Enterprise AI hangt af van data die mensen kunnen vertrouwen

In 2025 investeerden bedrijven naar schatting $30 miljard tot $40 miljard in generatieve AI, maar MIT’s Project NANDA ontdekte dat slechts 5 procent van de meer dan 300 enterprise‑implementaties die het onderzocht, leverden meetbare financiële rendementen.

Ik heb meer dan 25 jaar gewerkt binnen enterprise‑dataprogramma’s. Nog lang voordat generatieve AI het gesprek binnenkwam, zag ik hoe snel technologie haar geloofwaardigheid verloor wanneer mensen niet op de onderliggende data konden vertrouwen. Generatieve AI verhoogt de inzet omdat het twijfelachtige data kan omzetten in een zelfverzekerd antwoord.

Vroeger zeiden we ‘garbage in, garbage out’. Nu is het ‘garbage in, disaster out’. Wanneer data verdacht leek, kon een persoon zijn oordeel gebruiken en een dataspecialist inschakelen. De specialist voerde een oorzaakanalyse uit, identificeerde het probleem en paste een oplossing toe. Vandaag kunnen agenten handelen op basis van welke data ze ook tegenkomen. Zonder deskundig menselijk toezicht kan het resultaat deel gaan uitmaken van de operaties, worden gebruikt in beslissingen en zich door de hele organisatie opschalen.

Hetzelfde probleem kan zich voordoen in een chatbot. Het overslaan van governance kan slechte of slecht begrepen data omzetten in een antwoord dat gezaghebbend klinkt, direct en op schaal.

Vertrouwen is de echte adoptie‑rem

Wanneer een interne chatbot iemand een zelfverzekerd maar fout antwoord geeft, zal die persoon het niet meer vertrouwen. In een grote organisatie zal AI ook de data vinden die je liever niet ontdekt ziet. Ik vergelijk het met vuile sokken onder het bed: die data is misschien uit het zicht, maar AI zal die donkere data vinden en gebruiken.

Context moet met de data meereizen en de basis vormen waarop LLM’s voortbouwen. Voordat een AI‑model data gebruikt, moeten mensen weten wat het betekent, waar het vandaan komt, wie het bezit en welke bedrijfsregels en -beleid eromheen hangen.

Leidinggevenden kunnen dit over het hoofd zien omdat het systeem zelden crasht. AI kan vol vertrouwen fout zijn; het kan bijvoorbeeld lijm voor je pizza suggereren (een zeer oud voorbeeld). Stel je een chatbot voor die een zelfverzekerd maar fout antwoord geeft, en de medewerkers stoppen met vertrouwen erop. Het herwinnen van dat vertrouwen kost veel langer dan het van tevoren instellen van de juiste controles.

Die erosie komt ook in de data naar voren. Werknemers bij meer dan 90 procent van de bedrijven die MIT bestudeerde blijven persoonlijke AI‑tools naast hun werk gebruiken, zelfs nadat de officiële pilot die hun werkgever had opgezet hun vertrouwen niet had gewonnen. Wanneer het goedgekeurde hulpmiddel hun vertrouwen niet heeft verdiend, zoeken werknemers een andere manier om het werk gedaan te krijgen.

Veel van het AI‑onderzoek van dit jaar wijst op hetzelfde probleem: organisaties gaan door met AI voordat ze het werk hebben gedaan om hun data betrouwbaar te maken. Gartner schatte dat bijna twee derde van de organisaties ofwel niet over de juiste datamanagementpraktijken voor AI beschikt, of niet zeker weet of ze die hebben. Apart onderzoek van IDC vond een vergelijkbare kloof op het vertrouwensgebied: 78 procent van de organisaties zegt hun AI volledig te vertrouwen, maar slechts 40 procent heeft daadwerkelijk geïnvesteerd in governance‑ en verklaarbaarheidswerk dat dat vertrouwen zou rechtvaardigen.

De kloof tussen vertrouwen en investering helpt verklaren waarom zoveel AI‑initiatieven stilvallen voordat ze productie bereiken of niet aansluiten bij de beoogde waarde.

AI‑governance is nu het concurrentievoordeel

Gedurende het grootste deel van mijn carrière was data‑governance een van de minst glamoureuze onderdelen van enterprise‑IT. Het catalogiseren van metadata, het definiëren van eigenaarschap, het profileren van data en het beheren van workflows kon aan schoonmaakwerk doen denken. Mensen sloegen het vaak over omdat de inspanning groter leek dan de waarde die het opleverde.

AI heeft dat veranderd. Het wordt een governance‑capaciteit op gebieden zoals het ontwerpen van data‑blueprints, het creëren van door de industrie samengestelde glossaria, en het aanbevelen en activeren van datapolicies. Zelfs data‑lineage kan nu sneller worden afgeleid en gestroomlijnd, waardoor de waarde van beheerde datapijplijnen en observabiliteit makkelijker te realiseren is.

Regulering maakt datatransparantie ook urgenter. De EU AI‑Act werd op 2 augustus 2026 breed toepasbaar, inclusief transparantieregels voor bepaalde systemen en AI‑gegenereerde content. De wet stelt ook afzonderlijke eisen voor high‑risk systemen, waaronder documentatie en informatie die implementatoren helpt hun output te interpreteren, hoewel sommige high‑risk bepalingen later van kracht worden.

Voor bedrijven is de praktische les eenvoudig: duidelijke lineage en governance maken het makkelijker om te documenteren welke data is gebruikt, waar deze vandaan kwam en hoe het systeem moet functioneren.

Het regelgevingsbeeld in de VS blijft onduidelijk. Zonder een alomvattende federale AI‑wet moeten bedrijven verschillende staatsvereisten navigeren, zelfs terwijl het Witte Huis de mogelijkheid van staten om eigen AI‑regels te creëren en handhaven wil beperken. De AI‑Act van Colorado, het meest uitgebreide staatskader dat bestaat, is al eens uitgesteld en herschreven in die strijd, waarbij de kernverplichtingen nu naar 2027 zijn verschoven. Voor veel Amerikaanse bedrijven is de verleiding om de onzekerheid af te wachten groot.

Ik zou beweren dat dat de verkeerde instinct is. Welk regelgevingsmodel uiteindelijk in de VS zal slagen, de onderliggende eis verdwijnt niet. Weet waar je data vandaan komt. Weet of iemand het daadwerkelijk heeft gevalideerd voordat de AI het gebruikte. Het nu ontwikkelen van die discipline zal bedrijven helpen zich voor te bereiden op nieuwe regelgeving en veelbelovende AI‑pilots omzetten in tools die het bedrijf met vertrouwen kan gebruiken.

Wat de 5 procent scheidt

Laat me je vertellen over één klant. Hun grootboekteam moest elke keer dat er een discrepantie in de boeken verscheen, door 300 afzonderlijke spreadsheets ploeteren. Driehonderd. Iemand heeft uiteindelijk die chaos omgevormd tot één beheerd data‑asset, met de berekeningen, de rapporten en de onderliggende data samengepakt en vooraf gevalideerd. De volgende keer dat er een probleem optrad, kostte de oplossing een fractie van de inspanning die daarvoor nodig was. Alleen al voor dat proces bespaarde men ongeveer 750 arbeidsdagen. Dat is miljoenen dollars aan kostenbesparingen alleen al door dat op te ruimen.

De verbetering kwam doordat de juiste data gemakkelijk vindbaar en betrouwbaar genoeg was om te gebruiken zonder erover te twijfelen. Samenwerking en hergebruik maakten dat mogelijk. Vertrouwde data‑producten kunnen worden afgestemd op bedrijfsstandaarden, in de loop van de tijd worden uitgebreid en geüpgraded, worden gescoord op vertrouwen en beheerd voor waarde. Deze aanpak vermindert de noodzaak om honderden of duizenden producten te creëren die gekoppeld zijn aan individuele fysieke databasetabellen.

Sterke programma’s maken dat vertrouwen zichtbaar. In de datamarktplaatsen waarmee ik werk, kunnen assets worden geclassificeerd als goud, zilver of brons op basis van factoren zoals kwaliteit, curatie, gebruik en eigendom. Een zakelijke gebruiker kan zien hoe betrouwbaar een asset is voordat hij deze gebruikt. Die zichtbaarheid helpt mensen te stoppen met gokken en maakt hen meer bereid om bestaande data opnieuw te gebruiken.

Het cijfer van 95 procent is een waarschuwing over hoe casual veel bedrijven de data achter generatieve AI hebben behandeld. De organisaties die vooruitgang boeken, geven mensen een duidelijk beeld van waar hun data vandaan komt, hoe deze is gevalideerd en of ze geschikt is voor de taak. Na jaren waarin datamanagement als achtergrondwerk werd gezien, maakt AI eindelijk de waarde ervan zichtbaar.

Bronnen uit het oorspronkelijke artikel: artificialintelligenceact.eu [1]