Enterprise AI is afhankelijk 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 waren meetbare financiële resultaten opleverde.

Ik heb meer dan 25 jaar gewerkt binnen enterprise‑dataprogramma’s. Nog lang voordat generatieve AI in het gesprek kwam, 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.

We zeiden vroeger: ‘garbage in, garbage out’. Nu is het ‘garbage in, disaster out’. Wanneer data verdacht leek, kon iemand zijn oordeel gebruiken en een dataspecialist benaderen. De specialist voerde een root‑cause‑analyse uit, identificeerde het probleem en paste een oplossing toe. Vandaag kunnen agents handelen op welke data ze ook tegenkomen. Zonder deskundig menselijk toezicht kan het resultaat deel worden van de operaties, gebruikt worden 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, onmiddellijk en op schaal.

Vertrouwen is het echte adoptie‑knelpunt

Wanneer een interne chatbot iemand een zelfverzekerd maar fout antwoord geeft, zal die persoon hem niet meer vertrouwen. In een grote organisatie zal AI ook data vinden die je liever niet gevonden wilt hebben. Ik vergelijk het met vuile sokken onder het bed: die data is misschien uit het zicht, maar AI zal die duistere 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 de eigenaar is en welke bedrijfsregels en beleidsregels erop van toepassing zijn.

Leiderschap kan dit over het hoofd zien omdat het systeem zelden crasht. AI kan vol vertrouwen fout zijn; het kan bijvoorbeeld lijm voor je pizza aanbevelen (een heel 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 meer tijd dan het van tevoren instellen van de juiste controles.

Die erosie blijkt ook in de data. Werknemers bij meer dan 90 procent van de bedrijven MIT bestudeerde blijven persoonlijke AI‑tools naast hun werk gebruiken, zelfs nadat de officiële pilot die hun werkgever had opgezet hun vertrouwen niet won. 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 vergelijkbaar gat op het vertrouwensgebied: 78 procent van de organisaties zegt volledig vertrouwen te hebben in hun AI, maar slechts 40 procent heeft daadwerkelijk geïnvesteerd in governance‑ en uitlegbaarheidswerk dat dat vertrouwen zou rechtvaardigen.

De discrepantie tussen vertrouwen en investering helpt verklaren waarom zoveel AI‑initiatieven stagneren voordat ze productie bereiken of niet overeenkomen met 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 eigendom, het profileren van data en het beheren van workflows kon aanvoelen als schoonmaakwerk. 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 datablauwdrukken, 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 realiseerbaar wordt.

Regulering maakt ook de transparantie van data 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 hoog‑risico‑systemen, waaronder documentatie en informatie die implementatoren helpt hun output te interpreteren, hoewel sommige hoog‑risico‑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 die vandaan kwam en hoe het systeem bedoeld is te 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‑wet van Colorado, het meest uitgebreide staatskader dat bestaat, is al eens uitgesteld en herschreven in dat conflict, waarbij de kernverplichtingen nu naar 2027 zijn verschoven. Voor veel Amerikaanse bedrijven is de verleiding om de onzekerheid af te wachten groot.

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

Wat de 5 procent scheidt

Laat me u vertellen over één klant. Hun grootboekteam moest elke keer dat er een discrepantie in de boekhouding verscheen, door 300 afzonderlijke spreadsheets ploeteren. Driehonderd. Iemand heeft uiteindelijk die hele rommel herbouwd tot één beheerd data‑asset, met de berekeningen, de rapporten en de onderliggende data samengevoegd en vooraf gevalideerd. De volgende keer dat er een probleem optrad, vergde de oplossing een fractie van de eerdere inspanning. Alleen al in dat proces bespaarde men ongeveer 750 dagen arbeid. Dat is miljoenen dollars aan kostenbesparingen alleen al door dit op te ruimen.

De verbetering kwam doordat de juiste data gemakkelijk te vinden en betrouwbaar genoeg was om te gebruiken zonder erover te twijfelen. Samenwerking en hergebruik maakten dat mogelijk. Vertrouwde dataprodukten kunnen worden afgestemd op bedrijfsstandaarden, in de loop der tijd worden uitgebreid en geüpgraded, 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 vrijblijvend veel bedrijven de data achter generatieve AI hebben behandeld. De organisaties die vooruitgang boeken, geven mensen een duidelijk inzicht in waar hun data vandaan komt, hoe deze is gevalideerd en of ze geschikt is voor de taak. Na jaren waarin datamanagement werd gezien als achtergrondwerk, maakt AI eindelijk haar waarde zichtbaar.