AI versnelt modellering, maar vervangt geen begrip. Modellen helpen je kijken naar de werkelijkheid — maar mensen moeten bepalen wat ze zien, wat het betekent en wat ze ermee doen. Organisaties zoeken naar houvast in een wereld met versnipperde data, veranderend consumentgedrag en minder directe observaties van klantinteractie. Methoden als Marketing Mix Modeling (MMM), attributie en incrementality worden daarbij steeds vaker ingezet als alternatief voor traditionele vormen van meten.Tegelijkertijd zien we een sterke opkomst van AI in dit domein. Modellen kunnen sneller worden gebouwd en scenario’s eenvoudiger worden doorgerekend. Maar dit leidt tot een fundamentele misvatting: het sneller hebben van modellen betekent niet direct dat je sneller en beter inzicht hebt. Waar metingen directe observaties vastleggen, zijn modellen vereenvoudigde representaties van de werkelijkheid — gebaseerd op aannames, keuzes en interpretaties. Dit betekent dat de uitkomsten nooit “de waarheid” zijn, maar altijd context nodig hebben. In deze sessie laten we zien dat juist hier de uitdaging zit. Vervolgens kijken we naar de rol van AI binnen dit speelveld. AI versnelt het modelleren, maar introduceert geen begrip. Integendeel: zonder duidelijke instructies, domeinkennis en kritische checks kan AI bestaande aannames reproduceren of versterken zonder dat dit zichtbaar is. AI begrijpt geen marketingcontext. Het weet niet vanzelf hoe om te gaan met kanaaloverlap, externe invloeden of multi-collineariteit. Deze logica moet expliciet worden toegevoegd. De kwaliteit van de uitkomst wordt daarmee direct bepaald door de kwaliteit van de expertise die in het model zit: De limiterende factor is niet de technologie, maar de maturity van de organisatie. In het laatste deel van de sessie maken we dit concreet. Pas wanneer deze basis op orde is, ontstaat ruimte om op te schalen of methodes te combineren.