Naar hoofdinhoud Naar navigatie
DATAGROW KENNISBANK

Hoe weet je of je organisatie klaar is voor AI?

Bekijk cases en blogs
Houten meetlat naast een vers gestorte betonnen funderingsplaat, met bouwtekeningen en een landmeetstatief in ochtendlicht
Data en business verbinden
Informatie die aansluit op uw organisatie
Van vraagstuk naar bruikbaar inzicht
Een organisatie is klaar voor AI wanneer er een concrete businessvraag ligt, de onderliggende data betrouwbaar en eenduidig gedefinieerd zijn, de techniek de data toegankelijk maakt en iemand verantwoordelijk is voor de uitkomsten. Ontbreekt een van deze vier, dan geeft AI al snel overtuigende antwoorden die niet kloppen. Hieronder lees je hoe je dat toetst, in zeven vragen.

Welke signalen laten zien dat AI nog te vroeg komt?

AI komt te vroeg wanneer teams elkaar tegenspreken over basiscijfers, rapportages handmatig in spreadsheets worden samengesteld en niemand kan uitleggen waar een KPI vandaan komt. In dat geval versterkt AI bestaande onduidelijkheid, in plaats van die op te lossen.

Let op deze waarschuwingssignalen:

  • Twee afdelingen presenteren verschillende cijfers voor dezelfde KPI.
  • Het opstellen van een managementrapportage kost meer tijd dan het bespreken ervan.
  • Er is wel een AI-ambitie, maar geen concrete vraag die AI moet beantwoorden.
  • Data zit verspreid over systemen, mailboxen en losse bestanden zonder duidelijke eigenaar.
  • Het eigen BI-team is structureel overbelast met ad-hocverzoeken.

Eén signaal is geen reden om te stoppen. Meerdere tegelijk wel. Dan levert eerst werken aan het fundament meer op dan een snelle AI-pilot.

Hoe goed moet je datakwaliteit zijn voor AI?

Datakwaliteit hoeft niet perfect te zijn, maar wel goed genoeg voor de specifieke vraag die AI moet beantwoorden. Voor die vraag moeten de bronnen compleet, actueel en herleidbaar zijn. Een volledig schone dataomgeving is geen voorwaarde en is in complexe organisaties zelden realistisch.

Dat maakt de scope belangrijk. Stel dat je AI wilt inzetten voor vragen over de bezettingsgraad van gebouwen. Dan moeten precies die data kloppen: reserveringen, daadwerkelijk gebruik en gebouwgegevens. Of de data van de afdeling inkoop op orde zijn, doet voor die toepassing niet ter zake.

Toets drie dingen per databron:

  • Volledigheid: ontbreken er periodes, locaties of categorieën?
  • Actualiteit: hoe vaak wordt de data ververst en is dat vaak genoeg voor de beslissing?
  • Herleidbaarheid: kun je een getal terugvoeren naar het bronsysteem?

Meer data helpen niet automatisch. Meer data van onduidelijke kwaliteit vergroten juist het risico op foute antwoorden.

Waarom zijn gedeelde definities de basis van AI?

Gedeelde definities zijn de basis omdat AI alleen kan rekenen met begrippen die eenduidig zijn vastgelegd. Als omzet, bezettingsgraad of contractwaarde per afdeling anders wordt berekend, kiest het model zelf een interpretatie. Het antwoord klinkt dan stellig, maar is niet te verantwoorden.

Een voorbeeld uit de facilitaire praktijk laat dat zien. Vergaderruimtes kunnen voor 68% geboekt zijn, terwijl ze in werkelijkheid maar 48% van de tijd worden gebruikt. Welke van de twee getallen is de bezettingsgraad? Dat is een definitiekeuze, en bij een huisvestingsinvestering van miljoenen maakt die keuze het verschil. In dit geanonimiseerde voorbeeld zijn de getallen fictief, maar het vraagstuk komt uit de praktijk. Meer over die aanpak lees je in deze facilitaire case.

In de praktijk betekent dit: leg per belangrijke KPI vast hoe hij wordt berekend, welke bron leidend is en wie de definitie beheert. Dat vraagt vooral gesprekken tussen business en data, geen tooling. Voor overheden en gemeenten speelt daarbij een extra eis: je moet een cijfer ook achteraf kunnen verantwoorden.

Welke technische voorwaarden moeten op orde zijn?

Technisch moet je data kunnen ontsluiten uit de relevante bronsystemen, in een beheerd dataplatform kunnen samenbrengen en veilig kunnen afschermen. Je hoeft je platform niet te vervangen. Wel moeten toegang, security en beheer zo geregeld zijn dat AI alleen bij data komt die het mag gebruiken.

Controleer in elk geval deze punten:

  1. De bronsystemen zijn koppelbaar, via een API of een gestructureerde export.
  2. Er is een plek waar data wordt samengebracht en gemodelleerd, bijvoorbeeld in Microsoft Fabric, Azure of Databricks.
  3. Toegangsrechten zijn vastgelegd, zodat gevoelige gegevens niet onbedoeld in antwoorden terechtkomen.
  4. Privacy-eisen, zoals de AVG, zijn vertaald naar concrete afspraken over wat AI mag inzien.
  5. Er is beheer: iemand houdt koppelingen en datakwaliteit in de gaten.

Een model dat alleen een paar geüploade documenten doorzoekt, mist de context van je bedrijfssystemen. Een goede ontsluiting combineert beide: de afspraken uit een contract en de werkelijke uitgaven uit het financiële systeem.

Wie is verantwoordelijk voor AI binnen de organisatie?

De verantwoordelijkheid ligt bij de business, niet bij IT alleen. Een businessleider is eigenaar van de vraag en van de uitkomsten. Het data- en IT-team bewaakt architectuur, security en beheer. Zonder deze verdeling blijft een AI-toepassing hangen tussen twee afdelingen.

Maak bij elke AI-toepassing drie rollen expliciet:

  • Businesseigenaar: bepaalt welke beslissing wordt ondersteund en accepteert de uitkomsten.
  • Domeinexpert: beoordeelt of antwoorden inhoudelijk kloppen en wat een cijfer betekent in jouw sector of beleid.
  • Data- en IT-team: zorgt voor bronnen, beveiliging, privacy en beheerbaarheid.

Dit is ook de kern van AI-governance: wie mag AI waarvoor gebruiken, hoe controleer je antwoorden en wat gebeurt er als een antwoord fout blijkt? Zeker in de publieke sector hoort daar herleidbaarheid bij. Een antwoord waarvan je de bron niet kunt aanwijzen, kun je niet verantwoorden aan een raad, toezichthouder of burger.

Welke AI-toepassing is het beste om mee te starten?

Begin met een toepassing waarbij de vraag concreet is, de benodigde data beperkt en bekend zijn, en een gebruiker snel kan beoordelen of het antwoord klopt. Vermijd een brede, organisatiebrede assistent als eerste stap. Een smalle usecase levert sneller leerervaring op en maakt fouten goedkoper.

Een goede startcase voldoet aan deze criteria:

  • Er is een terugkerende vraag waar nu veel handmatig analysewerk aan hangt.
  • De data komt uit een beperkt aantal bronnen.
  • De definities zijn bekend of snel vast te leggen.
  • Een domeinexpert kan het antwoord controleren.
  • De uitkomst ondersteunt een echte beslissing, zodat de waarde meetbaar is.

Het helpt om AI-toepassingen langs een volwassenheidsladder te leggen. Algemene AI zonder bedrijfsdata is het laagste niveau. Betrouwbaarheid begint pas wanneer AI werkt met gemodelleerde data, vaste definities en herleidbare bronnen. Daarna kun je uitbreiden met domeinkennis en later met AI die zelf acties uitvoert. Bouw die stappen op, in plaats van meteen het hoogste niveau te willen.

Hoe voer je zelf een AI-gereedheidscheck uit?

Je voert een AI-gereedheidscheck uit door een concrete usecase langs vijf vragen te leggen: is de businessvraag scherp, zijn de bronnen bekend, zijn de definities gedeeld, is de techniek ontsloten en is de eigenaar benoemd? Waar je op minimaal één vraag geen ja kunt zeggen, ligt je eerste actie.

Doorloop dit in volgorde:

  1. Kies één usecase. Formuleer de vraag zo precies dat je kunt zeggen wat een goed antwoord is.
  2. Breng de bronnen in kaart. Welke systemen en documenten zijn nodig en wie beheert ze?
  3. Test de definities. Vraag drie collega’s om dezelfde KPI te berekenen. Komen er verschillende uitkomsten uit, dan ligt daar je eerste werk.
  4. Controleer de techniek. Kun je de data veilig en herhaalbaar ontsluiten?
  5. Benoem de eigenaar. Wie beoordeelt de antwoorden en neemt de beslissing?

Doe de check bij voorkeur samen met business, domeinexperts en het datateam aan één tafel. Dan komen de verschillen in aannames direct boven tafel. Je hoeft daarna niet alles tegelijk op te lossen. Een gefaseerde aanpak waarin elke stap zichtbare waarde oplevert, werkt in de praktijk beter dan een groot voorbereidingstraject.

Hoe DataGrow helpt met AI-gereedheid

DataGrow werkt op het snijvlak van business en IT. We beginnen bij de beslissing waarop jij wilt kunnen sturen, niet bij een tool. Daarna bouwen we voort op je bestaande dataomgeving, in samenwerking met je eigen data- en IT-team.

Concreet doen we dit:

  • We bepalen samen met business en domeinexperts welke vraag de eerste usecase wordt.
  • We ontsluiten de relevante bronnen en documenten, ook binnen Microsoft Fabric, Azure, Power BI of Databricks.
  • We brengen definities op één lijn en leggen de bedrijfscontext vast die AI nodig heeft.
  • We zorgen dat antwoorden controleerbaar zijn en herleidbaar naar de onderliggende bron, onder meer met onze propositie Talking to Your Data.
  • We werken gefaseerd, zodat elke stap waarde oplevert.

Ons uitgangspunt is eerlijk advies vooraf: past AI nu bij jouw situatie, of is eerst een ander fundament nodig? Wil je weten waar jouw organisatie staat? Neem contact met ons op voor een vrijblijvend gesprek over jouw eerste usecase.

Veelgestelde vragen

Hoe lang duurt het gemiddeld om een organisatie AI-klaar te maken?

Dat hangt af van de scope. Voor één afgebakende usecase met een beperkt aantal bronnen kun je vaak binnen enkele weken tot een paar maanden een eerste werkende toepassing hebben, mits definities en eigenaarschap snel geregeld zijn. Een organisatiebrede aanpak duurt aanzienlijk langer. Daarom werkt een gefaseerde aanpak beter: begin klein, laat elke stap waarde opleveren en breid daarna uit.

Wat als twee afdelingen het niet eens worden over de definitie van een KPI?

Breng beide berekeningen naast elkaar en bespreek welke beslissing de KPI moet ondersteunen. Vaak zijn beide definities valide, maar voor een ander doel. Laat de businesseigenaar van de usecase de definitie vaststellen, leg die vast met bron en beheerder, en geef eventueel een alternatieve variant een eigen naam (bijvoorbeeld ‘geboekte bezetting’ versus ‘werkelijke bezetting’).

Hoe controleer ik of een AI-antwoord daadwerkelijk klopt?

Laat een domeinexpert een steekproef van antwoorden naast de bekende cijfers uit het bronsysteem leggen, bij voorkeur voor vragen waarvan het juiste antwoord al bekend is. Eis daarnaast dat elk antwoord herleidbaar is naar de bron en de gebruikte definitie. Herhaal deze toetsing periodiek en na elke wijziging in data of definities.

Moeten we eerst een nieuw dataplatform aanschaffen voordat we met AI beginnen?

Nee, in de meeste gevallen niet. Je kunt voortbouwen op je bestaande omgeving, zoals Microsoft Fabric, Azure, Power BI of Databricks, zolang bronnen koppelbaar zijn, data beheerd samenkomt en toegangsrechten goed geregeld zijn. Vervang een platform pas als uit je gereedheidscheck blijkt dat ontsluiting of beveiliging daar echt aan stukken loopt.

Hoe ga ik om met privacy en de AVG bij het inzetten van AI?

Vertaal de AVG-eisen naar concrete afspraken: welke data mag AI inzien, op welk detailniveau en voor welk doel. Beperk toegang via rollen en rechten, laat persoonsgegevens waar mogelijk buiten scope of pseudonimiseer ze, en betrek je privacy officer of FG vroeg in het traject. Leg ook vast wat er gebeurt als er toch gevoelige informatie in een antwoord terechtkomt.

Hoe overtuig ik het management om eerst in het fundament te investeren in plaats van direct een AI-pilot te starten?

Koppel het fundament aan een concrete beslissing en laat de kosten van foute antwoorden zien, bijvoorbeeld met het voorbeeld van twee verschillende cijfers voor dezelfde KPI. Stel voor om fundament en usecase tegelijk aan te pakken, zodat de investering direct zichtbare waarde oplevert. Een korte AI-gereedheidscheck op één usecase geeft het management bovendien feitelijke onderbouwing.

Wat zijn veelgemaakte fouten bij de eerste AI-usecase?

De meest voorkomende fouten zijn starten met een te brede, organisatiebrede assistent, beginnen zonder duidelijke businessvraag, en geen eigenaar aanwijzen voor de uitkomsten. Ook wordt vaak vergeten om definities vast te leggen voordat het model wordt ingericht. Kies daarom een smalle usecase met bekende data, laat een domeinexpert de antwoorden controleren en meet vooraf wat een goed resultaat is.

Gerelateerde artikelen

Terug naar de kennisbank
VAN KENNIS NAAR RESULTAAT

Haal meer waarde uit uw data

Bespreek uw informatievraagstuk met DataGrow en ontdek welke vervolgstap past bij uw organisatie.

Neem contact op