informatie. Met autorisatie op basis van dataclassificatie en rollen ziet een medewerker via AI alleen wat hij ook zonder AI mag zien. Meer hierover lees je in onze blog over autorisatie op basis van dataclassificatie.
4. Maak je data bevraagbaar
Als het fundament staat, kun je je data ontsluiten voor AI. Bijvoorbeeld via Microsoft 365 Copilot, zodat medewerkers in Teams of Outlook in gewone taal vragen stellen aan je eigen data. Of via koppelingen met het Model Context Protocol (MCP), zodat AI-agents veilig met je systemen kunnen werken.
Context één keer vastleggen, niet per AI-oplossing
Veel organisaties lossen ontbrekende context op in de AI-toepassing zelf. Elke assistent of agent krijgt een lange set instructies mee: wat betekent welke kolom, hoe bereken je omzet en welke uitzonderingen gelden er. Voor één pilot werkt dat, maar al snel loop je tegen de nadelen aan.
- Dubbel werk: voor elke nieuwe AI-oplossing schrijf je dezelfde uitleg opnieuw.
- Tegenstrijdige antwoorden: zijn de instructies per toepassing net anders, dan geven twee AI-assistenten op dezelfde vraag een ander antwoord.
- Lastig te onderhouden: verandert een definitie, dan moet je alle instructiesets langs. Vergeet je er één, dan werkt die AI met verouderde regels.
- Minder betrouwbaar: hoe langer de instructies, hoe groter de kans dat een model onderdelen over het hoofd ziet of verkeerd toepast.
- Hogere kosten en tragere antwoorden: lange instructies gaan bij elke vraag opnieuw mee naar het model.
Leg je de context één keer vast bij je data, dan gebruikt elke AI-toepassing dezelfde betekenis. De instructies van een AI-oplossing blijven kort en gaan over de taak, niet over de betekenis van je data. Zo bouw je nieuwe toepassingen sneller, zijn de antwoorden consistent en voer je een wijziging op één plek door.
Begin klein, maar begin met het fundament
Je hoeft niet eerst al je data perfect te hebben voordat je met AI begint. Kies één use case met duidelijke waarde, maak precies de data die daarvoor nodig is AI-ready en breid van daaruit uit. Elke volgende toepassing bouwt voort op hetzelfde fundament en gaat daardoor sneller.
Bij Danetics combineren we dataplatformen en AI. We maken je data AI-ready en beheren het geheel op het Danetics AI Platform, zodat je organisatie veilig en verantwoord AI-gedreven kan werken. Benieuwd waar jij het beste kunt beginnen? Neem contact met ons op.
