Succesvolle AI begint niet bij technologie

dan alleen data

Veel organisaties investeren momenteel in moderne dataplatformen en brengen gegevens uit verschillende systemen samen. Toch werd tijdens verschillende sessies benadrukt dat een datalake of datawarehouse op zichzelf nog geen garantie is voor succesvolle AI.

Om waardevolle antwoorden te kunnen geven, moet AI namelijk begrijpen waar gegevens vandaan komen en wat ze betekenen. Wanneer meerdere systemen bijvoorbeeld informatie bevatten over klanten, producten of contracten, moet helder zijn welke bron leidend is en hoe gegevens geïnterpreteerd moeten worden.

Dat klinkt misschien logisch, maar in de praktijk blijkt dit voor veel organisaties een uitdaging. Data is vaak wel beschikbaar, maar de context ontbreekt. Juist daarom worden onderwerpen als data-eigenaarschap, governance en duidelijke definities steeds belangrijker. Niet alleen voor medewerkers, maar ook voor de manier waarop AI-systemen gegevens interpreteren.

tot alles perfect is

Tegelijkertijd zagen we ook een andere interessante ontwikkeling. Veel organisaties lijken nog steeds te wachten op het moment waarop hun data volledig op orde is voordat ze met AI experimenteren. Tijdens de beurs werd juist benadrukt dat dit vaak niet nodig is.

De meeste waarde ontstaat door klein te beginnen. Kies een concreet proces of vraagstuk, formuleer vooraf wat succes betekent en kijk vervolgens eerlijk naar de uitkomsten. Daarmee ontstaat niet alleen inzicht in de technologie, maar vooral ook in de manier waarop medewerkers ermee werken.

Perfecte data bestaat namelijk zelden. Belangrijker is dat de beschikbare informatie voldoende betrouwbaar is om betere beslissingen te nemen. Organisaties die durven leren in kleine stappen blijken vaak sneller vooruit te gaan dan organisaties die blijven wachten op het ideale vertrekpunt.

geen project met een einddatum

Een ander thema dat regelmatig terugkwam, was de opkomst van AI-agents. Daarbij ontstond een interessant inzicht. Veel organisaties benaderen een AI-agent nog als een traditionele software-implementatie: bouwen, testen, opleveren en klaar.

De praktijk blijkt anders. Een AI-agent moet continu worden verbeterd. Gebruikers komen nieuwe situaties tegen, processen veranderen en er ontstaat nieuwe informatie waarop de agent moet reageren. Het echte werk begint daarom vaak pas nadat een eerste versie live is gegaan.

Een uitspraak die daarbij bleef hangen was: “Behandel AI als een collega, niet als software.” Net zoals een nieuwe collega tijd nodig heeft om een organisatie te leren kennen, geldt dat ook voor AI. Feedback, begeleiding en duidelijke verwachtingen zijn essentieel om vertrouwen op te bouwen en de kwaliteit verder te verbeteren.

als iemand er iets mee doet

Als we kijken naar de ontwikkeling van data binnen organisaties, zien we een vergelijkbaar patroon. Steeds meer bedrijven beschikken over dashboards, rapportages en analyses. De techniek om inzichten zichtbaar te maken is vaak aanwezig.

Daar stopt het echter regelmatig.

Een dashboard kan perfect laten zien waar een probleem zit, maar lost het probleem niet op. De echte waarde ontstaat pas wanneer inzichten worden omgezet in acties. Wie pakt eigenaarschap? Welke prioriteit krijgt een signaal? En hoe wordt het resultaat vervolgens gemeten?

Datagedreven werken gaat daarom niet alleen over data verzamelen of rapporteren. Het gaat vooral over de vraag hoe inzichten worden gebruikt om betere keuzes te maken. Uiteindelijk zijn het mensen die bepalen of data daadwerkelijk impact heeft.

ook een managementvraagstuk

Dat brengt ons bij misschien wel de belangrijkste conclusie van de Data Expo. Data en AI kunnen niet uitsluitend de verantwoordelijkheid zijn van specialisten. Natuurlijk spelen BI-consultants, data engineers en AI-specialisten een belangrijke rol, maar zij kunnen niet zelfstandig bepalen welke informatie voor een organisatie het meest relevant is.

Daarvoor is betrokkenheid vanuit management en business nodig. Welke KPI’s zijn echt belangrijk? Welke processen verdienen aandacht? En welke inzichten moeten leiden tot actie?

Hoe beter het gesprek tussen de mensen die data beschikbaar maken en de mensen die beslissingen nemen, hoe groter de kans dat investeringen in data en AI daadwerkelijk resultaat opleveren. Juist op dat vlak wordt het verschil gemaakt tussen organisaties die technologie inzetten als experiment en organisaties die er daadwerkelijk waarde mee creëren.