AI is niet het antwoord. De juiste data is het antwoord.

AI zonder datafundament is dure autoaanvulling

In elke bestuurskamer klinkt dezelfde vraag: “Wat doen wij met AI?” De reflex is voorspelbaar: tools kopen. ChatGPT-licenties, Copilot voor iedereen, een pilot met Gemini. Op papier modern. In de praktijk: dure autoaanvulling.

Want de echte vragen in het bedrijf blijven onbeantwoord:

• “Hoe staat het met de order van Van der Berg?”
• “Welke leverancier gaf ons vorig jaar de beste prijzen?”
• “Hoeveel openstaande offertes hebben we boven de 100K?”

Niet omdat AI dom is, maar omdat het blind is.

Het echte probleem: blinde AI

Modellen als GPT-4, Claude en Gemini zijn indrukwekkend. Maar ze weten niets over:

• jouw ERP-orders en voorraden
• jouw CRM-klanthistorie
• jouw contracten, offertes en projectdossiers
• jouw e-mailthreads en afspraken

Ze zijn briljante experts in een donkere kamer. Zonder toegang tot je kernsystemen blijft AI steken in:

• mooiere e-mails
• snellere samenvattingen
• automatische notulen en slides

Handig, maar niet transformatief. De kernprocessen blijven handwerk.

Versnipperde data = verlamde intelligentie

In de meeste organisaties is data verspreid over 5–15 systemen:

• ERP: orders, voorraad, facturen
• CRM: relaties, contactmomenten, segmentatie
• Projecttools: uren, milestones, planningen
• Financiële systemen: betalingen, risico, marges
• SharePoint / fileshares: contracten, offertes, documentatie
• Mail & agenda: afspraken, onderhandelingen, context

Elke bron op zich is waardevol. Maar de echte waarde zit in de verbindingen:

“Is deze klant een goede kandidaat voor upsell?”

Daarvoor heb je tegelijk nodig:

• ordervolume (ERP)
• marge en betalingsgedrag (finance)
• contacthistorie en sentiment (CRM + e-mail)
• lopende issues of projecten (service / projecttool)

Zonder verbonden data moet een medewerker alles handmatig bij elkaar klikken. Geen enkel AI-model lost dat magisch op.

Eerst verbinden, dan verslimmen

De echte revolutie is niet het model, maar het dataweefsel eronder.

Met een RAG-architectuur (Retrieval-Augmented Generation):

1. Verbind je databronnen (ERP, CRM, finance, documenten, e-mail, databases).
2. Maak de informatie doorzoekbaar en contextueel (wie mag wat zien, wat hoort bij elkaar?).
3. Laat AI vragen beantwoorden op basis van die verbonden data.

Het model is dan bijna secundair. Wat telt:

• welke bronnen zijn aangesloten
• hoe goed de data is gestructureerd
• hoe rijk de relaties tussen die data zijn

Zonder dat fundament is AI een motor zonder brandstof: indrukwekkende specificaties, nul kilometers.

Hoe verbonden data er in de praktijk uitziet

Met een goed dataweefsel stel je vragen als:

“Toon alle klanten in de bouwsector met openstaande orders > €50.000 en een betalingshistorie > 90 dagen.”

En binnen seconden krijg je een actueel overzicht, omdat:

• ERP de orders levert
• CRM de sector en klantclassificatie geeft
• finance de betalingshistorie toevoegt
• AI de query vertaalt, de data combineert en het antwoord presenteert

Vergelijk dat met vandaag:

• sales mailt finance
• finance exporteert Excel uit ERP
• iemand filtert en combineert handmatig
• twee dagen later is het overzicht al verouderd

Dat is geen AI-probleem. Dat is een dataprobleem.

En dan begint het pas:

• AI signaleert klanten met verhoogd churnrisico
• AI herkent leveranciers die structureel te laat leveren
• AI ziet patronen in winnende vs. verliezende offertes

Alleen mogelijk als de onderliggende data verbonden is.

De enige AI-vraag die nu telt

Stop met: “Welke AI-tool moeten we kopen?”

Begin met: “Is onze data verbonden genoeg om welke AI-tool dan ook nuttig te maken?”

Concreet betekent dat:

1. Inventariseer je kernbronnen: ERP, CRM, finance, projecten, documenten, e-mail.
2. Breng in kaart waar dezelfde entiteiten terugkomen (klant, order, contract, project).
3. Definieer de vragen die je écht wilt beantwoorden (per rol / afdeling).
4. Ontwerp het dataweefsel dat nodig is om die vragen in één keer te beantwoorden.
5. Dán pas kies je het AI-model en de tooling erbovenop.

De technologie is er. De modellen zijn er. Wat bij de meeste organisaties ontbreekt, is de fundering eronder.

Zolang die ontbreekt, blijft AI een dure tekstmachine. Zodra die staat, wordt AI bedrijfsintelligentie.