De meeste AI-projecten die vastlopen, lopen niet vast op het model. Ze lopen vast op de vraag welk getal het goede getal is. Dit artikel legt uit waarom dat zo is, waarom AI die zwakte zichtbaarder maakt dan rapportage ooit deed, en in welke volgorde je het wél opbouwt.
Kees Pronk
CEO
Een datafundament is het geheel van koppelingen, definities, betekenis, toegangsregels en beheer waarmee informatie uit losse systemen bruikbaar wordt voor beslissingen. Het is geen product en geen server. Het is een vermogen dat je opbouwt en onderhoudt, net als een boekhouding.
Die vergelijking met een boekhouding is bruikbaarder dan hij lijkt. Ook een boekhouding is niet spannend, ook daar zit het werk in afspraken en discipline, en ook daar merk je pas dat hij ontbreekt op het moment dat je een vraag stelt waarop je een hard antwoord nodig hebt.
Bijna elk bedrijf dat we spreken heeft de informatie al. Ze zit alleen verspreid over systemen die nooit zijn ontworpen om samen te werken, en die stuk voor stuk om goede redenen zijn aangeschaft.
Een ERP dat de klanten en de facturen kent. Een servicedesk die de meldingen kent. Een planningspakket dat de uren kent. Meetsoftware of een branchespecifiek pakket dat het werk zelf vastlegt. En daaromheen een verzameling spreadsheets waarin mensen de gaten hebben gedicht die tussen die systemen vielen.
Dat is geen slordigheid. Het is het normale resultaat van vijftien jaar verstandige losse aankopen. Spreadsheets waren jarenlang de beste beschikbare oplossing voor precies dat probleem, en dat zijn ze op sommige plekken nog steeds.
Wat er onder een mislukte AI-pilot ligt, valt bijna altijd in vier categorieën.
“Wij hebben alles al gekoppeld” betekent in de praktijk vaak: iemand exporteert het elke maandag. Een export is een momentopname zonder herkomst. Verandert de bron van kolomnaam, dan draait de export gewoon door met een lege kolom en krijgt niemand een melding. En als die persoon met vakantie is, is er die week geen data.
Vraag drie afdelingen hoeveel klanten je hebt en je krijgt drie getallen. Verkoop telt accounts, finance telt debiteuren met omzet dit jaar, service telt lopende contracten. Alle drie kloppen. Alle drie meten iets anders. Zolang mensen met elkaar praten, corrigeert het gesprek dat verschil. Software praat niet terug.
In vrijwel elke database staan kolommen met codes waarvan de betekenis nooit is opgeschreven. Een statuskolom met de waarden 1, 2, 3 en 7, waarbij die laatste waarde ooit is ingevoerd voor een specifiek geval en nu alleen nog bekend is bij een of twee mensen op de administratie. Zij zijn de semantische laag van dat bedrijf, en zij staan nergens gedocumenteerd.
Zolang mensen via rapporten bij gegevens komen, kun je toegang per rapport regelen. Dat werkt tot het moment dat er een tweede route bij komt: een export, een portaal, of een assistent die de onderliggende gegevens zelf leest.
Dit is het punt waar dit artikel om draait, en het wordt zelden gemaakt.
Een dashboard toont een getal in een context. Je ziet de grafiek ernaast, je ziet de vorige periode, je ziet dat de lijn een rare knik heeft. Als iets niet klopt, valt dat op en ga je bellen. Het formaat zelf nodigt uit tot twijfel.
Een taalmodel geeft je een zin. Vloeiend, compleet, zelfverzekerd. Er staat geen foutmarge bij, er staat geen bronvermelding bij, en er staat vooral niet bij dat de vraag op drie manieren uit te leggen was en dat het model er één heeft gekozen.
Het vergroot de snelheid en de schaal waarop de gevolgen van die zwakte zich verspreiden.
Dat is niet omdat de techniek slecht is. Het is omdat een taalmodel is gebouwd om altijd te antwoorden. Vraag het naar je omzet bij je tien grootste klanten en het geeft een getal, ook als drie systemen drie omzetdefinities hanteren. Je krijgt geen melding dat de vraag meerduidig was. Je krijgt een antwoord.
Het risico is dus niet dat AI niet werkt. Het risico is dat het overtuigend werkt op een basis die dat niet verdient.
Er is een volgorde in dit werk en die is niet omkeerbaar. Elke stap leunt op de vorige.
Automatisering vergroot wat er al is. Automatiseer je een proces waarin een begrip drie betekenissen heeft, dan produceer je die drie betekenissen sneller en op grotere schaal. Dat is de reden dat stap twee niet overgeslagen kan worden, hoe verleidelijk dat ook is omdat het de minst technische en meest politieke stap is.
De praktische vertaling van die volgorde is korter dan mensen verwachten, en dat is met opzet.
De verleiding is om stap drie en vier zo breed mogelijk te maken en pas daarna iets op te leveren. Wij hebben dat geprobeerd. Het resultaat was een architectuur waar de bouwers terecht trots op waren en waar de business een half jaar lang niets aan had. In dat half jaar verdween de urgentie en werd de vraag “waar was dit ook alweer voor” langzaam serieus gesteld.
Begin met één dunne, waardevolle stroom van bron tot uitkomst. Maak de architectuur eronder herbruikbaar, maar bouw niet het hele toekomstige platform voordat het eerste bedrijfsresultaat bewezen is.
CentreBlock levert impact-analytics aan meerdere klanten tegelijk. Elke klant wil zijn eigen cijfers zien, niemand mag die van een ander zien, en de vergelijking tussen periodes moet betekenisvol zijn.
Wat er is gebouwd: ruim een miljoen bezoekersrecords komen gestructureerd binnen, elf KPI’s zijn gestandaardiseerd zodat elke klant langs dezelfde meetlat gaat, en zeven vergelijkbare rapportageperioden zijn ingericht zodat een verandering ook echt een verandering is en geen verschil in meetmethode. Daarbovenop draait de gepatenteerde Impact Score.
De uitkomst waar het om ging: de doorlooptijd van rapportage ging van dagen naar minuten.
Wat daar hoort bij te staan: dit werkte omdat de vraag scherp was. CentreBlock wist precies welke uitkomst het nodig had, en dat maakte de keuze welke bronnen wel en niet meededen eenvoudig. Dit zijn oplossingspatronen, geen gegarandeerde uitkomsten.
Datafundament: Het geheel van koppelingen, definities, betekenis, toegang en beheer waarmee informatie bruikbaar wordt voor beslissingen.
Connector: Software die gegevens uit een bronsysteem automatisch ophaalt, inclusief controle en herkomst.
Semantische laag: De plek waar is vastgelegd wat een veld betekent en hoe het zich verhoudt tot andere velden.
Row-level security: Toegang op rijniveau: elke gebruiker ziet alleen de gegevens die bij hem horen, ongeacht via welke route hij ze opvraagt.
DTAP: Development, test, acceptatie en productie: vier gescheiden omgevingen waarin een wijziging wordt gebouwd, getest, goedgekeurd en pas daarna doorgezet.
De vraag waarmee bij ons elk traject begint gaat niet over techniek, en het antwoord komt zelden van de IT-kant.
Welke terugkerende beslissing, handmatige handeling, rapportageproces of dienst aan je klanten zou het meest verbeteren als de onderliggende informatie verbonden, betrouwbaar en veilig beschikbaar was voor de juiste mensen?
Stel die vraag eens aan iemand in je bedrijf die er niet over gaat. Meestal weet die persoon het antwoord precies, en heeft er alleen nooit iemand naar gevraagd.
Auteur
CEO
Opslag bewaart de data. Semantiek legt vast wat die data betekent. Een dataproject dat alleen naar tabellen kijkt, loopt vast op interpretatieverschillen tussen afdelingen.
Kees Pronk
CEO
Volledige databasetoegang is niet genoeg. Zonder semantische context vult een AI betekenisgaten zelf in en geeft alsnog het verkeerde antwoord.
Kees Pronk
CEO
Een semantische laag koppelt technische velden aan bedrijfsdefinities, zodat begrippen als omzet en actieve klant overal hetzelfde betekenen. Zonder die laag rekent een AI-agent stilletjes door op verouderde regels.
Kees Pronk
CEO
