De meeste AI-pilots mislukken. Niet door de technologie.
Ik spreek regelmatig met mensen die enthousiast vertellen over hun AI-pilot. Een chatbot die klantvragen afhandelt. Een tool die contracten samenvat. Een dashboard dat voorspelt wanneer machines uitvallen. De demo’s zien er goed uit. De cijfers ook. En dan stel ik de vraag: en hoe gaat het met opschalen? Stilte. Of een verhaal over vertraging. Technische problemen. ‘We zijn nog bezig.’ Wat blijkt, zelden is het de AI die faalt. Vrijwel altijd is het de data die niet klaar is.
De stille saboteur van AI
Het patroon herhaalt zich in vrijwel elke sector. Een team bouwt een model op een nette, opgeschoonde dataset. Het werkt prachtig in de testomgeving. Maar zodra het in de echte organisatie moet draaien -met data verspreid over tientallen systemen, in verschillende formats, met inconsistente definities- loopt het vast.
De oorzaak is niet de AI zelf. Het is de versnippering van data. Gestructureerde data in het ene systeem, ongestructureerde documenten in het andere, toegangsrechten die nergens kloppen, en geen eenduidige definitie van wat een ‘klant’, een ‘product’ of een ‘incident’ eigenlijk is.
Dat klinkt als een technisch probleem. Maar in de praktijk is het een organisatievraagstuk.
Wat AI-readiness eigenlijk betekent
Er wordt veel gesproken over AI-strategie. Minder over wat AI-strategie vereist: een solide datafundament.
Unified access -de mogelijkheid om gestructureerde én ongestructureerde data vanuit één plek te benaderen- is daarin geen luxe. Het is de minimale voorwaarde.
Gestructureerde data is wat je in databases vindt: klantnummers, transacties, productcodes. Ongestructureerde data is al het andere: e-mails, PDF-rapporten, vergadernotities, contracten. De meeste AI-toepassingen die écht waarde toevoegen, hebben beide nodig. En de meeste organisaties hebben beide, maar niet verbonden.
Daarbij komen twee andere vereisten die vaak worden onderschat: beveiliging en governance. Wie heeft toegang tot welke data? Wie is verantwoordelijk als een AI-model een beslissing neemt op basis van onjuiste data? In een omgeving zonder duidelijke spelregels worden deze vragen pas gesteld als het al misgegaan is.
De drie barrières die opschalen verhinderen
Datasilo’s. Afdelingen bewaken hun eigen data. Sales heeft zijn CRM, finance zijn ERP, operations zijn eigen spreadsheets. Er is geen gedeelde laag. AI-modellen kunnen niet leren van het geheel omdat het geheel nergens bestaat.
Inconsistente kwaliteit. Data die voor rapportages ‘goed genoeg’ was, is voor AI-training riskant. Ontbrekende velden, dubbele records, verouderde informatie en kleine fouten worden grote problemen als een model er duizenden beslissingen op baseert.
Governance-leegte. Veel organisaties hebben geen antwoord op de vraag: wie is eigenaar van de data? Zonder dat antwoord is elke AI-implementatie een tijdbom. Niet technisch, maar bestuurlijk.
De kanttekening die je moet maken
Het is verleidelijk om dit te lezen als een pleidooi voor een groot, duur dataplatform-project voordat je ook maar iets met AI doet. Dat is het niet.
De organisaties die het beste presteren op AI zijn niet de organisaties die het langst hebben gewacht totdat hun data perfect was. Ze zijn begonnen met een concrete use case, hebben de data daarvoor in orde gebracht, geleerd van wat werkte en van daaruit opgebouwd.
Perfecte data bestaat niet. AI-ready data wel. Het verschil is dat AI-ready data fit for purpose is: voldoende volledig, voldoende consistent, voldoende toegankelijk voor de specifieke toepassing die je wilt bouwen.
Wat betekent dit voor jou?
Als je organisatie AI serieus neemt -en dat zou ze moeten- is de eerlijkste vraag niet ‘welk model gebruiken we?’ maar ‘wat is de staat van onze data?’
Begin klein. Kies één proces dat je wilt verbeteren. Breng in kaart welke data daarvoor nodig is, waar die staat, wie er toegang toe heeft en hoe betrouwbaar die is. Dát inzicht is waardevoller dan welke AI-tool dan ook.
De technologie is er. De modellen worden elke maand beter. De bottleneck zit niet in de AI. Die zit in de fundering waarop je hem wilt bouwen.
