Wat weet een AI-model niet over jouw organisatie?
Een AI-model weet niets over jouw organisatie, tenzij je het dat vertelt. Het is getraind op openbare tekst en kent jouw systemen, definities, afspraken en beleidsregels niet. Het weet dus niet wat jullie onder een “actieve klant” of “bezettingsgraad” verstaan.
Dat gat is groter dan het lijkt. Een model kan prima een formule uitleggen, maar niet welke formule jouw afdeling gebruikt. Het kent ook niet de historie achter een cijfer, zoals een verhuizing, een gewijzigd contract of een aangepaste telmethode.
Concreet mist een model meestal:
- de definities van KPI’s zoals jullie die berekenen
- de structuur en herkomst van gegevens in jullie systemen
- bedrijfsregels, uitzonderingen en beleid
- wie welke informatie mag zien
Waarom geeft AI zonder context onbetrouwbare antwoorden?
AI geeft zonder context onbetrouwbare antwoorden omdat het model ontbrekende kennis aanvult met aannames. Het kiest het statistisch meest waarschijnlijke antwoord, niet het juiste antwoord voor jouw situatie. Het resultaat zijn AI-hallucinaties: feitelijk onjuiste antwoorden in een zelfverzekerde toon.
Het risico zit vooral in de overtuigingskracht. Een fout cijfer in een spreadsheet valt vaak op. Een goed geformuleerde zin met een verkeerd getal valt veel minder snel op.
In organisaties met versnipperde data komen er nog meer oorzaken bij. Als twee afdelingen een andere definitie van dezelfde KPI hanteren, kiest het model een van beide, zonder dat de gebruiker het ziet. Spreken twee documenten elkaar tegen, dan weegt het model ze niet op gezag of actualiteit. Dat gebeurt ook als je het model rechtstreeks aan een database koppelt. Toegang tot data is niet hetzelfde als begrip van die data.
Welke bedrijfscontext moet AI minimaal kennen?
AI moet minimaal weten wat gegevens betekenen, hoe indicatoren worden berekend en welke bron leidend is. Daarnaast hoort het de relevante bedrijfsregels en sectorkennis te kennen om cijfers inhoudelijk te kunnen beoordelen. Dit noemen we samen de contextlaag en domeinintelligentie.
Een praktische minimumset ziet er zo uit:
- KPI-definities: wat telt mee, wat niet, over welke periode en op welk niveau.
- Datamodel: welke tabellen en velden bij elkaar horen en hoe ze zich tot elkaar verhouden.
- Bronhiërarchie: welke bron wint als gegevens afwijken.
- Bedrijfsregels: uitzonderingen, drempelwaarden en beleid.
- Toegangsrechten: wie wat mag zien.
Domeinintelligentie voegt daar de interpretatie aan toe. In de zorg gelden andere definities en uitzonderingen dan in de logistiek of bij een gemeente. Een model dat die kaders kent, kan een afwijkende bezetting op een locatie ook verklaren, in plaats van alleen melden. Zie ook hoe dit speelt in de zorgsector.
Hoe leg je bedrijfscontext vast voor AI?
Je legt bedrijfscontext vast door definities, relaties en regels eenmalig en centraal te modelleren, zodat AI ze consistent kan gebruiken. Dat gebeurt in een semantische laag boven je databronnen. Daarin staat wat gegevens betekenen en hoe indicatoren worden berekend.
In de praktijk volg je grofweg deze stappen:
- Begin bij de vraag. Bepaal welke beslissing je wilt ondersteunen en welke informatie daarvoor nodig is.
- Stem definities af. Laat business en domeinexperts één definitie per KPI vastleggen.
- Modelleer de data. Verbind de relevante bronnen en leg de relaties vast in een semantisch model.
- Voeg regels en documenten toe. Beleid en uitzonderingen horen erbij, ook als ze nu alleen in documenten staan.
- Maak antwoorden herleidbaar. Gebruikers moeten kunnen zien op welke bron en berekening een antwoord rust.
Je hoeft hiervoor niet per se een nieuw platform te bouwen. Veel organisaties werken al met Microsoft Fabric, Power BI of Azure. Een semantisch model in die omgeving is vaak een goed startpunt, omdat de definities daar al deels bestaan. De uitdaging is meestal niet de techniek, maar de afstemming tussen afdelingen over wat een cijfer betekent.
Wat is het verschil tussen een AI-model met en zonder context?
Het verschil is dat een model zonder context algemeen en vaak onjuist antwoordt, terwijl een model met context bedrijfsspecifiek en controleerbaar antwoordt. Zonder context raadt het model wat je bedoelt. Met context rekent het met jullie definities, op jullie data.
Een voorbeeld maakt dit concreet. Stel dat iemand vraagt: “Hoe is de bezettingsgraad per gebouw?”
- Zonder context: het model kiest een berekening, bijvoorbeeld reserveringen gedeeld door capaciteit. Het noemt een percentage, maar niet de bron of de definitie.
- Met context: het model weet dat jullie bezetting meten op basis van daadwerkelijk gebruik, niet op basis van reserveringen. Het toont de uitkomst per gebouw en laat zien uit welke bron die komt.
Dat onderscheid is niet theoretisch. In een geanonimiseerd facilitymanagementvoorbeeld waren vergaderruimtes 68% van de tijd geboekt, terwijl ze 48% van de tijd daadwerkelijk werden gebruikt. De getallen in die case zijn fictief, maar het vraagstuk komt uit een echt project. Wie op reserveringen stuurt, neemt een heel ander investeringsbesluit dan wie naar gebruik kijkt.
Welke rol speelt data governance bij contextrijke AI?
Data governance zorgt ervoor dat de context die AI gebruikt ook klopt, actueel is en wordt beheerd. Het legt vast wie eigenaar is van een definitie, welke bron gezaghebbend is en wie welke data mag inzien. Zonder governance veroudert de context en verliest AI zijn betrouwbaarheid.
Voor AI zijn vooral drie onderdelen van governance belangrijk:
- Eigenaarschap: per KPI is er iemand die de definitie bewaakt en wijzigingen goedkeurt.
- Datakwaliteit: bekende fouten en lacunes zijn zichtbaar, zodat ze niet stilzwijgend in antwoorden terechtkomen.
- Toegang en privacy: AI toont alleen wat de gebruiker mag zien.
Vooral voor overheden en gemeenten is dit essentieel. Daar moet je een antwoord kunnen verantwoorden, dus traceerbaarheid en consistente definities zijn geen extra, maar een vereiste. Governance is ook geen eenmalig project. Definities veranderen als beleid, systemen of organisatiestructuur veranderen, en de context moet die veranderingen volgen.
Wanneer is een organisatie klaar voor AI met context?
Een organisatie is klaar voor AI met context wanneer er een concrete businessvraag ligt, de belangrijkste KPI’s eenduidig zijn gedefinieerd en de onderliggende data herleidbaar is. Je hoeft niet alles op orde te hebben. Een afgebakende usecase met een goede basis volstaat om te beginnen.
Gebruik deze vragen als check:
- Is er een duidelijke beslissing of vraag waarvoor je AI wilt inzetten?
- Zijn de bijbehorende KPI’s eenduidig gedefinieerd en bevestigd door de eigenaar?
- Weet je uit welke bronnen de cijfers komen en welke bron leidend is?
- Is er iemand die de definities beheert?
- Kun je een AI-antwoord controleren aan de hand van de bron?
Lukt het je niet om de eerste drie met ja te beantwoorden, dan is het slimmer om eerst de definities en data op orde te brengen. Dat is geen vertraging, maar de voorwaarde voor betrouwbare AI-gereedheid van je data. Een pilot op losse, tegenstrijdige data levert vooral discussie op over welk cijfer klopt, en weinig inzicht.
Hoe DataGrow helpt met AI die je organisatie begrijpt
Een AI-model koppelen aan je data is niet genoeg. Daarom bouwt DataGrow met Talking to Your Data de laag tussen je data en AI, zodat medewerkers in gewone taal vragen kunnen stellen en betrouwbare, herleidbare antwoorden krijgen. We beginnen bij de businessvraag en bouwen voort op je bestaande dataomgeving en IT-team, niet eromheen.
Dit doen we concreet:
- We ontsluiten de relevante databronnen en documenten.
- We brengen KPI-definities samen met business en domeinexperts op één lijn.
- We voegen de bedrijfscontext en domeinkennis toe die AI nodig heeft.
- We zorgen dat antwoorden gecontroleerd en herleidbaar zijn naar de bron.
- We werken met de technologie die je al gebruikt, zoals Microsoft Fabric, Azure, Power BI en Databricks.
Wil je weten of jouw usecase geschikt is? Neem contact met ons op en we kijken samen of en waar AI met context waarde oplevert voor jouw organisatie.
Veelgestelde vragen
Hoe begin ik concreet met het toevoegen van bedrijfscontext aan AI?
Kies één afgebakende usecase met een duidelijke beslissing erachter, bijvoorbeeld de bezettingsgraad per locatie of het verloop per afdeling. Leg voor de 5 tot 10 belangrijkste KPI’s de definitie vast samen met de eigenaar, en noteer per KPI de bron en berekening. Dat kan al in een eenvoudig document of in een bestaand Power BI-semantisch model, en je breidt het daarna stap voor stap uit.
Wat als twee afdelingen een andere definitie van dezelfde KPI gebruiken?
Breng beide afdelingen samen met een domeinexpert aan tafel en kies één leidende definitie, of geef de varianten een eigen naam (bijvoorbeeld ‘bezetting op basis van gebruik’ en ‘bezetting op basis van reservering’). Leg daarna vast wie eigenaar is van de definitie. Zolang dit niet is beslist, kiest het AI-model stilzwijgend een van de twee en weet de gebruiker dat niet.
Hoe controleer ik of een AI-antwoord daadwerkelijk klopt?
Vraag altijd om de bron, de gebruikte definitie en de berekening achter het antwoord, en vergelijk die steekproefsgewijs met een bestaand rapport of dashboard. Stel ook een set testvragen op waarvan je het juiste antwoord al kent en draai die na elke wijziging in je data of definities. Antwoorden zonder herleidbare bron moet je niet gebruiken voor besluiten.
Is het genoeg om documenten en beleidsstukken aan het AI-model te geven?
Nee, documenten alleen zijn zelden genoeg. Ze bevatten vaak verouderde of tegenstrijdige informatie en het model weegt niet welk document actueel of leidend is. Combineer documenten daarom met een gestructureerd datamodel, een bronhiërarchie en duidelijke eigenaren, zodat het model weet welke informatie voorrang heeft.
Hoe houd ik de context actueel als beleid, systemen of definities veranderen?
Wijs per KPI en per bron een eigenaar aan die wijzigingen goedkeurt en vastlegt, en neem een controle van de definities op in bestaande processen zoals een systeemwijziging of beleidsaanpassing. Werk de semantische laag centraal bij, zodat alle AI-toepassingen direct dezelfde nieuwe definitie gebruiken. Plan daarnaast een vaste periodieke review, bijvoorbeeld elk kwartaal.
Wat zijn veelgemaakte fouten bij het inzetten van AI op bedrijfsdata?
De meest voorkomende fouten zijn het model direct aan een database koppelen zonder definities, starten zonder concrete businessvraag, en geen eigenaar aanwijzen voor KPI’s. Ook wordt toegangsbeheer vaak vergeten, waardoor AI informatie kan tonen die de gebruiker niet mag zien. Voorkom dit door klein te beginnen, definities eerst af te stemmen en herleidbaarheid vanaf het begin mee te nemen.
Heb ik een nieuw dataplatform nodig om AI met context te gebruiken?
Meestal niet. Als je al werkt met Microsoft Fabric, Azure, Power BI of Databricks, bestaan er vaak al delen van de definities en relaties in je huidige semantische modellen. Bouw daarop voort en vul aan wat ontbreekt, zoals bedrijfsregels, bronhiërarchie en toegangsrechten, in plaats van een volledig nieuw platform te introduceren.