Is je bedrijfsdata goed genoeg voor AI?

"Onze data is niet perfect. Kunnen we dan wel met AI starten?" Dat is de vraag die we het vaakst horen in een eerste gesprek. Het geruststellende antwoord: je data hoeft niet perfect te zijn. Het minder eenvoudige antwoord: ze moet wel goed genoeg zijn voor de specifieke toepassing. Een interne zoekassistent stelt fundamenteel andere kwaliteitseisen dan een systeem dat financiële transacties beoordeelt.

Kort gezegd: je data hoeft niet perfect te zijn voor AI. Ze moet betrouwbaar genoeg zijn voor deze ene taak met een aanvaardbaar risico. Begin met één concrete toepassing en toets alleen de data die daarvoor nodig is, in plaats van eerst alles te willen opschonen. Wat AI met die data kan in bedrijfssoftware op maat, lees je op onze dienstpagina.

Begin met een concrete toepassing

Een algemene beoordeling van je datakwaliteit loopt eindeloos en levert zelden een bruikbare conclusie op. Je start beter met een afgebakende use-case: technische documentatie doorzoeken, aankoopfacturen automatisch uitlezen, verkoopprognoses opstellen, klachten classificeren, offertes voorbereiden of productieafwijkingen detecteren.

Pas als die toepassing scherp staat, bepaal je welke data je nodig hebt en welke kwaliteitseisen daarbij horen. Zo koppel je datavragen aan een concreet bedrijfsresultaat in plaats van aan een abstracte ambitie.

Zeven vragen om je data te beoordelen

Als je een toepassing hebt gekozen, helpen deze zeven vragen je om snel in te schatten of je data die toepassing kan dragen. We stellen dezelfde vragen in elk eerste analysegesprek met een klant.

1. Zijn de nodige gegevens beschikbaar?

In veel bedrijven staat de relevante info verspreid over mailboxen, gedeelde mappen, Excel-bestanden en verouderde software. Pas als die info beheerst toegankelijk is, kan een AI-toepassing er echt mee aan de slag. Beschikbaarheid gaat dus niet enkel over bestaan. Het gaat ook over ontsluiten.

2. Is de informatie volledig genoeg?

Ontbrekende velden zijn niet altijd een probleem. Ze worden pas een probleem wanneer precies die velden nodig zijn voor de toepassing. Een betalingsprognose met ontbrekende vervaldata heeft een grote impact op het resultaat. Een samenvatting van interne procedures overleeft een paar kleine gaten zonder veel schade.

3. Is de data correct?

Foutieve productcodes, dubbele klantenrecords en verouderde prijzen leiden onvermijdelijk tot foutieve resultaten. AI maakt slechte data niet plots betrouwbaar. Wat AI wel doet: fouten sneller en op grotere schaal verwerken. Precies daarom kijk je vooraf naar de brondata.

4. Gebruikt iedereen dezelfde begrippen?

Wat is precies een "actieve klant"? Wanneer noem je een order "te laat"? Welke kosten horen in welke categorie? Zodra afdelingen verschillende definities hanteren, trekt een AI-systeem tegenstrijdige conclusies uit dezelfde onderliggende data. Definities uitklaren is meestal goedkoper dan de gevolgen achteraf rechttrekken.

5. Is de data actueel genoeg?

Een AI-assistent die je handleidingen van drie jaar oud voorschotelt, geeft technisch correcte maar operationeel verouderde instructies. Leg daarom vast hoe nieuwe, gewijzigde en ingetrokken informatie in het systeem terechtkomt en hoe snel.

6. Is de herkomst controleerbaar?

Bij belangrijke beslissingen moet duidelijk zijn waar de info vandaan komt. Kan de gebruiker met één klik terug naar de bron of blijft de output een zwarte doos die je op goed geloof moet aannemen? Traceerbaarheid is geen luxe. Ze bepaalt of mensen het systeem durven te gebruiken.

7. Mag je die data voor dit doel gebruiken?

Niet alle info mag zomaar naar elk AI-platform. Controleer vertrouwelijkheid, persoonsgegevens, contractuele afspraken, intellectuele eigendom, toegangsrechten, bewaartermijnen en beveiligingseisen voor je een dataset in een externe dienst laadt. Deze vraag hoort in de eerste selectiegesprekken thuis, niet in de laatste week voor de livegang.

Niet elke toepassing vraagt dezelfde datakwaliteit

De kwaliteitseis hangt af van wat de toepassing met de output doet. Grofweg vallen AI-toepassingen in drie categorieën, elk met een eigen lat.

Ondersteunende toepassingen

Denk aan zoeken, samenvatten of een eerste versie van een document opstellen. Een medewerker leest het resultaat en corrigeert waar nodig. Enige onvolledigheid is aanvaardbaar zolang de bronnen zichtbaar blijven en de gebruiker snel kan verifiëren.

Operationele toepassingen

Hier draaien processen mee: tickets classificeren, plannen, boeken. De data moet consistenter zijn en het systeem moet uitzonderingen duidelijk behandelen. Tussen input en actie zit immers minder menselijke controle.

Beslissende toepassingen

Financiële, commerciële, personeels- of veiligheidsbeslissingen op basis van AI-output stellen hoge eisen: correctheid, uitlegbaarheid, controle, beveiliging en een sluitende audittrail. Hier begin je niet zonder grondige risicoanalyse en een duidelijk plan voor menselijke tussenkomst.

Hoe herken je onvoldoende datakwaliteit?

Er zijn duidelijke signalen dat je datahuishouding nog niet klaar is voor bepaalde toepassingen:

• schaduwlijsten in Excel naast de officiële systemen
• rapporten die voor dezelfde vraag verschillende KPI-cijfers geven
• handmatige correcties op product- of klantdata
• geen duidelijkheid over welke versie actueel is
• dezelfde info in meerdere systemen naast elkaar
• belangrijke velden die medewerkers vrij invullen
• uitzonderingen die enkel in mailwisselingen leven
• historiek die je moeilijk terugvindt

Deze signalen betekenen niet dat AI onmogelijk is. Ze betekenen wel dat het risico stijgt en dat je extra werk moet inplannen voor je aan een use-case begint.

Je hoeft niet eerst alle data op te schonen

De klassieke valkuil is wachten tot alles perfect is. Dat moment komt zelden en intussen loop je achter op bedrijven die wel bewegen. Kies daarom een gerichte aanpak:

1. Bepaal welke data de use-case echt nodig heeft.
2. Meet de huidige kwaliteit van net die data.
3. Spoor de fouten met de grootste impact op.
4. Verbeter alleen wat nodig is voor deze toepassing.
5. Test met realistische voorbeelden.
6. Volg de kwaliteit op tijdens het gebruik.

Zo koppel je opschoning aan een concreet bedrijfsresultaat in plaats van aan een eindeloze schoonmaakactie die niemand ooit afrondt.

Test met moeilijke voorbeelden

Test een AI-toepassing niet alleen met nette, volledige en zorgvuldig gekozen data. Gebruik ook onvolledige documenten, afwijkende formaten, dubbels, oude en nieuwe versies naast elkaar, zeldzame uitzonderingen, foutieve invoer en tegenstrijdige info uit verschillende bronnen. Pas dan zie je hoe de toepassing standhoudt in de dagelijkse werkelijkheid van je bedrijf, waar niets zo netjes is als in een demo.

Meet datakwaliteit in bedrijfsimpact

Technische percentages over volledigheid en correctheid zijn nuttig. De impact op je onderneming telt echter meer. Een fout in een intern zoekresultaat weegt anders dan een fout in een betalingsvoorstel of een productie-instructie. Beoordeel dus:

• hoe vaak fouten optreden
• hoe snel je ze ontdekt
• hoeveel correctiewerk ze veroorzaken
• welke financiële of operationele schade ze aanrichten
• of een medewerker tijdig kan ingrijpen voor de fout zich door het proces verspreidt

Conclusie

Je data hoeft niet perfect te zijn. Ze moet wel passen bij de toepassing en het bijhorende risico. Kies een concrete use-case, bepaal welke data kritisch is voor het resultaat en test of die data beschikbaar, correct, actueel en controleerbaar is. Goede data is geen doel op zich. Ze is de voorwaarde voor een betrouwbaar bedrijfsresultaat met AI.

Veelgestelde vragen

Moet mijn bedrijfsdata perfect zijn voor ik met AI kan starten? Nee. Ze moet wel goed genoeg zijn voor de specifieke toepassing. Een zoekassistent verdraagt onvolledige info zolang de bron zichtbaar blijft. Een AI die financiële transacties beoordeelt, eist correctheid, uitlegbaarheid en een audittrail.

Hoe test je of AI werkt met slechte data? Geef het systeem niet alleen nette voorbeelden. Test met onvolledige documenten, afwijkende formaten, dubbels, oude versies, zeldzame uitzonderingen en tegenstrijdige info. Pas dan zie je of de toepassing in de dagelijkse praktijk overeind blijft.

Welke datavragen stel je voor een AI-use-case? Is de data beschikbaar en toegankelijk? Is ze volledig genoeg voor dit doel? Is ze correct? Gebruiken afdelingen dezelfde definities? Is ze actueel? Kun je de herkomst controleren? Mag je ze contractueel en juridisch voor dit doel gebruiken?

Moet je eerst alle bedrijfsdata opschonen voor een AI-project? Nee, dat is de klassieke valkuil. Kies een concrete use-case, meet de kwaliteit van net die data, verbeter alleen wat de meeste impact heeft en test tijdens het gebruik. Zo koppel je opschoning aan een concreet bedrijfsresultaat.