AI opschalen hoeft niet te betekenen dat datafundamenten telkens opnieuw worden opgebouwd

Voor ondernemingen staat het planningsseizoen voor 2027 alweer voor de deur, en investeringen in AI staan opnieuw bovenaan de agenda van directies. Uit recent onderzoek van Akeneo onder IT-besluitvormers bleek dat 93% productiviteitswinst door AI rapporteerde, terwijl 43% aangaf dat AI ook nieuwe verantwoordelijkheden met zich mee had gebracht.

Deze bevindingen laten zien hoeveel voorbereidend werk er nodig is om AI-projecten te realiseren. Vooral gegevensvoorbereiding vormt een aanzienlijk deel van dat werk. Van de IT-leiders die Akeneo ondervroeg, zei 36% dat hun organisaties meer dan de helft van de totale inspanning voor een AI-project besteden aan het voorbereiden van gegevens. Nog eens 53% gaf aan dat 26% tot 50% van de inspanning voor hun AI-project naar gegevensvoorbereiding gaat. Deze voorbereiding is noodzakelijk, maar de kans ligt erin ervoor te zorgen dat het werk voor de ene AI-implementatie opnieuw kan worden gebruikt ter ondersteuning van de volgende.

AI kan werk in het ene deel van een bedrijf overbodig maken, terwijl IT-teams er andere taken bij krijgen wanneer ze voor elke nieuwe implementatie gegevens voorbereiden en de context opnieuw opbouwen. De kans ligt er nu in meer van dat werk herbruikbaar te maken, zodat elke implementatie voortbouwt op de vorige in plaats van helemaal opnieuw te beginnen.

Menselijke context staat centraal bij AI

Mensen blijven centraal staan bij alle AI-pilots en -implementaties. IT-teams zijn gedurende de hele levenscyclus van nieuwe technologieën betrokken: van het begrijpen van zakelijke behoeften en het beoordelen van oplossingen tot implementatie, training, procesontwikkeling en doorlopende beveiliging. Na verloop van tijd leggen teams de uitzonderingen en ongeschreven regels die ze tegenkomen mogelijk niet vast, bijvoorbeeld wanneer dezelfde term in verschillende systemen anders wordt gedefinieerd. Die context wordt vaak institutionele kennis waarover individuele teamleden beschikken, in plaats van informatie waartoe de bredere organisatie betrouwbaar toegang heeft.

Dit werk kan doorgaan totdat de persoon die het antwoord kent niet beschikbaar is. Wanneer medewerkers van functie veranderen, de organisatie verlaten of simpelweg niet beschikbaar zijn wanneer zich een probleem voordoet, gaat de context verloren. Door die kennis vast te leggen in een gestructureerde, digitaal toegankelijke vorm, wordt ze beschikbaar voor anderen dan die ene persoon. Zo kunnen afzonderlijke teams eigenaar blijven van hun expertise en wordt tegelijk gewaarborgd dat de kennis binnen de hele organisatie kan worden geraadpleegd en hergebruikt, in plaats van bij elke nieuwe implementatie opnieuw te moeten worden ontdekt.

Goede data zijn niet altijd geschikt voor AI

Het is verleidelijk om dit allemaal af te doen als weer een probleem met datakwaliteit, maar het onderzoek van Akeneo wijst op iets complexers. 92% van de IT-leiders beoordeelt de product- en operationele gegevens die door hun AI-systemen worden gebruikt als goed of uitstekend. Hoewel de overgrote meerderheid meer dan een kwart van de totale inspanning voor een AI-project besteedt aan gegevensvoorbereiding.

Goede data zijn niet per se geschikt voor AI, vooral omdat wat als ‘goed’ geldt, kan afhangen van wie of wat de gegevens gebruikt. Modellen en agents hebben meer nodig dan nauwkeurige informatie. Ze moeten weten waar gegevens vandaan komen, hoe ze zich verhouden tot andere informatie, welke bron voorrang heeft en onder welke voorwaarden ze kunnen worden gebruikt. Deze regels zijn gemakkelijk over het hoofd te zien, omdat ze vaak besloten liggen in de manier waarop ervaren teams al werken.

Recent onderzoek van McKinsey naar de datagereedheid voor AI benadrukt op vergelijkbare wijze het belang van context. Niet alle informatie is waardevol voor modellen of agents. Maar wanneer informatie wel waardevol is, moet de context ervan overdraagbaar zijn. Zodra informatie zich buiten de oorspronkelijke bron bevindt, moeten de herkomst en de relaties met omliggende gegevens duidelijk blijven, zodat de betekenis niet verloren gaat.

Daarom wordt de architectuur achter AI minstens zo belangrijk als het model zelf. In tegenstelling tot traditionele software kunnen LLM’s vaak werken met gefragmenteerde gegevens en niet-gekoppelde systemen, zelfs wanneer informatie in verschillende bronnen anders is gestructureerd of gelabeld. Ze kunnen verbanden herkennen die niet eerder expliciet zijn vastgelegd. De grotere uitdaging is dat gegevens helemaal ontbreken. Wanneer modellen en agents in verschillende systemen werken, moeten de informatie en context die ze nodig hebben in de eerste plaats bestaan en toegankelijk zijn.

Onderzoek van PwC uit 2026 naar de uitvoeringskloof bij AI wees uit dat integratie de belangrijkste reden blijft waarom technologie-investeringen niet aan de verwachtingen voldoen. Het koppelen van een omvangrijk netwerk van ongestructureerde gegevens kost tijd en vertraagt projecten vaak voordat ze volledig zijn geïmplementeerd.

Het werk dat nodig is om die problemen voor één implementatie op te lossen, kan de volgende implementatie eenvoudiger maken.

AI-infrastructuur herbruikbaar maken

Bij één AI-project kan een groot deel van die voorbereiding achter de schermen plaatsvinden. IT-teams lossen inconsistenties op, bereiden de informatie voor die een toepassing nodig heeft en integreren de toepassing met andere systemen om het project in productie te nemen.

Het probleem ontstaat wanneer dat werk alleen de directe toepassing oplost. Gegevensvoorbereiding blijft altijd onderdeel van AI-implementatie, maar een groot deel van die inspanning moet ook bij volgende projecten van nut zijn. Als een team ontdekt dat hetzelfde veld of dezelfde term in twee systemen verschillende betekenissen heeft, moet het oplossen van die onduidelijkheid leiden tot een definitie die toekomstige toepassingen kunnen hergebruiken. Als het team bepaalt welke bron moet worden vertrouwd wanneer systemen elkaar tegenspreken, moet die beslissing ook voor toekomstige implementaties blijven gelden.

Hetzelfde principe geldt voor integraties. In plaats van voor elk model of elke agent een nieuwe route naar producten en informatie aan te leggen, moeten organisaties zorgen voor consistente manieren waarop AI-systemen betrouwbare informatie kunnen vinden en gebruiken.

De eerste implementatie kan nog steeds veel werk vergen, omdat teams definities, verbanden en uitzonderingen blootleggen die voorheen besloten lagen in de ervaring van mensen. Die inspanning kan ook bij volgende implementaties van pas komen, naarmate institutionele kennis steeds meer deel gaat uitmaken van de infrastructuur van de organisatie. Opeenvolgende implementaties kunnen hiervan profiteren; de mate waarin dat lukt, hangt af van hoeveel gemeenschappelijke grond er is tussen de data en gebruikssituaties.

Dat wordt steeds belangrijker nu AI niet alleen antwoorden genereert, maar ook acties gaat uitvoeren in bedrijfssystemen. Het AI-agentnormeninitiatief van NIST benadrukt hoe belangrijk het is dat agents veilig kunnen communiceren met interne data en externe systemen. Naarmate agents meer verantwoordelijkheid krijgen en met meer systemen en modellen samenwerken, moeten organisaties ervoor zorgen dat voor elke gebruikssituatie de juiste context en beheersmaatregelen zijn ingesteld, zonder alles volledig opnieuw te hoeven opzetten.

Governance moet onderdeel worden van de omgeving

Herbruikbare infrastructuur vereist ook herbruikbare governance. EY’s onderzoek uit september 2026 naar AI-risico’s en governance wees uit dat 91% van de senior AI-bestuurders zei dat hun organisaties agentische AI aan het testen waren of inzetten. Toch zei 49% van de respondenten van wie de organisatie agents gebruikt dat de bestaande governancekaders niet specifiek waren bijgewerkt voor de vereisten en risico’s van agentische AI.

Naarmate AI meer verantwoordelijkheid krijgt binnen een bedrijfsproces, moeten de regels voor dat proces onderdeel worden van de omgeving waarin de AI werkt. Een agent kan mogelijk zelfstandig toegang krijgen tot bepaalde informatie, terwijl op andere momenten in het proces menselijke controle of goedkeuring nodig kan zijn voordat de agent verder kan. Die beslissingen mogen niet uitsluitend vastliggen in een beleidsdocument of in iemands beeld van hoe het proces hoort te werken.

Governancebeslissingen moeten verder reiken dan interne evaluaties en ook worden doorgevoerd in de systemen waarin AI werkt. Het beleid, de machtigingen en de goedkeuringsmomenten die richting geven aan een systeem moeten al bij de implementatie worden vastgelegd. Als die beheersmaatregelen niet in het systeem zijn ingebouwd, moeten teams het beleid en de machtigingen telkens opnieuw interpreteren wanneer een nieuwe AI-toepassing wordt geïmplementeerd.

Voorbereiden op de volgende golf AI

Wanneer bedrijven in 2027 hun groeiende AI-budgetten gaan inzetten, krijgen IT-teams de verantwoordelijkheid voor een steeds groter aantal modellen, integraties en systemen. De grotere uitdaging is of organisaties infrastructuur bouwen die geschikt is voor wat hierna komt.

Als teams nog steeds dezelfde definities moeten vaststellen, dezelfde verbindingen opnieuw moeten opbouwen en dezelfde regels moeten vertalen, groeit AI mogelijk sneller dan de infrastructuur die nodig is om AI te ondersteunen.

Dat biedt een andere manier om na te denken over de gereedheid voor AI. Vooruitgang moet niet alleen worden afgemeten aan het aantal modellen of agents dat in productie wordt genomen, maar ook aan de vraag of elke implementatie de organisatie beter voorbereidt op de volgende.

AI maakt afzonderlijke taken nu al sneller. De volgende productiviteitswinst komt voort uit het makkelijker hergebruiken van het werk achter die systemen. AI wordt steeds verder ingebed in bedrijfsprocessen, waardoor meer systemen afhankelijk worden van dezelfde datafundamenten. Of organisaties de volgende generatie AI gemakkelijk kunnen inzetten, hangt af van de vraag of ze dat fundament nu opbouwen.