Semantische laag

Het probleem dat hij oplost

In de meeste organisaties met enige historie betekent het woord klant iets anders in het ERP dan in het CRM. Verkoop telt een order bij ondertekening, finance bij levering. Geen van beide is fout, ze zijn voor verschillende doelen gedefinieerd en niemand heeft ze ooit naast elkaar gelegd.

In het dagelijks werk is dat onzichtbaar, want mensen dragen de vertaling in hun hoofd. Het wordt zichtbaar zodra je een model op die data richt, want een model heeft geen hoofd om het in te dragen. Het produceert vrolijk een stellig antwoord dat twee verschillende definities middelt.

Wat de laag doet

Hij legt de betekenis een keer vast, op een plek, en elke vraag gaat daardoorheen. Klant is hier gedefinieerd, order is hier gedefinieerd, marge is hier gedefinieerd. De systemen eronder blijven precies zoals ze zijn.

Waarom niet gewoon de bronsystemen opschonen

Omdat dat een meerjarenprogramma is met een business case die niemand tekent, en omdat het elk AI-initiatief stillegt tot het klaar is. Een semantische laag is bewust de goedkopere zet: de systemen blijven met rust en de afspraak komt erbovenop.

We bouwen een semantische laag bovenop je bestaande data, zonder de systemen te raken. Dat is geen technische voorkeur, het is wat een AI-traject mogelijk maakt in een organisatie die niet eerst haar ERP kan vervangen.

Het ongemakkelijke deel

Het zware werk is niet technisch. De definitie van marge opschrijven dwingt twee afdelingen het eens te worden over iets waarover ze jarenlang stilletjes van mening verschilden. Dat gesprek is de eigenlijke opbrengst. De laag is waar de uitkomst wordt vastgelegd.

Daarom is datakwaliteit meestal de knellende factor in een AI-roadmap, en daarom controleert een AI Readiness Scan dit voordat kansen worden gerangschikt.