Opwinding in de boardrooms. AI belooft organisaties fundamenteel te veranderen, en doet dat in sommige gevallen al. Digitale breinen analyseren in seconden grote hoeveelheden data, herkennen patronen en beantwoorden complexe businessvragen.
AI laat ons beter beslissen, vooruitkijken en sneller te reageren op veranderingen. Die belofte voelt als een felrode Ferrari voor de deur…
De mythe van de PK’s
Maar wie goed kijkt, ziet al snel waar het misgaat. De sportwagen (uiteraard door mij AI-gegenereerd) is snel, duur en technisch indrukwekkend, maar staat muurvast. De weg is kapot, het landschap leeg. Hulp is nergens te bekennen. Het probleem zit niet in de auto, maar in de omstandigheden.
Desondanks blijven veel organisaties zoeken naar meer intelligentie. Grotere modellen. Meer parameters. Hogere ‘horsepower’. De onderliggende aanname is hardnekkig: als de AI slimmer wordt, volgt de waarde vanzelf. Waar zullen we ons verder over drukmaken?
Nu, de werkelijkheid is aanzienlijk minder spectaculair. De meeste AI-modellen zijn absoluut krachtig genoeg. Wat ontbreekt, zit zelden in de motor. Het zit in wat je de enterprise plumbing kunt noemen: het onzichtbare leidingwerk van de organisatie. En daar bedoel ik mee: het fundament onder de (slimme) technologie.
Data is de flessenhals
Het probleem zit zelden in de zichtbare applicaties of slimme modellen, maar in alles wat daaronder ligt, en meestal pas opvalt als het ontbreekt. Dit is geen mening, dit is wat we overal zien en wordt bevestigd uit onafhankelijk onderzoek. Zo voorspelt Gartner dat meer dan 40 procent van de agentic AI-projecten vóór eind 2027 wordt stopgezet, niet vanwege de technologie zelf, maar door tekortkomingen in data, organisatie en governance. Hier is de bron. Ook onderzoek van Enterprise Technology Research (ETR) wijst in die richting: data is (altijd) de flessenhals.
Die flessenhals zit op een beperkt aantal, steeds terugkerende punten:
1. Datakwaliteit, beschikbaarheid en toegankelijkheid
Zonder betrouwbare data ontstaan onbetrouwbare uitkomsten. Lage kwaliteit ondermijnt vertrouwen, ontbrekende data beperkt de toepasbaarheid en gesloten systemen maken gebruik onmogelijk. Voor AI geldt dit sterker dan voor welke technologie ook: garbage in, garbage out.
2. Integratie
AI levert pas waarde als data uit verschillende systemen samenkomt. In veel organisaties staat klantdata los van operatie, financiën of logistiek. Zonder samenhang blijven inzichten fragmentarisch en is AI hooguit lokaal slim, maar organisatiebreed ineffectief. AI kan pas waarde leveren als systemen daadwerkelijk met elkaar praten.
3. Vaardigheden en governance
Ook met goede data en integratie is succes niet vanzelfsprekend. AI vraagt om nieuwe vaardigheden en duidelijke afspraken. Wie is verantwoordelijk voor de uitkomst? Hoe borgen we privacy en ethiek? Zonder governance wordt AI geen versneller, maar een risico.
Eerst het fundament, dan pas meer technologie
Voordat je investeert in krachtigere modellen of duurdere AI-abonnementen, is het verstandig om eerst stil te staan bij vragen als:
- Is onze data betrouwbaar en bruikbaar?
- Is data beschikbaar op het moment dat beslissingen worden genomen?
- Kunnen systemen daadwerkelijk met elkaar praten?
- Weten mensen hoe ze AI moeten inzetten?
- Zijn eigenaarschap en governance helder geregeld?
Zolang deze basis ontbreekt, blijft AI een belofte zonder rendement.
Conclusie
De grootste uitdaging bij AI-implementatie zit niet in de technologie zelf, maar in de infrastructuur eromheen. Mijn advies:
Stop met het blind najagen van steeds slimmere oplossingen.
Werk eerst aan het fundament.
Pas dan kan AI — en elke andere vorm van data-analyse — echt laten zien wat hij waard is.
Voor organisaties die dit herkennen, helpen we om het fundament stap voor stap op orde te brengen: van inzicht en prioritering tot concrete vervolgstappen of een check op de kwaliteit van je data. En wil je weten hoe je datavolwassen je organisatie is? Doe onze QuickScan en ontvang na afloop ontvang je een helder profiel, met aandacht voor waar je nu staat én wat een logische volgende stap kan zijn.
Veelgestelde vragen over AI en goede data
Omdat AI afhankelijk is van data die betrouwbaar, beschikbaar en goed ontsloten is. In veel organisaties is data versnipperd, van wisselende kwaliteit of lastig toegankelijk, waardoor AI wel slim is, maar niet effectief kan worden ingezet.
Goede data is data die klopt, actueel is en in context kan worden gebruikt. Dat betekent: duidelijke definities, consistente bronnen, voldoende historische diepgang en toegang op het juiste moment voor de juiste mensen of systemen.
Vooral dat laatste. De grootste knelpunten: eigenaarschap, integratie tussen systemen, governance en vaardigheden. AI maakt (pijnlijk) zichtbaar waar organisaties nog niet volwassen omgaan met data.
Nee. Moderne AI-modellen zijn al krachtig, maar slechte of onvolledige data leidt onvermijdelijk tot onbetrouwbare uitkomsten. Dus laat je niet foppen.
Door niet klakkeloos te beginnen bij tools, maar bij de vraag hoe data wordt gebruikt in besluitvorming. Inzicht in datakwaliteit, integratie, governance en gebruik geeft een realistischer beeld van AI-rijpheid dan welke demo ook.
