U bent niet klaar voor AI tot u uw eigen data bezit

Elke directie krijgt vandaag dezelfde vraag: wat gaat u met AI doen. De demo's ogen sterk, de eerste pilot start vlot, en dan stokt het. Bijna altijd op dezelfde plek. Niet bij het model, maar bij de data eronder.

Dat is eigenlijk goed nieuws. Het betekent dat uw voorsprong niet bij een leverancier ligt te wachten. Ze ligt in uw eigen huis, in data die u al hebt maar nog niet bezit op een manier waar een model iets mee kan.

Het probleem is niet het model, het is de data

De modellen zijn een handelsartikel geworden. De grote commerciële varianten en de open-source modellen die u zelf draait, presteren binnen dezelfde marge, en ze worden elke maand beter zonder dat u er iets voor doet. Daar wint u het niet.

U wint het bij wat het model te zien krijgt. Een AI die uw offertes kent, uw servicehistoriek, uw voorraadbewegingen en uw marges, doet iets wat geen algemeen model kan. Een AI die daar niet bij kan, geeft u een vlotte samenvatting van het internet. Correct van toon, leeg van inhoud.

De reden dat iedereen naar het model kijkt, is begrijpelijk. Het model is het zichtbare deel, dat wat elke demo toont en waar de leverancier over praat. De data eronder is leidingwerk, en niemand koopt graag leidingwerk. Maar de demo draait op nette voorbeelddata. Uw bedrijf draait op de rommelige echte versie. Dat verschil is precies waar pilots sneuvelen.

Het onderscheid tussen die twee zit dus niet in de modelkeuze. Het zit in de vraag of uw data bereikbaar is, of ze klopt, en of ze op één plek staat. Bij de meeste bedrijven is het antwoord drie keer nee. Daar eindigt het AI-verhaal nog voor het begint.

Er is een verleiding om die drie vragen te omzeilen: koop een kant-en-klaar AI-product dat belooft uw data zelf te ontsluiten. Dat verplaatst het probleem alleen. U geeft een nieuwe leverancier toegang tot data die u nog steeds niet centraal bezit, en u voegt een silo toe in plaats van er een weg te halen. De rekening voor het opruimen komt later, en dan groter.

Dark data: de helft die u niet ziet

Splunk becijfert dat ongeveer 55% van alle bedrijfsdata dark is: opgeslagen, maar niet vindbaar, niet klasseerbaar, niet bruikbaar (Splunk). U betaalt voor de opslag, u draagt het risico dat eraan hangt, en u haalt er geen waarde uit.

Dark data is niet exotisch. Het is het gewone werk dat naast uw systemen valt.

• E-mails met de echte afspraken die nooit in een systeem belanden
• PDF's en offertes in een gedeelde map die niemand nog terugvindt
• Machinelogs en sensordata die worden weggeschreven en nooit gelezen
• Exports die iemand ooit maakte en die sindsdien stilletjes verouderen

Bewaren is bovendien niet gratis. U betaalt opslag voor informatie die u nooit raadpleegt. U draagt het risico als er persoonsgegevens tussen zitten die niemand meer opvolgt. Bij een audit of een incident is data die u niet kunt terugvinden geen bezit, het is een risico.

Die berg groeit sneller dan de rest. Ongestructureerde data, e-mails, documenten, beeld, logs, neemt elk jaar toe in aandeel. Doet u niets, dan wordt de kloof tussen wat u opslaat en wat u kunt gebruiken elk jaar breder.

IDC schat dat van alle ongestructureerde data die bedrijven aanmaken, ongeveer 90% nooit wordt geanalyseerd (IDC). Voor AI is dat niet één cijfer tussen andere, het is de kern. Een model is zo goed als de context die het krijgt. Als negen op de tien documenten onzichtbaar blijven, redeneert uw AI op een tiende van uw werkelijkheid, en presenteert dat tiende met de stelligheid van een geheel.

Waarom SaaS uw data gijzelt

Dat data verspreid en onbereikbaar ligt, is zelden slordigheid. Het is architectuur. Elk team koos ooit zijn eigen tool. Verkoop in het ene systeem, facturatie in het tweede, tickets in het derde, planning in een spreadsheet die één iemand beheert. Elk van die tools houdt uw data vast in zijn eigen formaat, achter zijn eigen API, onder zijn eigen voorwaarden.

Op papier is dat uw data. In de praktijk huurt u toegang. U mag ze bekijken zolang u betaalt. De export is beperkt tot wat de leverancier voorziet, de historiek reikt maar zo ver terug, en elke koppeling tussen twee systemen is een apart project met een eigen factuur. De leverancier heeft geen enkel belang bij data die vlot naar buiten stroomt. Lock-in is geen bijwerking, het is het verdienmodel.

Neem een simpele situatie. Een klant belt boos op. Om te weten wat er speelt, moet iemand in verkoop kijken wat beloofd is, in het ticketsysteem wat misliep, in facturatie wat openstaat en in de planning wanneer de volgende levering vertrekt. Vier systemen, vier logins, vier exports die niet op elkaar aansluiten. Wat een mens met moeite bij elkaar sprokkelt, kan een model helemaal niet, want het krijgt die vier stukken nooit samen te zien.

Zolang uw data in vijf silo's zit die elkaar niet kennen, kunt u geen enkele vraag stellen die de grens van één systeem overschrijdt. En dat zijn net de vragen die iets opleveren: waar loopt marge weg per klantsegment, welke leveringen voorspellen een klacht, waar zit stille voorraad vast.

Datakwaliteit: de stille rem

Stel dat u uw data toch op één plek krijgt. Dan volgt de laag eronder: klopt ze. Gartner becijfert dat slechte datakwaliteit organisaties gemiddeld 12,9 miljoen dollar per jaar kost (Gartner). Dubbele klantfiches, adressen die niet meer bestaan, velden die elk team anders invult, bedragen in de verkeerde munt.

Bij handwerk vangt een mens die fouten op. Iemand ziet dat een order niet klopt en belt na. Een model doet dat niet. Het neemt uw data letterlijk en bouwt er met volle overtuiging op verder.

Slechte data levert geen zichtbare fout op. Ze levert een vloeiend, geloofwaardig antwoord op dat gewoon fout is.

Dat is het venijnige aan AI op een wankele basis. De fout verdwijnt niet, ze wordt vermenigvuldigd en krijgt een net pak aan. Wie eerst zijn data op orde zet en dan een model inschakelt, wint twee keer. Wie de volgorde omdraait, automatiseert zijn eigen ruis en betaalt om ze sneller te verspreiden.

Kwaliteitsproblemen verstoppen zich bovendien zolang systemen los van elkaar staan. Elk systeem is intern min of meer consistent. Pas wanneer u ze samenbrengt, botsen de definities: welke datum telt, welke klant is de echte, welk bedrag is inclusief. Dezelfde oefening die uw data klaarmaakt voor AI, legt die scheuren bloot. Beter dat u ze ziet dan dat een model ze onzichtbaar gladstrijkt.

Wat eigenaarschap verandert

Eigenaarschap betekent één concrete zaak. Uw data staat in een repository die van u is, in een formaat dat u kunt lezen, op infrastructuur die u controleert. Niet gehuurd, niet verspreid, niet gegijzeld achter de voorwaarden van een derde.

Zodra dat staat, verschuift de vraag. Niet langer welk model u kiest, maar wat u wilt weten. Verkoop, service, planning en facturatie liggen in dezelfde bron, in dezelfde taal. Een model overziet ze in één blik. De AI die u dan bouwt, werkt op uw volledige werkelijkheid, en u kunt tot op de bron nagaan waar elk antwoord vandaan komt.

Die ene bron betaalt zichzelf terug lang voor de eerste AI-toepassing. Rapportering die vandaag een halve dag knip- en plakwerk kost, wordt een query. Nieuwe mensen vinden hun weg in één systeem in plaats van in zeven. En de dag dat u een model inschakelt, is de moeilijke helft van het werk al gedaan.

Eigenaarschap maakt u ook onafhankelijk van welk model wint. Vandaag kiest u er een, volgend jaar een beter of goedkoper. Staat uw data op één plek en is ze van u, dan wisselt u van model zonder uw fundament aan te raken. Zit uw data vast in het product van een leverancier, dan wisselt u niets zonder opnieuw te beginnen.

De weg daarheen is geen nieuw AI-project bovenop de bestaande wildgroei. Het is die wildgroei zelf opruimen. Begin met een audit van waar uw data vandaag zit, in welke staat ze is en wie ze eigenlijk bezit. Bouw daarna naar één platform in eigendom dat uw verspreide tools vervangt en alles samenbrengt op één plek die u controleert. Pas als die basis er ligt, is de vraag over AI de moeite van het stellen waard.

Dat is de volgorde die wij bij YK Technologies aanhouden. We bouwen één open-source platform dat in uw eigendom staat, met de code vanaf dag één in uw eigen repository, op EU-cloud en met beveiliging op NIS2-niveau. Geen licenties per gebruiker, geen lock-in. We werken in golven, met een go/no-go bij elke stap, zodat u nooit vastzit aan een keuze die u niet meer kunt terugdraaien.

AI komt daarna. Niet omdat het minder telt, maar omdat het pas werkt met vaste grond eronder. Het model is het makkelijke deel, het ligt klaar en wordt vanzelf beter. De data eronder is uw bedrijf. Wie ze bezit, bezit zijn AI. Wie ze verhuurt, bouwt op zand.