Is je data klaar voor AI? Zo breng je je datamaturiteit in kaart

Waarom AI-projecten mislukken door je data, niet door de technologie

In juli 2024 vroeg Gartner aan 1.203 verantwoordelijken voor datamanagement of hun organisatie de juiste datapraktijken voor AI heeft. 63% zei van niet, of wist het niet. Dat is geen technologieprobleem. In de projecten die wij zien, komen drie dataproblemen terug.

Je gegevens zijn onvolledig of inconsistent

Velden die leeg blijven, datums in vier notaties, dezelfde klant twee keer met een spelfout ertussen. Een model of een regel die daarop werkt, produceert vervuilde uitkomsten, en aan de output zie je niet dat de input fout was.

Daar zit het venijn. Een fout in een factuur valt op, een fout in een voorspelling niet. Daarom wordt dit probleem later duurder in plaats van vroeger zichtbaar.

Je data leeft per afdeling in een eigen systeem

Finance werkt in het ERP, sales in het CRM, operations in Excel. Dat is geen slordigheid: Excel is daar terechtgekomen omdat het werkte, en binnen zijn eigen rol werkt het nog.

Het probleem begint wanneer die drie niet met elkaar praten. Een toepassing die klantgedrag moet voorspellen, kan dat niet als dezelfde klant in drie systemen anders heet. Wat je dan bouwt, doet het in de demo en niet in de maand erna.

Niemand is eigenaar

Data die door niemand beheerd wordt: gebruikt door iedereen, van niemand de verantwoordelijkheid. Dit is het traagste en het duurste van de drie, want zonder eigenaar gaat je data er langzaam op achteruit.

Definities schuiven, afspraken verwateren, en niemand merkt het tot een rapport twee verschillende cijfers geeft voor dezelfde maand. Vanaf dat moment gaat de discussie in je directiecomité over de cijfers in plaats van over de beslissing.

Dat het niet de technologie is, is ook buiten onze projecten vastgesteld. De RAND Corporation onderzocht in 2024 waarom AI-projecten mislukken, met 65 interviews bij mensen die het werk doen. Zij vonden vijf hoofdoorzaken. Data staat tweede in dat rijtje, onvolgroeide technologie staat laatste [2]. Van die vijf oorzaken is er precies één technisch, en dat is de laatste.

Het goede nieuws is dat de drie problemen hierboven oplosbaar zijn. Maar je moet ze kennen vóór je in AI investeert. En dan is de vraag waaraan je dat precies afmeet.

Wat betekent het dat je data AI-ready is?

AI-ready betekent niet dat je data perfect is. Het betekent dat ze goed genoeg is om een toepassing betrouwbaar te laten werken. Dat onderscheid haalt de lat weg waarop je denkt te struikelen, want perfect wordt data nooit. Wat wel bestaat, is data die betrouwbaar genoeg is om er een beslissing op te nemen, en dat is een lat die je kunt halen.

Of je data klaar is voor AI, hangt aan vier dingen.

• Kwaliteit. Zijn je gegevens correct, volledig en actueel? De praktische versie van die vraag: kun je je eigen cijfers vertrouwen zonder ze eerst na te rekenen? Let bij die vraag op het woord actueel, want data van vorig jaar kan perfect correct zijn en toch onbruikbaar.
• Toegankelijkheid. Vinden de juiste mensen de juiste data zonder hulp van IT? Is er één plek waar het juiste cijfer staat, of leeft dezelfde informatie in tien systemen met tien lichte verschillen?
• Governance. Is er iemand verantwoordelijk voor de kwaliteit van je data? Zijn er afspraken over hoe data ingevoerd, bewaard en gebruikt wordt? Governance klinkt zwaarder dan het is: het begint met afspraken en met een naam achter de verantwoordelijkheid, niet met software. 
• Integratie. Praten je systemen met elkaar? Of voegt iemand de cijfers elke maand met de hand samen in een bestand dat maar één iemand echt begrijpt? Dat samenvoegen kost niet alleen tijd. Het is ook de plek waar de fout binnenkomt die je een maand later niet meer terugvindt.  

Scoor je op deze vier dimensies voldoende, dan kan je data een AI-toepassing dragen. Dat is geen garantie dat het project slaagt: de use case, de mensen die ermee moeten werken en het beheer erna bepalen de rest. Maar zonder dat fundament is de rest niet eens aan de orde.

Daarmee blijft één vraag over, en het is de enige die op dit moment telt: waar sta jij op die vier?

Tel je ja-antwoorden en leg het totaal naast de schaal hieronder.

Deze schaal is een vertrekpunt voor een gesprek en geen rapportcijfer. Het nut zit niet in het totaal maar in de vragen waarop je nee antwoordde, want dat zijn de dingen die je eerst moet regelen.

En dan iets dat ons geen opdracht oplevert. Scoor je vier of vijf keer ja, dan is een scan bij ons waarschijnlijk niet je volgende stap. Kies dan een use case en begin. En de eerste stappen van het traject hieronder kun je zelf zetten, ook zonder ons.

Wil je een onafhankelijke doorlichting in plaats van een zelftest, dan is er de Data & AI Readiness Scan. In twee weken weet je waar je staat: een eerlijk beeld van je datamaturiteit en een concreet actieplan.

Sta je er niet goed op? Dan is de volgende vraag wat je eerst aanpakt, en in welke volgorde.

De vier stappen naar data-readiness

Vier stappen: breng in kaart wat je hebt, kies één domein om te beginnen, breng de kwaliteit daar op peil, en koppel het daarna aan de rest. In die volgorde, want elke stap leunt op de vorige.

Stap 1: Breng in kaart wat je hebt

Welke systemen heb je, welke data zit waar, en wie gebruikt wat? Die oefening kost een week of twee en er komt geen technische expertise bij kijken. Het is organisatiewerk: je loopt de afdelingen af en je schrijft op wat je hoort.

Dat is iets anders dan de scan hierboven. Daar komen interviews, een technische doorlichting en een rapport bij; hier maak je zelf een inventaris. Begin in beide gevallen met die inventaris.

Stap 2: Kies één domein om te beginnen

Niet alles tegelijk. Kies het datadomein met de meeste pijn of het meeste potentieel: klantdata, productdata of financiële data.

Dat is geen bescheidenheid maar rekenwerk. Een breed traject vindt nooit een eigenaar, een smal traject wel. En zonder eigenaar begint het derde dataprobleem hierboven gewoon opnieuw.

Stap 3: Breng de kwaliteit daar op peil

Maak de data in dat ene domein correct, volledig en consistent. Spreek af hoe die data ingevoerd en onderhouden wordt. En zet één naam achter de verantwoordelijkheid: iemand die het merkt wanneer het misloopt en die het ook mag repareren.

Dit is organisatiewerk en geen technologiewerk, en dat is goed nieuws als je geen datateam hebt. Het is ook het punt waar je intern je businesscase vindt. Wie kan aanwijzen wat vervuilde data vandaag kost in herwerk en vertraging, krijgt makkelijker budget dan wie over datakwaliteit in het algemeen praat.

Stap 4: Koppel het aan de rest

Staat één domein op orde, dan koppel je het aan je andere systemen en bouw je één plek waar het juiste cijfer staat. Dat is wat een dataplatform doet: niet alles vervangen, maar je bronnen samenbrengen zodat je ze één keer op orde brengt in plaats van tien keer.

Reken erop dat je die koppelingen blijft onderhouden. Systemen veranderen, dus een integratie is geen eenmalige oefening. Dan pas heeft een AI-investering zin: niet omdat je data perfect is, maar omdat je ze kunt vertrouwen.