Je data op orde krijgen voordat je AI-agents loslaat

Er is in vrijwel elk AI-traject een moment waarop iemand zegt "maar eerst moet de data op orde." Wat daarop volgt is meestal een voorstel om systemen te migreren of samen te voegen, een bedrag met zes cijfers, en het besluit om het hele ding uit te stellen. Die volgorde komt zo vaak voor dat het bijna een ritueel is.

Het is ook, in de meeste gevallen, de verkeerde diagnose.

Je data is waarschijnlijk niet vervuild, hij is ongelabeld

Als een bedrijf van tachtig mensen zegt dat de data een zooi is, is wat er werkelijk aan de hand is smaller en veel beter op te lossen. De gegevens bestaan. Ze kloppen grotendeels, want het bedrijf draait erop en fouten vallen op. Het probleem is dat nergens staat wat ze betekenen.

Een veld dat status_2 heet bevat de waarden A, B, C en X. Iedereen bij operations weet dat X betekent dat de order door de klant is geannuleerd en niet door ons, wat enorm uitmaakt voor rapportage en helemaal niets voor de verzending. Die kennis zit in drie hoofden en in geen enkel schema. Een mens die de tabel leest gokt verkeerd; een model dat de tabel leest gokt verkeerd met meer stelligheid en in groter volume.

Dat is geen vervuilde data. Dat is ongedocumenteerde betekenis, en de oplossing daarvoor is anders, goedkoper en sneller.

Een archiefkast. De vraag is niet of de data bestaat, maar of een systeem kan zien wat hij betekent.

Wat een agent werkelijk nodig heeft

Een bruikbare manier om ernaar te kijken: een AI-agent die met jouw data werkt heeft dezelfde dingen nodig als een capabele nieuwe medewerker in zijn eerste week, en om dezelfde redenen.

Wat de velden betekenen. Niet de kolomnaam, de zakelijke betekenis. Wat telt als een klant, wat telt als een order, wanneer een record definitief wordt.

Welke bron wint. Vrijwel elk bedrijf heeft hetzelfde getal op twee plekken staan die elkaar tegenspreken. Mensen lossen dat automatisch op doordat ze weten welke waarvoor vertrouwd wordt. Een systeem kan dat onmogelijk weten tenzij iemand het zegt.

Wat verboden terrein is. Welke velden persoonsgegevens bevatten, welke gegevens het pand niet uit mogen, welke tabellen historische rommel zijn die niemand heeft opgeruimd. Zonder dit gebruikt een agent vrolijk alles.

Hoe goed eruitziet. Een ruw gevoel voor plausibele marges, zodat een overduidelijk fout antwoord wordt gevangen voordat het bij een klant komt in plaats van erna.

Geen van die vier vraagt om het verplaatsen van ook maar een record.

Wat een agent nodig heeft, en wat er zonder gebeurt

Geen van de vier vraagt om het verplaatsen van een record, en alle vier zijn dingen die een capabele nieuwe medewerker in zijn eerste week te horen zou krijgen. Die vergelijking is het hele punt: je bereidt geen data voor op een machine, je schrijft op wat je anders hardop had moeten uitleggen.

De semantische laag, in gewone taal

Daar is een semantische laag voor. In plaats van je systemen te herstructureren leg je er een beschrijving overheen: een definitie van elk begrip dat het bedrijf gebruikt, welk systeem daarvoor leidend is, en wat de regels zijn. Je ERP blijft precies zoals hij is. Je CRM blijft precies zoals hij is. Wat verandert is dat er nu een plek is die zegt wat alles betekent, en dat zowel mensen als systemen dat kunnen lezen.

De praktische voordelen op deze bedrijfsomvang zijn de reden dat we zo werken, niet dat de theorie elegant is. Je haalt geen bedrijfskritisch systeem uit de lucht. Je zet niet je jaar in op een migratieproject. En besluit je later het ERP te vervangen, dan overleven de definities die vervanging, want ze beschrijven jouw bedrijf en niet het schema van die leverancier. Die overdraagbaarheid is hetzelfde argument als overal elders in onze stack: houd datgene wat betekenis draagt gescheiden van datgene wat het vandaag toevallig opslaat.

Netwerkbekabeling. Een semantische laag ligt over je systemen heen in plaats van ze te vervangen.

Waar je concreet begint

Begin niet met al je data. Begin met de data achter die ene kans die je daadwerkelijk van plan bent te bouwen, uit je prioriteitenmatrix. Voor die ene toepassing:

Een. Zet de velden op een rij die hij raakt. Meestal minder dan dertig. Alleen dit al onthult vaak dat twee ervan hetzelfde betekenen en elkaar tegenspreken.

Twee. Schrijf per veld een zin, in zakelijke taal. Kan niemand die zin schrijven, dan heb je iets belangrijks gevonden: een veld waarvan de betekenis binnen het bedrijf oprecht omstreden is. Los dat nu op, want anders kiest een agent er stilletjes zelf een.

Drie. Benoem per begrip de leidende bron. Een regel per stuk. Dit is het waardevolste uur van de hele oefening.

Vier. Markeer wat persoonsgegevens zijn. Niet specifiek voor de AI Act, dat is een ander regime dan privacywetgeving, maar omdat het bepaalt wat waarheen mag, en dat besluit is veel eenvoudiger voordat een gereedschap draait dan erna.

Waarom deze volgorde ook het volgende project overleeft

De reden dat wij deze volgorde aanhouden in plaats van een migratie is niet alleen de kosten. Een migratie levert een schoner systeem op en geen vastgelegde betekenis, dus ontdekt het tweede AI-project dezelfde vragen opnieuw vanaf nul. De betekenis opschrijven levert iets op dat elk volgend project hergebruikt, ook projecten die niets met AI te maken hebben, zoals eindelijk zorgen dat de rapportages het met elkaar eens zijn.

Het betekent ook dat het eerlijke antwoord op "is onze data klaar voor AI" ophoudt een gevoel te zijn en controleerbaar wordt. Of de dertig velden achter je eerste toepassing zijn beschreven of niet, en dat zie je in een middag.

Over deze pagina

De hier beschreven aanpak met een semantische laag komt overeen met de definitiepagina semantische laag op deze site en is de methode die Radical in de praktijk gebruikt: betekenis beschrijven over bestaande systemen heen in plaats van ze te migreren. De lijst van vier dingen die een agent nodig heeft is onze eigen indeling. Het punt dat AI Act-verplichtingen en privacywetgeving verschillende regimes zijn staat er bewust in, omdat die twee vaak door elkaar worden gehaald. Geschreven door Radicals eigen team; er is geen klantdata gebruikt.