Waarom AI-projecten stranden op data, niet op AI

De meeste AI-projecten die vastlopen, lopen niet vast op de AI. Ze lopen vast op de data eronder: versnipperd over systemen, van wisselende kwaliteit, en niet vindbaar op het moment dat het model het nodig heeft.

AI is zo goed als de data die het voedt.

Een model is een vergrootglas. Voed je het schone, goed ontsloten data, dan versterkt het je organisatie. Voed je het rommel, dan versterkt het de rommel, alleen sneller en met meer overtuiging.

Het probleem zit zelden in het model

Moderne modellen zijn verbluffend goed en breed beschikbaar. Juist daarom is het model bijna nooit de bottleneck. Wat we in de praktijk zien:

• Data zit verspreid over systemen die niet met elkaar praten.
• Niemand weet zeker welke bron de waarheid is.
• Kwaliteit en betekenis verschillen per afdeling.
• Gevoelige gegevens en gewone gegevens lopen door elkaar.

Een AI-toepassing die hierop wordt losgelaten, geeft antwoorden die plausibel klinken maar niet te vertrouwen zijn. En één onbetrouwbaar antwoord op een belangrijk moment kost meer vertrouwen dan tien goede antwoorden opleveren.

Begin bij zichtbaarheid, niet bij een pijplijn

Voordat je iets bouwt, wil je weten wat je hebt. Welke bronnen zijn er, wie is eigenaar, hoe vers is de data, en welk deel is gevoelig. Die inventarisatie is saai en onmisbaar: ze bepaalt wat haalbaar is en waar het risico zit.

Het fundament: van bron naar bruikbaar antwoord

Pas als het beeld helder is, leggen we de laag ertussen. Niet als doel op zich, maar als het kortste pad van een betrouwbare bron naar een bruikbaar antwoord:

• Ontsluiten: bronnen samenbrengen en opschonen, zodat er één betrouwbaar beeld ontstaat in plaats van losse eilanden.
• Vindbaar maken: informatie doorzoekbaar op betekenis, niet alleen op trefwoord, zodat het model de juiste context vindt.
• Onderbouwen: antwoorden met bronvermelding, zodat een mens kan controleren waar iets op gebaseerd is.
• Afschermen: privacy en toegang in het ontwerp, niet als sluitstuk.

Waar je data woont, bepaalt wat je durft

Een deel van het fundament gaat niet over kwaliteit, maar over soevereiniteit: waar staat je data, wie kan erbij, en onder welk rechtsstelsel valt het. Zodra je gevoelige of concurrentiegevoelige gegevens door een extern model haalt, is dat een strategische keuze, geen technisch detail.

Voor veel organisaties is dat de reden om te kiezen voor modellen die binnen de eigen omgeving of binnen de EU draaien. Niet uit angst voor de techniek, maar omdat afhankelijkheid van één leverancier en onduidelijkheid over dataverwerking op termijn duurder zijn dan de infrastructuur om het zelf in de hand te houden. Datasoevereiniteit is geen rem op AI; het is de voorwaarde waaronder een organisatie er haar belangrijkste data aan durft toe te vertrouwen.

Hoe dat er in de praktijk uitziet, lees je in onze case voor Noordhoff Zorg: een soevereine AI-architectuur waarin zorgprofessionals betrouwbare antwoorden vinden, met volledige regie over data en model.

Privacy hoort in het fundament

Wie data ontsluit voor AI, ontsluit ook risico. Daarom is toegang, isolatie en herleidbaarheid geen laatste stap maar onderdeel van het ontwerp. Dat is niet alleen een AVG-plicht, het is de voorwaarde waaronder een organisatie AI überhaupt durft te vertrouwen. Meer over dat bestuurlijke deel in AI governance: van AI Act naar bestuurbare AI.

Conclusie

De vraag “welk model gebruiken we?” is bijna nooit de vraag die het verschil maakt. De vraag “kunnen we onze data vertrouwen, en vindt het model haar op tijd?” wel. Wie daar eerst antwoord op geeft, bouwt AI die blijft werken. Wie die vraag overslaat, bouwt een demo.