AI zonder data is gokken

Waarom datagedreven processen de echte bottleneck zijn

De uitspraak is bekend: “Data is de zuurstof voor AI.” En toch behandelen veel organisaties data nog altijd als bijproduct. Ze investeren in Copilots, agents en slimme modellen, maar laten die draaien op versnipperde spreadsheets, verouderde records en slecht gevulde systemen.

De strategische vraag is dan ook ongemakkelijk simpel:

Zijn we bereid onze processen zo in te richten dat ze AI écht voeden, of laten we AI los op data die daar eigenlijk niet geschikt voor is?

Dat verschil bepaalt of AI structureel waarde levert, of blijft steken in demo’s en pilots.

Datagedreven processen: AI begint vóór de AI

Een datagedreven organisatie ziet data niet als output, maar als fundament van het proces.

Elke processtap:

• creëert data
• gebruikt data
• en doet dat op een consistente manier

Een voorbeeld is herkenbaar: In een datagedreven orderproces staat elke order volledig vastgelegd in Business Central. Velden zijn gevuld, definities zijn eenduidig, statussen zijn betrouwbaar. Voor AI is dit goud. Patronen zijn zichtbaar. Beslissingen zijn herleidbaar. Automatisering is schaalbaar.

Organisaties die hun processen al zo hebben ingericht, hebben nu een enorme voorsprong. Voor hen is AI vaak “de volgende laag”.

AI op onvolwassen data: hetzelfde probleem, sneller verpakt

De realiteit bij veel organisaties is anders. Orders komen binnen via PDF’s. Klantinformatie zit verspreid over CRM, e-mail en Excel. Iedere afdeling hanteert zijn eigen waarheid. In zo’n landschap moet AI eerst doen waar data engineers vaak 80% van hun tijd aan kwijt zijn: opschonen, interpreteren, repareren.

Dat leidt tot twee bekende problemen:

• Garbage in, garbage out
• Veelbelovende AI-initiatieven die in POC-fase blijven hangen

De AI is niet dom, ze krijgt gewoon geen goede input. Het gevolg? Copilots die generieke antwoorden geven. Agents die geen vertrouwen krijgen. En frustratie in plaats van versnelling.

Waarom deze keuze niet meer uitgesteld kan worden

Omdat AI steeds sneller handelt. Elke fout of inconsistentie in data vermenigvuldigt zich razendsnel. Wat vroeger een handmatige correctie was, wordt nu een geautomatiseerde misser. Veel organisaties hebben dat al ervaren: enthousiast generatieve AI loslaten op documenten, om later te ontdekken dat:

• gevoelige data uitlekt
• besluiten gebaseerd zijn op verouderde informatie
• niemand kan uitleggen waar de output op gebaseerd is

Daar komt bij: regelgeving laat geen ruimte meer voor vrijblijvendheid.

Governance en compliance: data is geen technische bijzaak meer

De EU AI Act en de AVG maken één ding duidelijk:

Zonder aantoonbare datakwaliteit en herkomst is AI niet compliant.

Organisaties moeten kunnen verklaren:

• welke data gebruikt is
• waarom die data relevant is
• hoe fouten worden beheerst
• wie verantwoordelijk is

Zonder goede data, documentatie en governance is dat simpelweg niet mogelijk.

Dat betekent vaak:

• datasets anonimiseren
• data centraliseren in governed omgevingen
• expliciet bepalen welke data AI wel en niet mag gebruiken

AI zonder datamanagement is niet alleen risicovol, het kan ook juridisch onhoudbaar worden.

Gevolgen voor procesontwerp

Kiezen voor datagedrevenheid betekent dat processen veranderen. Concreet:

• Klantinteracties worden altijd vastgelegd in CRM
• Labels, categorieën en statusvelden worden verplicht
• Medewerkers worden getraind op datakwaliteit, niet alleen op snelheid

Soms betekent het zelfs dat je eerst nieuwe data gaat verzamelen. Denk aan sensoren, logging, of aanvullende datapunten die er simpelweg nog niet waren.

Doe je dat niet, en zet je AI toch breed in, dan ontstaat een ander patroon:

• Permanente data cleaning
• Shadow spreadsheets
• AI‑oplossingen die “theoretisch” werken, maar praktisch genegeerd worden

En daarmee verdwijnt het momentum.

Data-eigenaarschap: van IT-probleem naar organisatievraag

Misschien wel de grootste omslag zit hier:

Data is niet van IT. Data is van het proces.

Dat vraagt nieuwe verantwoordelijkheden:

• Wie is eigenaar van klantdata?
• Wie bewaakt productdata?
• Wie is aanspreekbaar op datakwaliteit?

Steeds vaker zie je daarom:

• Data owners in de business
• Data stewards per domein
• KPI’s op datakwaliteit, niet alleen op output

Dat lijkt bureaucratisch, maar zonder dit fundament stort AI vroeg of laat in.

Bestuurlijke implicaties: investeren in onzichtbare infrastructuur

Voor bestuurders is dit een lastig verhaal. Dataprojecten leveren zelden direct klantimpact op. Ze zijn duur, tijdrovend en weinig sexy. Maar ze zijn randvoorwaardelijk.

Organisaties die data net zo serieus beheren als financiën, met audits, kwaliteitsscores en dashboards, bouwen een structureel voordeel op.

Dat vraagt harde keuzes:

• Budget voor data opschoning
• Incentives voor correcte data-entry
• Heldere policies over extern AI‑gebruik

En soms ook strategische investeringen: inkoop van externe datasets als die intern ontbreken. Dit zijn geen IT-keuzes. Dit zijn bestuurskeuzes.

Tot slot

AI is geen magische oplossing voor slechte processen. Ze vergroot wat er al is. Goede data maakt AI exponentieel slimmer. Slechte data maakt AI exponentieel gevaarlijker.

De organisaties die dit nu onderkennen en hun processen data gedreven inrichten, zorgen dat hun AI elke dag beter wordt. De rest blijft hangen in pilots, en vraagt zich af waarom het bij hen niet lukt. Data is de zuurstof voor AI. En zonder zuurstof houdt zelfs de slimste AI het niet lang vol.

Dit blog is een co-creatie van Rob en zijn Copilot. AI is inmiddels volledig onderdeel van zijn dagelijkse werk. Gebaseerd op een uitgebreider artikel, vertaald naar een praktisch en toepasbaar verhaal.