Juist wanneer je generatieve AI opschaalt, worden problemen met datakwaliteit en data governance zichtbaar die tijdens een pilot nog beheersbaar lijken. Verouderde documenten, verschillende definities en onduidelijk eigenaarschap hebben direct invloed op de betrouwbaarheid van AI-antwoorden.
Dat raakt ook de businesscase. Als medewerkers snel een antwoord krijgen, maar vervolgens veel tijd kwijt zijn om te controleren of het klopt, verdwijnt een belangrijk deel van de verwachte tijdwinst.
In dit artikel lees je waarom AI bestaande dataproblemen blootlegt en welke drie datavragen belangrijk zijn om AI betrouwbaar van pilot naar praktijk te brengen.
TL;DR
AI is zo betrouwbaar als de informatie waarop het steunt. Bij opschaling worden problemen met verouderde informatie, inconsistente definities en onduidelijk eigenaarschap snel zichtbaar. Drie zaken zijn daarom essentieel: duidelijk eigenaarschap, herleidbare informatie en structurele aandacht voor datakwaliteit.
Waarom dataproblemen zichtbaar worden als je AI opschaalt
Een eerste AI-toepassing is tegenwoordig relatief snel opgezet. Organisaties experimenteren met Copilot, koppelen taalmodellen aan interne documenten of ontwikkelen een AI-assistent voor een specifiek proces.
Binnen een afgebakende pilot kan dat goed werken. De echte test begint wanneer je meer gebruikers, databronnen en processen aansluit.
Dan blijkt bijvoorbeeld dat marketing en finance verschillende definities van een 'actieve klant' gebruiken. Of dat meerdere versies van hetzelfde document in SharePoint staan. Klanten of assets blijken in verschillende systemen anders geregistreerd en van sommige databronnen is niet duidelijk wie ervoor verantwoordelijk is.
Mensen kunnen zulke inconsistenties vaak interpreteren. Ze weten uit ervaring welk document actueel is of welke definitie hun afdeling gebruikt. AI heeft die context niet vanzelf.
Zo wordt een AI-project onbedoeld een stresstest voor je datafundament.
Waarom een overtuigend AI-antwoord nog steeds fout kan zijn
Het principe garbage in, garbage out is niet nieuw. Generatieve AI maakt de gevolgen ervan wel zichtbaarder.
Een AI-systeem kan verouderde of incorrecte informatie verwerken tot een overtuigend antwoord, zonder dat voor de gebruiker direct zichtbaar is dat de onderliggende bron onbetrouwbaar is. Dat wordt belangrijk zodra medewerkers AI gebruiken voor klantadvies, onderhoud, analyses of besluitvorming.
Dat slechte datakwaliteit een obstakel vormt bij het opschalen van generatieve AI, zien we ook terug in onderzoek. Gartner rapporteerde begin 2026 dat eind 2025 minstens 50% van de generatieve AI-projecten na de proof-of-conceptfase was stopgezet. Als oorzaken noemt Gartner onder meer slechte datakwaliteit, onvoldoende risicobeheersing, oplopende kosten en onduidelijke businesswaarde.
Ook ongestructureerde data verdient aandacht. Harvard Business Review benadrukt het belang van bedrijfseigen informatie zoals e-mails, documenten, contracten en SharePoint-bestanden voor de waarde die generatieve AI kan leveren.
Datakwaliteit gaat dus niet alleen over databases. Ook bij documenten moet duidelijk zijn welke versie actueel is, wie verantwoordelijk is voor de inhoud en welke informatie AI mag gebruiken.
Drie datavragen die je moet beantwoorden voordat je AI opschaalt
Je hoeft niet je volledige datalandschap op orde te hebben voordat je met AI begint. Maar als je wilt opschalen, moet je weten welke data kritisch is en hoe je de kwaliteit daarvan beheerst. Drie vragen helpen daarbij.
1. Wie is verantwoordelijk voor de data?
Voor kritieke databronnen moet duidelijk zijn wie verantwoordelijk is voor kwaliteit en actualiteit.
Als een AI-assistent een verouderde procedure gebruikt, wie bepaalt dan welke versie geldig is? En wie corrigeert de bron? Zonder duidelijk eigenaarschap blijven fouten bestaan en blijft de betrouwbaarheid van de AI-toepassing kwetsbaar.
2. Kun je achterhalen waar informatie vandaan komt?
Bij bedrijfskritische toepassingen wil je kunnen achterhalen waarop een AI-antwoord is gebaseerd.
Dat vraagt om heldere definities, metadata en inzicht in de herkomst van informatie. Zo kunnen medewerkers beter beoordelen of een antwoord gebaseerd is op de juiste en actuele bron.
Herleidbaarheid is bovendien niet alleen een kwaliteitswens. Sinds augustus 2026 gelden onder de Europese AI Act voor bepaalde AI-systemen verplichtingen rond onder meer transparantie en documentatie. Welke eisen precies gelden, hangt af van de toepassing en de rol van je organisatie. Goede data governance helpt je om inzicht te houden in welke informatie een AI-toepassing gebruikt en hoe die wordt beheerd.
3. Hoe houd je de datakwaliteit op peil?
Een eenmalige opschoonactie voordat een AI-toepassing live gaat, is niet genoeg. Data verandert voortdurend.
Bepaal daarom welke bronnen kritisch zijn, welke kwaliteitseisen gelden en wie actie onderneemt wanneer de kwaliteit terugloopt. Zo wordt datakwaliteit onderdeel van het reguliere beheer.
Praktijkvoorbeeld: Hoe datakwaliteit een AI-assistent in de praktijk raakt
Stel dat een netbeheerder een AI-assistent inzet waarmee onderhoudsmonteurs technische informatie sneller kunnen vinden. De pilot werkt goed: monteurs stellen vragen in gewone taal en vinden sneller de juiste instructies.
Bij de bredere uitrol ontstaan verschillen in de antwoorden. De oorzaak blijkt niet het AI-model. Dezelfde onderhoudsprocedure staat op meerdere plaatsen en niet iedere versie is actueel. Ook assetgegevens zijn tussen systemen verschillend geregistreerd.
Een beter AI-model lost dat probleem niet automatisch op. Eerst zijn duidelijke eigenaren, eenduidige definities, goed versiebeheer en structurele bewaking van datakwaliteit nodig.
Betrouwbare data bepaalt mede de businesscase van AI
Een AI-pilot kan technisch goed werken en toch weinig waarde opleveren. Als medewerkers een snel antwoord vervolgens uitgebreid moeten controleren, verdwijnt een groot deel van de tijdwinst.
Een betrouwbaar datafundament vermindert controle- en herstelwerk, helpt risico’s beheersen en maakt verdere opschaling mogelijk. Daar profiteren ook rapportages, dashboards en andere datagedreven processen van.
Met de AI Opportunity Scan brengen we in kaart welke AI-use cases de meeste businesswaarde bieden én wat er qua data, technologie en governance nodig is om ze succesvol te implementeren.
Dat AI bestaande dataproblemen zichtbaar maakt, laat vooral zien waar verbetering nodig is. Stel daarom niet alleen de vraag wat de technologie kan, maar ook: is onze data goed genoeg om de uitkomst te vertrouwen?
Dat bepaalt mede of een AI-pilot uitgroeit tot een toepassing die daadwerkelijk waarde oplevert.
Deze blogpost is een bijdrage van Digital Power, jouw data- & AI partner. Digital Power zorgt voor grip op je data én brengt AI in de praktijk. Ze bouwen schaalbare, veilige en toekomstbestendige oplossingen. Meer informatie vind je op www.digital-power.com of bezoek Digital Power tijdens Data Expo.
Dit is een artikel van Guus van Loon (Lead Consultant Strategie & Transformatie – Digital Power)
Met meer dan 10 jaar ervaring op het snijvlak van data, strategie en innovatie helpt Guus organisaties om complexe ambities te vertalen naar duurzame bedrijfswaarde. Als Head of Research & Development bij een market research scale-up werkte hij aan strategische vraagstukken voor internationale opdrachtgevers. Hij is een waardevolle bruggenbouwer tussen technische specialisten en business stakeholders en een vertrouwd klankbord voor het senior management.
