Waarom AI pas werkt als je datafundament klopt

AI staat bovenaan elke directieagenda. Toch lopen de meeste projecten al na de eerste pilot vast. De reden ligt zelden bij de techniek. Die is beter dan ooit. Het probleem zit eronder, in de data en in de manier waarop je organisatie werkt.

In de eerste aflevering van De Dataleiders praat Bas Haarhuis hierover met Stef Comello, Managing Director van Climber Benelux. Dit artikel vat de kern samen en geeft je een concreet startpunt voor morgen.

Het hoofdinzicht vooraf. AI werkt pas als je datafundament op orde is. Niet de tool bepaalt het resultaat, maar de kwaliteit van de data die eronder ligt en het vertrouwen van de mensen die ermee werken.

Waarom mislukken zoveel AI-projecten?

De meeste AI-projecten stranden, omdat organisaties bij de tool beginnen in plaats van bij het fundament. Een goede start vraagt eerst om betrouwbare data en een datagedreven manier van werken.

De druk om iets met AI te doen komt van buiten. De grote techbedrijven brengen in hoog tempo indrukwekkende dingen uit. De media staan er vol mee. Concurrenten roepen dat ze al bezig zijn. Dat voelt als een startpunt, maar dat is het niet.

Een AI-toepassing werkt alleen als het fundament klopt. Daarmee bedoelen we twee dingen. Een dataplatform waar je cijfers op orde zijn. En een organisatie die datagedreven werkt, met de juiste cultuur, mensen en processen. Dat tweede deel slaan veel organisaties over.

Veel bestuurders denken dat het vanzelf goed komt. Je koppelt ChatGPT, Claude of Gemini aan je data en klaar. Maar dan mist het model de context. Het kent je definities niet. Het heeft geen gevoel bij hoe het werk echt loopt.

Wat gaat er mis als je datakwaliteit niet klopt?

Bij slechte datakwaliteit geeft AI model een overtuigend antwoord dat fout is. Het model heeft geen gevoel voor welke cijfers kloppen, wat de context is en geef een eigen interpretatie op basis  “rommel”

Stel dat 70 procent van je data klopt. De andere 30 procent is rommel.

Als jij zelf met die data werkt, weet je meestal het verschil. Je weet welke cijfers je vertrouwt en welke niet. Dat verschil, de context en de kennis zitten in je hoofd en niet standaard in het systeem. Je bent onderdeel van het proces en je co-creëert het antwoord op je eigen vraag. Hoe is mijn omzet bij deze klant? Hoeveel marge maak ik op dit product?

Een AI model heeft die kennis en context niet standaard. Het is een wiskundig model dat werkt met de context die jij het geeft. Het kijkt naar je hele dataset, alle 100 procent. En jij weet niet uit welk deel het zijn antwoord haalt. Misschien wel volledig uit die 30 procent rommel.

Het antwoord komt er bovendien heel overtuigend uit. Nette bewoordingen, een logisch verhaal eromheen. Alleen klopt het niet. En daar gaat het mis. Want op zo’n antwoord neem je een besluit. Je past een forecast aan. Je stuurt op iets wat de data eigenlijk niet vertelt.

Waarom is vertrouwen belangrijker dan de tool?

Vertrouwen is de echte basis onder elke AI-toepassing. Zonder een gedeelde waarheid in je data twijfelen mensen aan de uitkomst en haken ze af.

Wat je vaak ziet, is een verzameling losse tools. Een AI-chatbot bij sales. Een test met Copilot binnen HR. Een tool die offertes en verslagen opstelt. Stuk voor stuk nuttig. Maar er ligt geen gedeelde laag onder. Geen centrale waarheid.

Dan merk je al snel dat die pilots falen. Het vertrouwen verdwijnt. En dat is het echte risico. Want zodra het vertrouwen weg is, krijg je de organisatie maar moeilijk terug in beweging. Mensen willen dan niet meer voortbouwen op de nieuwe techniek.

Werk je wel aan een gedeelde basis, dan keert het tij. KPI’s die helder zijn. Dashboards die kloppen. AI-antwoorden die elkaar niet tegenspreken. Dan maakt het niet meer uit, uit welk deel van je data het model kiest. Het pakt altijd de data in de context van de organisatie.

Hoe word je datavolwassen zonder jaren te wachten?

Begin klein met één use case die direct impact heeft op een besluit of proces. Bouw daar vertrouwen op en laat het succes zich verspreiden, in plaats van alles tegelijk te willen.

Veel directeuren en managers zeggen hetzelfde. Ik wil er morgen mee beginnen. Logisch. Maar dan komt het advies dat je eerst je hele datahuishouding perfect moet maken. En dat duurt jaren.

Beide uitersten kloppen niet. Wachten op perfecte data is een illusie. Die dag komt nooit. Maar in één keer je hele organisatie omgooien werkt net zo min.

De middenweg is klein beginnen. Pak één onderdeel van je organisatie. Kies een vraagstuk waar je snel waarde uit haalt. Zorg dat de data daar klopt, dat de processen kloppen en dat de mensen meegaan in de verandering.

Want zodra het werkt, gebeurt er iets. Mensen raken vanzelf gemotiveerd om nieuwe toepassingen te zoeken. Het verspreidt zich als een olievlek. En je laat meteen zien wat het oplevert.

Belangrijk daarbij. Het gesprek mag geen technisch gesprek worden. De techniek is ondergeschikt aan waar je met de organisatie naartoe wilt. Het zijn de mensen en de processen die je bedrijf maken tot wat het is. Stel dus zakelijke vragen. Welke besluiten wil je slimmer maken? Wil je beter voorspellen? Wil je je voorraad slimmer beheren? Zulke vragen brengen je stap voor stap hoger op de ladder van datavolwassenheid.

Wil je weten waar jouw organisatie nu staat? Doe de datavolwassenheidsscan op scan.climber.nl. In een paar minuten zie je waar je staat op data, besluitvorming, AI en datagedreven leiderschap. En je ziet welke vervolgstap de meest logische is.

Waar begin je morgen?

Kies één proces en leg de digitale registratie naast de echte praktijk. Daar zie je waar je datakwaliteit hapert, technisch en functioneel.

Er zijn twee soorten datakwaliteit.

De eerste is technisch. Kloppen de velden? Heeft elk e-mailadres een apenstaartje? Heeft elk telefoonnummer het juiste aantal cijfers? De meeste systemen dwingen die regels al af. Belangrijk, maar het makkelijke deel.

De tweede is functioneel. Daar zit de echte winst. Klopt je digitale waarheid met wat er in de praktijk gebeurt? Een paar voorbeelden uit de aflevering. Een order heeft de status afgerond, maar onderdelen zitten nog in een heel andere fase. Een factuur is verstuurd voordat de order klopte. Of de order is allang afgemeld, terwijl de factuur nog niet eens is gemaakt.

Dat zie je niet aan een veld. Dat zie je alleen als je het proces doorloopt met de mensen die er elke dag in werken. Daar ligt je startpunt. Kies één proces. Leg de registratie naast de echte gang van zaken. En kijk waar ze uit elkaar lopen.

In sommige organisaties zetten we AI juist hiervoor in. Niet om voorspellingen te doen, maar om checks uit te voeren en de datakwaliteit in een proces te verbeteren. Bij organisaties die verder zijn, bouwen we agents die de data bevragen en suggesties genereren. Ook dan blijft de vraag dezelfde. Kloppen de cijfers? Zijn de bronnen op orde? Dat vertrouwen bepaalt of je verder komt.

De kern in het kort

AI faalt zelden door de techniek. Het faalt door een zwak datafundament en door een gebrek aan vertrouwen. Twee dingen bepalen je succes. Vertrouwen in je proces en je organisatie. En vertrouwen in de data die dat proces ondersteunt. Heb je dat op orde, dan kun je de nieuwste technieken inzetten en er echt waarde uit halen.

Wil je weten waar jouw organisatie nu staat? Doe de datavolwassenheidsscan op scan.climber.nl. In een paar minuten zie je waar je staat op data, besluitvorming, AI en datagedreven leiderschap. En je ziet welke vervolgstap de meest logische is.

Liever eerst luisteren? Beluister de eerste aflevering van De Dataleiders, het gesprek tussen Bas Haarhuis en Stef Comello waar dit artikel op is gebaseerd.