Van Mensen naar Agents: Waarom AI om een ander datafundament vraagt

In het tijdperk van AI beginnen steeds meer organisaties te beseffen wat hun echte goudmijn is: hun eigen data. Niet als statische grondstof voor een managementrapportage, maar als de dynamische context die een bedrijf uniek maakt. Jaren aan transacties, beslissingen, klantgedrag en opgebouwde vakkennis vormen een bezit dat geen enkele concurrent kan kopiëren. Het generieke AI-model is immers voor iedereen gelijk en overal in te kopen; het werkelijke onderscheidend vermogen ontstaat pas wanneer dat model wordt gevoed met de data van de eigen organisatie. Dán ontstaat contextuele intelligentie, en daar ligt de ware belofte van AI.

Dat besef heeft zich inmiddels vertaald in een consensus die door menige bestuurskamer gonst: de toegevoegde waarde van AI wordt direct bepaald door de kwaliteit van het datafundament. Maar de cruciale vraag blijft vaak ongesteld: wie bepaalt hoe goed die kwaliteit is? Is dat de mens die er van oudsher naar kijkt, of de AI-agent die ermee moet werken?

Waarom bedrijven nu in hun datafundament investeren

"Iedereen weet inmiddels dat het om de data gaat. Bijna niemand vraagt welke data, en voor wie."

Onderzoek van MIT (2025) laat zien dat ongeveer 95% van de bedrijven die generatieve AI inzetten, nog geen meetbaar rendement behaalt. De oorzaak ligt opvallend genoeg niet bij de grote taalmodellen zelf, maar bij het onvermogen van deze systemen om bedrijfseigen context vast te houden en zich daaraan aan te passen. De conclusie is onontkoombaar: de bottleneck zit niet in de AI, maar in de onderliggende bedrijfsdata.

Het gevolg is direct zichtbaar in budgetallocaties. Mede aangespoord door dwingende regelgeving zoals de NIS2-richtlijn en de AI Act, grijpen bedrijven dit moment aan om hun datafundament en datagovernance in één adem op orde te brengen. Investeringen die voorheen naar geïsoleerde AI-experimenten en losse tools vloeiden, verschuiven nu naar de basis: data opschonen, centraliseren en beveiligen.

Vrijwel elke organisatie streeft momenteel naar hetzelfde ideaal van "AI-ready" data: schoon, gestructureerd, ondergebracht in een moderne architectuur en voorzien van strakke governance. Die eigenschappen zijn niet verkeerd, maar ze weerspiegelen het product van decennia waarin data uitsluitend werd geprepareerd voor analyse en rapportage door ménsen. Nu de mens niet langer de enige lezer is, moeten we onszelf confronteren met een nieuwe realiteit: maken we deze data eigenlijk klaar voor een medewerker met een dashboard, of voor een machine die ermee moet interacteren?

AI-ready data is (nu nog) gedefinieerd voor de menselijke lezers

Wat klaar is voor een dashboard, is nog niet klaar voor een AI-agent. Het huidige data- en IT-landschap rust grofweg op twee pijlers: het razendsnel verwerken van operationele transacties (OLTP) en het analyseren daarvan via vaste structuren in datawarehouses of lakehouses (OLAP). Beide architecturen zijn ontworpen om efficiënt antwoord te geven op vooraf bedachte vragen. Dat werkt uitstekend voor business intelligence en traditionele, voorspellende algoritmes, maar het levert zelden de structuur op waarmee een autonome AI-agent direct uit de voeten kan.

Een AI-agent werkt namelijk fundamenteel anders. Waar een dashboard passief getallen aggregeert, haalt een agent real-time informatie op, onthoudt deze context, redeneert en onderneemt vervolgens actie. Daarvoor heeft de agent betekenis nodig die expliciet en machineleesbaar is vastgelegd. Om die context veilig te ontsluiten, met strikt gecontroleerde toegang tot de juiste bronnen, is een nieuwe, semantische datalaag nodig.

Aanvullen, niet afbreken

Het goede nieuws is dat het bestaande IT- en datafundament niet met de grond gelijk hoeft te worden gemaakt; het moet worden aangevuld. Daarin schuilt een enorm voordeel voor organisaties die hun basis al redelijk op orde hebben. De transitie naar écht AI-ready systemen vraagt om een gerichte architectuur-upgrade, gebouwd op drie cruciale pijlers:

• Van platte tabellen naar een Knowledge Graph: Een semantische laag is niet nieuw, maar AI fungeert als een genadeloze röntgenfoto voor de kwaliteit ervan. Waar een collega interpretatieverschillen intuïtief overbrugt, loopt een AI-agent direct vast op tegenstrijdige data. De architectuur moet daarom evolueren naar een Knowledge Graph. Zie het als een digitaal organigram: het slaat niet alleen de losse gegevens op, maar maakt ook de onderlinge logica en betekenis van data direct begrijpelijk voor een machine.
• De spelregels: Metadata is weer 'king': Als de Knowledge Graph de wegenkaart is, is de metadata de set met verkeersborden. Vroeger was metadata een naslagwerk voor analisten. Voor een AI-agent is het ineens de afstandsbediening. In plaats van een kolom simpelweg te labelen als 'omzet', moet de metadata de machine nu letterlijk instrueren: "Als iemand naar de maandelijkse omzet vraagt, gebruik dan altijd dit veld exclusief btw, en negeer tabel X." Dit maakt van centrale data-governance de letterlijke spelregels voor hoe AI antwoord geeft.
• De executie: van passief meekijken naar autonoom en veilig ingrijpen: Waar een dashboard passief terugkijkt, handelt een agent in het nu. Dit vraagt om real-time datastromen en bidirectionele API-integraties met bronsystemen (zoals ERP of CRM). Zodra een agent autonoom records gaat wijzigen, ontstaat er een compleet nieuwe security-uitdaging: Identity & Access Management (IAM) voor machines. De autorisaties en veiligheidsmarges (guardrails) van een handelende AI moeten waterdicht in het systeem worden verankerd.

Vragen voor de bestuurskamer

De marktleiders van morgen zullen zich niet onderscheiden door de taalmodellen die zij inkopen, maar door de robuustheid en precisie waarmee zij hun eigen bedrijfslogica machine-leesbaar hebben gemaakt. Daarvoor moet het gesprek op C-level zich verplaatsen van de verkennende vraag: "Kunnen wij AI inzetten?" naar het structurele vraagstuk: "Hoe dient onze organisatie AI, en is ons fundament écht AI-ready om er zoveel mogelijk waarde uit te halen?" De volgende strategische vragen bieden een startpunt voor die dialoog:

• Voor wie bouwen we ons fundament? Gaan onze investeringen in data nog steeds voornamelijk naar het bouwen van betere dashboards en rapportages voor onze medewerkers? Of besteden we inmiddels ook expliciet budget aan het 'leesbaar' maken van diezelfde data voor een AI? En wie is daar nu eigenlijk eindverantwoordelijk voor?
• De vertrouwensvraag: Als we een AI vandaag de bevoegdheid geven om zelfstandig acties uit te voeren op basis van onze huidige bedrijfsdata, waar gaat het dan als eerste mis? Hebben we de datakwaliteit en security écht goed genoeg op orde om een machine blind te vertrouwen, en wat heeft IT nodig om dat risico veilig af te dekken?
• Waar zit onze werkelijke bedrijfskennis? Hoeveel van de ongeschreven regels, definities en context die ons bedrijf uniek maakt, zitten uitsluitend nog in de hoofden van medewerkers in plaats van in onze systemen? Zolang die kennis niet in het systeem is vastgelegd, blijft elke AI generiek. Hoe gaan we die kennis structureel borgen?