AI op je data loslaten werkt, maar alleen als de basis klopt. Niet het model bepaalt of je bruikbare antwoorden krijgt, maar of je datamodellen, definities en documentatie op orde zijn. Wij beoordelen of jouw data klaar is voor AI, en zijn eerlijk over wat er eerst moet gebeuren. Datzelfde fundament maakt trouwens ook je gewone rapportages betrouwbaarder, dus het is geen weggegooid werk als je AI-plannen veranderen.
De meeste organisaties die met AI-analytics beginnen, denken dat ze het beste model nodig hebben. Maar het model is zelden het knelpunt. Wat het verschil maakt, is of je data klopt: heldere definities, gedocumenteerde datamodellen en duidelijk eigenaarschap.
De cijfers laten dat scherp zien. Anthropic bouwde intern een analytics-agent en zag de juistheid stijgen van 21 naar boven de 95 procent, puur door betere context, zonder het model te wisselen. Bij een gecontroleerd experiment in een medische kliniek ging de juistheid van 0 naar 92 procent, opnieuw zonder een ander model, alleen door de context op orde te brengen. Het model was in beide gevallen niet de bottleneck, de informatie eromheen wel. De onderbouwing en bronnen staan in ons artikel.
Dat is geen nieuwe les. Het is precies wat je altijd al nodig had voor betrouwbare dashboards. Een AI-agent maakt alleen pijnlijk zichtbaar wat er niet klopt: waar een mens bij een vreemd getal nog even doorvraagt, geeft een agent doodleuk een antwoord dat er goed uitziet maar fout is. En dat is meteen het goede nieuws. Het werk dat je data klaarmaakt voor AI, is hetzelfde werk dat je rapportages betrouwbaar maakt. Je investeert dus niet in een gok op AI, je investeert in een datafundament dat sowieso waarde heeft, of je er nu een AI-agent op zet of gewoon je dashboards vertrouwt.
Voordat je AI op je data loslaat, wil je weten of die data het aankan. Onze readiness-assessment geeft je dat eerlijke beeld: waar je datafundament klaar voor is, en wat er eerst moet gebeuren. We kijken niet naar de AI-tool, maar naar de laag eronder, want dat is waar het staat of valt.
Zijn je modellen logisch opgebouwd en vastgelegd, zodat een AI (of een nieuwe collega) begrijpt hoe alles samenhangt? We kijken naar de structuur, de veldbeschrijvingen en of de documentatie klopt met de werkelijkheid.
Wat betekent “actieve klant”, “omzet” of “doorlooptijd” precies, en is dat eenduidig vastgelegd? Juist hier gaat het mis: een agent die niet weet wat een veld betekent, geeft een antwoord dat klopt op het scherm maar fout is in de praktijk. Heldere definities van je meetwaarden en dimensies zijn de kern van een betrouwbaar antwoord.
Is er per gegeven één afgesproken bron, of heb je vijftig tabellen die allemaal iets met omzet doen? En weet iemand welke de juiste is? Zonder duidelijk eigenaarschap weet een AI niet welke bron hij moet vertrouwen, en jij ook niet.
Bestaan er voorbeelden van goede queries, en is vastgelegd hoe bepaalde analyses horen te lopen? Dit is de kennis die vaak alleen in de hoofden van je analisten zit: welke filters altijd gelden, welke uitzonderingen er zijn, waarom iets is zoals het is.
Een AI heeft meer nodig dan losse definities. Hij moet weten welke bronnen hij mag raadplegen, welke valkuilen er zijn en hoe hij een vage vraag moet verduidelijken. In Power BI zit een deel daarvan in het semantic model, in Qlik in gecureerde datasets en centrale definities, maar de sturing daarboven bepaalt of een agent betrouwbaar blijft. We kijken of die laag er is, of opgezet moet worden.
Een AI-omgeving is nooit af. Definities verschuiven, tabellen worden hernoemd, en zonder onderhoud zakt de betrouwbaarheid vanzelf weg. Daarom kijken we ook naar de mensen: is er iemand die de documentatie bijhoudt als er iets verandert, en zijn er domeinexperts die hun kennis kunnen vastleggen en kunnen beoordelen of een antwoord echt klopt? Zonder dat houdt geen enkele AI-oplossing stand.
Na de assessment weet je precies waar je staat, en wat er eventueel eerst moet gebeuren. Geen algemeen advies, maar een concreet beeld van jouw data en jouw situatie.
De assessment is de eerste stap, en vaak ook de belangrijkste. Je weet daarna of je data klaar is voor AI, en zo niet, wat er eerst moet gebeuren. Voor sommige organisaties is dat het hele antwoord: ze gaan zelf aan de slag met de punten die we hebben gevonden, of besluiten dat het nog te vroeg is. Ook dat is een waardevolle uitkomst, want het bespaart je een AI-traject dat op een wankele basis toch was vastgelopen.
Blijkt je fundament goed genoeg, of heb je de basis op orde gebracht, dan is een proof of concept de logische volgende stap. Niet meteen een AI-agent over je hele datalandschap, maar een afgebakend domein waarin je kunt zien of het werkt: één helder afgebakend deel van je data, op orde gebracht, met een AI-laag erbovenop. Zo toets je het idee op je eigen data voordat je je vastlegt op iets groters.
Dat is precies wat we nu bij een groothandel doen. Binnen een afgebakend domein brengen we eerst de data op orde: we scherpen de definities aan, leggen de veldbeschrijvingen en werkwijzen vast en zorgen dat de modellen kloppen. Daarna zetten we daar Qlik Answers op, de agentic AI-assistent van Qlik. Eerst het fundament, dan de AI. Niet andersom.
AI-readiness is geen apart vakgebied, het is je datafundament op orde hebben. En dat is precies wat we al jaren doen. We bouwen datamodellen, richten definities in en zorgen dat data klopt en betrouwbaar blijft. De vragen die bepalen of je data klaar is voor AI, zijn dezelfde vragen die we bij elk dataproject stellen.
We weten ook hoeveel domeinkennis daarbij komt kijken, want dat is precies ons vak. Al jaren halen we de kennis uit de hoofden van experts, wat een veld echt betekent, welke uitzonderingen gelden, hoe een berekening hoort te lopen, en vertalen we die naar technische oplossingen die kloppen. Dat is altijd de kern van goed BI-werk geweest, en het is precies wat een AI-agent nodig heeft. Doordat we in uiteenlopende branches werken, van versketens en logistiek tot zorg en publieke organisaties, weten we bovendien dat “actieve klant” of “doorlooptijd” nergens hetzelfde betekent.
Wat ons onderscheidt van partijen die nu op de AI-golf meeliften, is dat we niet bij de AI beginnen maar bij de data eronder. We hebben uitgezocht wat AI-analytics in de praktijk laat werken of vastlopen, we experimenteren er intern mee en passen het toe in de praktijk. Geen beloftes over wat ooit misschien kan, maar een eerlijk beeld van waar je nu staat en wat een volgende stap realistisch maakt.
In een kort gesprek bepalen we of een assessment zinvol is, en wat het je oplevert.
Dat hangt af van de omvang en complexiteit van je datalandschap. Meestal gaat het om een paar dagen tot ruim een week werk: bewust afgebakend, geen maandenlang traject. In een kort gesprek bepalen we samen de scope, zodat je vooraf weet waar je aan toe bent.
Dat weet je pas als je weet waar je staat, en dat is precies wat de assessment je vertelt. Je hoeft niet “AI-klaar” te zijn om te beginnen. Blijkt je data nog niet ver genoeg, dan is dat geen afwijzing maar een startpunt: je weet dan wat er eerst moet gebeuren, en dat is waardevoller dan achteraf ontdekken dat een AI-traject op een wankele basis is vastgelopen.
Voor een groot deel is het inderdaad gewoon je datamanagement op orde brengen. En dat is precies waarom het de moeite waard is: hetzelfde werk dat je data klaarmaakt voor AI, maakt je gewone rapportages ook betrouwbaarder. Je investeert dus niet in een gok op AI, maar in een fundament dat sowieso waarde heeft. Of je er nu een AI-agent op zet of niet.
Juist dan. De assessment is er niet om te beoordelen of je een voldoende haalt, maar om helder te krijgen wat er nodig is. Hoe rommeliger het beeld nu, hoe meer een eerlijke doorlichting je oplevert: je weet daarna precies waar de grootste problemen zitten en waar je zou moeten beginnen.
Ja. De basis die AI mogelijk maakt, is dezelfde basis die je dashboards betrouwbaar maakt: heldere definities, gedocumenteerde modellen, duidelijk eigenaarschap. De assessment kijkt naar precies die dingen. Of je er nu een AI-agent op wilt zetten of gewoon je cijfers wilt kunnen vertrouwen, het fundament is hetzelfde.
Deze assessment is een specifieke vorm van strategisch advies, toegespitst op de vraag of je data klaar is voor AI. Blijkt uit de assessment dat er werk aan de basis nodig is, dan is dat consultancy: het bouwen en verbeteren van je datafundament. En zoals altijd geldt: als je alleen het advies nodig hebt en zelf verder kunt, is dat ook prima.
Nee, dat hangt af van de oplossing die past. Dataveiligheid en compliance zijn een van de afwegingen die bepalen welke kant je op gaat: sommige AI-oplossingen draaien in de cloud, bij andere blijft je data dichter bij huis. Dat nemen we mee in het beeld, zodat je niet alleen weet of je data klaar is voor AI, maar ook welke route past bij wat jouw organisatie qua veiligheid en governance nodig heeft.
Op twee punten. Ten eerste beginnen we niet bij de AI, maar bij de data eronder, want dat is waar het in de praktijk misgaat. Dat maakt de eerste stap klein en concreet: een afgebakende assessment in plaats van een groot traject waarvan de uitkomst vooraf onduidelijk is. Ten tweede zijn de mensen die het werk uitvoeren er vanaf het begin bij. De consultant die het traject oppakt, bepaalt samen met jou de scope. Zo verdwijnt er geen kennis in een overdracht van een verkoopteam naar een uitvoeringsteam dat je situatie niet kent.
Of je nu concrete AI-plannen hebt, twijfelt of het al zinvol is, of gewoon wilt weten waar je staat: we denken graag met je mee. Stuur ons een e-mail, bel ons of plan direct een afspraak op een moment dat jou uitkomt.