Blog voor BI Platform
Mijn eerste blog voor BI Platform is gepubliceerd:
AI als lakmoesproef voor datavolwassenheid.
https://biplatform.nl/ai-als-lakmoesproef-voor-datavolwassenheid/
AI is in korte tijd uitgegroeid tot een strategisch speerpunt in vrijwel elke organisatie. Daarbij wordt een duidelijk patroon zichtbaar: terwijl de technologie zich razendsnel ontwikkelt, blijft de waardecreatie in veel organisaties achter. De oorzaak ligt niet in het tekortschieten van AI, maar in de basis, de data, die niet stevig genoeg is.
In veel organisaties wordt hard gewerkt aan AI-strategieën, experimenten en implementaties. Er worden tools geselecteerd, use cases gedefinieerd en pilots uitgevoerd. Maar wanneer deze initiatieven verder moeten opschalen of structureel waarde moeten leveren, blijkt dat de basis vaak nog niet stevig genoeg is.
Onderzoek van Gartner laat zien dat organisaties naar verwachting een groot deel van hun AI-projecten zullen stopzetten wanneer de data niet “AI-ready” is. Andere studies laten zien dat een aanzienlijk deel van AI-initiatieven niet verder komt dan de experimentele fase, vaak met data als belangrijkste oorzaak van de stagnatie.
AI versterkt wat er al is
AI-systemen doen precies wat ze moeten doen: ze leren van data en schalen patronen op. Dat betekent ook dat ze bestaande problemen niet oplossen, maar juist vergroten.
Wanneer data onnauwkeurig, incompleet of inconsistent is, zal AI dat niet corrigeren. Het zal het reproduceren – en op grotere schaal toepassen. Daarmee verschuift datakwaliteit van een operationeel aandachtspunt naar een strategische succesfactor.
Deze observatie sluit naadloos aan bij wat binnen de internationale data management community al langer wordt benadrukt. Publicaties en frameworks vanuit DAMA International (Data Management Association International), en specifiek het DAMA-DMBOK2, bestempelen datakwaliteit, metadata en governance al jaren als kernvoorwaarden voor betrouwbare informatievoorziening.
AI maakt deze principes – die niet nieuw zijn – urgenter.
Het probleem zit niet in technologie
Wat opvalt, is dat organisaties zelden tekortschieten op het vlak van technologie. Cloudplatformen, data lakes, AI-modellen en tooling zijn in ruime mate beschikbaar. De uitdaging zit vrijwel altijd in de organisatie zelf, in onduidelijkheid over vragen als: wie is verantwoordelijk voor data, welke definities worden gebruikt, hoe wordt kwaliteit geborgd en hoe worden beslissingen genomen op basis van data?
Binnen chapters zoals DAMA NL, maar ook andere Europese DAMA-gemeenschappen, is dit precies waar de focus ligt: op het organiseren van eigenaarschap, rollen en besluitvorming rondom data. En dan niet alleen op frameworks en modellen, maar vooral op het vertalen van de theorie van data management naar werkende praktijk.
Governance als onderdeel van het systeem
Governance – het organiseren van eigenaarschap, rollen en besluitvorming – wordt nog te vaak gezien als een set regels of policy’s die naast de organisatie bestaan. In de praktijk blijkt dat governance op die manier onvoldoende functioneert, zeker in een AI-context.
Recente inzichten, zowel vanuit onderzoek als vanuit de DAMA-community, laten zien dat governance pas effectief wordt wanneer het onderdeel is van het systeem zelf. Dat betekent dat afspraken over data niet alleen worden vastgelegd, maar ook worden afgedwongen en ondersteund in processen, tooling en dagelijkse werkwijzen. Transparantie, herleidbaarheid en verantwoordelijkheid staan daarbij centraal.
Effectieve data governance ontstaat pas wanneer die governance onderdeel wordt van het dagelijks handelen in een organisatie. Dit betekent dat:
data-eigenaren actief sturen op kwaliteit en gebruik
definities organisatiebreed worden gedeeld
data wordt behandeld als een product
en besluitvorming gebaseerd is op consistente en herleidbare informatie
Dit sluit aan bij de principes die binnen DAMA en haar chapters worden uitgedragen: data management is geen eenmalige exercitie, maar een continu proces dat verweven is met hoe organisaties werken en beslissingen nemen.
AI als lakmoesproef voor datavolwassenheid
AI maakt daarmee iets zichtbaar wat al langer speelde, maar minder urgent voelde.Waar slechte data vroeger leidde tot discussies over rapportages, leidt het nu tot directe impact op beslissingen, processen en klantinteracties – en dat op potentieel grote schaal. Organisaties die hun data goed op orde hebben, kunnen sneller experimenteren en opschalen. Organisaties waarbij dit fundament ontbreekt, blijven hangen in pilots en discussies.
Het is dan ook niet verrassend dat veel organisaties ontdekken dat hun AI-ambities hen dwingen om opnieuw te kijken naar hun datafundament. AI fungeert daarmee als een lakmoesproef voor de volwassenheid van datamanagement. Geen wonder dat er ook steeds meer aandacht is voor een geïntegreerde benadering van data governance en AI governance.
Tot slot
De ontwikkeling van AI zal de komende jaren alleen maar versnellen. De vraag is niet zozeer hoe snel organisaties nieuwe technologie kunnen adopteren, maar in hoeverre ze in staat zijn om hun data zodanig te organiseren dat deze technologie ook waarde toevoegt.
De organisaties die daarin slagen, onderscheiden zich niet primair door hun keuze voor tooling of modellen, maar door hun vermogen data te begrijpen, te structureren en er verantwoordelijkheid voor te nemen.
In dat licht is data governance geen rem op innovatie, maar juist een voorwaarde om snelheid te maken. Niet door meer controle toe te voegen, maar door helderheid te creëren: over definities, over eigenaarschap en over de manier waarop beslissingen tot stand komen.
Wie dat goed organiseert, erkent dat AI geen los initiatief is, maar rust op een stevig datafundament en pas daarmee een versneller van betere, beter onderbouwde besluitvorming wordt.
AI vraagt niet zozeer om nieuwe technologie, als wel om beter data management.
