Eerst AI of eerst betrouwbare cijfers? De volgorde die veel bedrijven verkeerd kiezen

De pilot die stilletjes van de agenda verdween

Het scenario speelt zich op veel directietafels af. De eerste AI-pilot is gestrand. Een assistent die vragen over klanten, omzet en voorraad zou beantwoorden met gegevens uit het ERP. De demo overtuigde iedereen. De praktijk niet. Dezelfde vraag gaf naargelang de bron een ander antwoord, de marges spoorden niet met wat de CFO rapporteerde, en na een paar pijnlijke fouten in een managementvergadering vroeg niemand er nog naar. Het budget bleef staan, de assistent verdween van de agenda, en niemand kreeg de opdracht om uit te zoeken waarom.

Dat is geen alleenstaand geval. Onderzoek naar gestrande AI-projecten wijst al jaren dezelfde oorzaak aan, en die ligt zelden bij het model. Meestal zit de fout in de data waarop het moet werken, of in de verwachting van wat AI zonder die data kan. Dat is trouwens ook waarom AI-pilots stranden op andere plaatsen in het traject.

Wat daarna gebeurt, is voorspelbaar. Er ontstaan twee kampen. Het ene zegt dat de technologie snel evolueert en dat de volgende generatie tools dit vanzelf oplost. Het andere zet alle AI-plannen in de koelkast tot de data op orde is, en dat wordt een werk van jaren. Beide kampen vergissen zich, elk in een andere richting. De eerste vergissing kost geld in mislukte projecten, de tweede in stilstand.

Misverstand 1: AI ruimt onze datachaos zelf op

Veel bedrijven rekenen erop dat AI de datachaos zelf opruimt. Leveranciers voeden die gedachte graag. De technologie is intussen zo slim dat ze door de rommel heen kijkt, en waarom zou u dan nog in datakwaliteit investeren?

Omdat AI geen referentiepunt heeft buiten de data die ze krijgt. Een taalmodel weet niet dat marge in uw verkooprapport anders berekend wordt dan in de boekhouding. Het weet niet dat dezelfde klant drie keer in het systeem staat, onder drie schrijfwijzen, of dat de master data van artikels na de laatste ERP-migratie nooit volledig opgekuist is. Een ervaren medewerker voelt zoiets aan en stelt een vraag. AI antwoordt gewoon, vlot en met overtuiging.

AI op tegenstrijdige cijfers versnelt de verwarring. De tegenspraak zelf verdwijnt niet. Waar twee rapporten elkaar vroeger tegenspraken in een maandvergadering, met iemand erbij die de nuance kende, komt dat conflict nu in seconden terug, zonder voetnoot. Na zo’n pilot slaat de reactie vaak door in de andere richting.

Misverstand 2: eerst onze data perfect maken, dan pas AI

Na een mislukte pilot klinkt het omgekeerde advies verstandig. Eerst een groot dataproject, dan pas opnieuw over AI praten. Voorzichtig, beheerst, op het eerste gezicht precies wat een CFO wil horen. Toch zitten er drie fouten in die redenering.

Perfecte data bestaat niet. Uw bedrijf verandert voortdurend: nieuwe producten, nieuwe klanten, een prijswijziging, een overname, een aanpassing in het ERP. Data op orde brengen is een werkwijze en geen project met een eindpunt. Wie wacht tot alles klopt, wacht oneindig.

Een bedrijfsbreed dataproject zonder concrete toepassing mist ook een toetssteen. Wanneer is de data goed genoeg? Dat hangt af van waarvoor ze moet dienen, en precies die vraag blijft onbeantwoord. Het resultaat is een opkuisoperatie die overal een beetje werk verzet en nergens iets afwerkt. Een jaar later ligt er een dik rapport over datakwaliteit en draait er nog geen enkele toepassing.

De derde fout wordt het vaakst over het hoofd gezien. Een groot deel van de AI-toepassingen gebruikt uw rapportering amper. Een AI die binnenkomende bestelbonnen leest, geeft niets om uw margedefinities. Wie jaren wacht met alle AI omdat de cijfers nog niet kloppen, laat ook de toepassingen liggen die vandaag al zouden werken. Intussen bouwen concurrenten ervaring op, en experimenteren uw eigen medewerkers toch met AI, alleen zonder kader.

De vraag die beide kampen overslaan

Beide misverstanden draaien om dezelfde blinde vlek. Ze behandelen AI als één toepassing met één antwoord op de volgordevraag. Zo werkt het niet. De volgordevraag is een ontwerpvraag. Per toepassing legt u vast welke data betrouwbaar moet zijn. Grofweg vallen AI-toepassingen dan in drie groepen uiteen, en elke groep krijgt een ander antwoord.

Groep 1: toepassingen die amper van uw cijfers afhangen

Documentverwerking en teksttaken werken op een andere grondstof. Uw rapportering speelt er nauwelijks in mee. Een AI-agent die leveranciersfacturen of bestelbonnen leest en de gegevens overneemt, heeft de documenten zelf nodig, duidelijke regels en een mens die nakijkt. Hetzelfde geldt voor offertes opmaken op basis van eerdere offertes, antwoorden op terugkerende klantvragen voorbereiden, vertalingen, of handleidingen en procedures doorzoekbaar maken.

Wat deze groep wel vraagt, zijn duidelijke afspraken. Wat handelt de AI zelf af, wat blijft mensenwerk, en wie controleert de output? Een propere cijferbasis speelt hier nauwelijks een rol. Deze toepassingen kunnen meteen starten, ook terwijl de rapportering nog werk vraagt.

Groep 2: toepassingen die data rond één proces nodig hebben

Deze groep draait op de gegevens van één proces, en heeft geen bedrijfsbrede cijferbasis nodig. Een voorbeeld uit de dienstensector maakt dat concreet.

Een installatie- en onderhoudsbedrijf wil met AI de rendabiliteit van projecten en onderhoudscontracten opvolgen. Welk project verdient wat op, welk contract kost meer dan het opbrengt. Dat antwoord staat of valt met de urenregistratie. De technici noteren hun uren vandaag pas op vrijdag, of aan het eind van de maand, uit het geheugen.

Reken het eens door voor tien technici. Elke technicus verliest per week ongeveer twee uur aan werk dat nergens op een project belandt: een spoedinterventie bij een klant zonder contract, zoeken naar een onderdeel dat niet op voorraad lag, een werkbon die hij achteraf invult. Op vrijdag krijgt hij die uren niet meer gereconstrueerd, dus boekt hij ze op algemeen, of hij boekt ze niet. Over een jaar loopt dat op tot bijna duizend uur die aan geen enkel project of contract hangen. Die kosten zijn er wel degelijk. Ze staan alleen op de verkeerde plaats geboekt, en daardoor lijken uw projecten rendabeler dan ze zijn.

Een model dat op zulke uren leert, rekent met fictie. Het herhaalt gewoon de vertekening die er al in zit, en het doet dat met meer overtuiging dan de mens die de uren invulde. De oplossing vraagt geen jarenlang dataproject. Ze vraagt gericht werk op dat ene proces: uren registreren op het moment zelf, op de werf en op de telefoon, met een vaste indeling in project, contract en algemeen. Binnen enkele maanden ligt er dan een historiek waar een model iets zinvols mee kan. Hetzelfde bedrijf kan intussen al starten met AI voor offerteteksten en werkverslagen, want die toepassing heeft die uren niet nodig. Twee toepassingen, één bedrijf, twee andere antwoorden op de volgordevraag.

Groep 3: toepassingen die staan of vallen met betrouwbare cijfers

Forecasting, marge-analyse en chatten met uw cijfers horen in de derde groep. Hier is de cijferbasis de voorwaarde. Een forecastmodel leert uit uw verkoophistoriek. Zitten daar gaten in, dubbele artikels in de master data, of prijswijzigingen die nergens geregistreerd staan, dan produceert het voorspellingen die niemand vertrouwt. Zelfs met een propere historiek blijft een forecast gevoelig voor wat niet in uw data zit: geopolitieke verschuivingen, invoertarieven, plotse vraagschokken. Een AI-forecast is een vertrekpunt dat uw planner toetst. Een orakel is het niet.

Voor marge-analyse geldt hetzelfde principe. AI die moet aanwijzen welke klanten en orders renderen, neemt uw kostprijsverdeling over zoals ze is, fouten inbegrepen.

De toepassing die de volgordevraag echt urgent maakt, is chatten met uw cijfers. AI-assistenten die rechtstreeks vragen over uw bedrijfsdata beantwoorden, gaan van demo naar dagelijkse praktijk. Zo’n assistent is precies zo goed als het datamodel eronder. Spreken twee rapporten elkaar vandaag tegen, dan krijgt u diezelfde tegenspraak straks in chatvorm, vlot geformuleerd en zonder waarschuwing. Eerst hoort er één betrouwbare cijferbasis te staan, met vastgelegde definities van omzet en marge. Pas daarna komt de chatlaag erbovenop.

Zet de volgorde in een score

De drie groepen geven u een grove indeling. Om binnen die indeling te kiezen, helpt een score meer dan een discussie. Wie AI-opportuniteiten vergelijkt, doet dat op drie punten. Hoeveel levert de toepassing op, uitgedrukt als een vork met een minimum en een maximum? Hoe zeker is die inschatting? En hoeveel inspanning vraagt ze? Dat is dezelfde meetlat waarmee u tien AI-ideeën tegen elkaar afweegt.

Data zit twee keer in die score. Onbetrouwbare data verlaagt de zekerheid en verhoogt de inspanning. U kunt de opbrengst niet hard maken als de cijfers eronder niet kloppen, en de databasis moet eerst op punt staan. Dat werk hoort bij de investering en niet in een aparte boekhouding.

Op zo’n opportuniteitenkaart schuiven documenttoepassingen meestal naar voren en cijfertoepassingen naar achteren. Belangrijker nog is dat het datawerk een concrete reden krijgt. In plaats van het vage voornemen dat de data op orde moet, ligt er een lijst: deze velden, deze historiek en deze definities moeten kloppen, omdat u volgend jaar met uw cijfers wilt chatten. Afgebakend, toetsbaar en uit te leggen aan uw bestuur.

Wat u zelf kunt doen, deze week

Die score vraagt geen data-audit. Werk achterwaarts vanuit één toepassing die u overweegt. Schrijf op welke velden, documenten of historiek ze gebruikt, neem daarvan een twintigtal recente gevallen, en kijk manueel na of de gegevens kloppen en volledig zijn. Twintig bestelbonnen, twintig weken urenregistratie, twintig facturen.

Die steekproef kost een halve dag en ze zegt meer dan een bedrijfsbrede doorlichting. Ze levert ook meteen het antwoord op de volgordevraag voor die ene toepassing. Klopt achttien van de twintig, dan kunt u starten en de rest onderweg rechtzetten. Klopt de helft, dan weet u precies welk stuk data eerst werk vraagt, en waarom. Een steekproef beslist sneller dan een discussie.

Twee sporen, één plan

De juiste volgorde loopt via twee sporen tegelijk. Op het eerste spoor start u met toepassingen die weinig van uw cijfers vragen en vandaag al werken: documenten, teksten, terugkerende vragen. Daar bouwt uw team ervaring op, met duidelijke afspraken over controle. Op het tweede spoor maakt u de cijferbasis betrouwbaar voor de toepassingen die u daarna wilt. Dat tweede spoor rendeert ook los van AI, want het levert rapportering op waarop u durft te beslissen.

En de gestrande pilot uit het begin? Die wees precies aan welke data eerst betrouwbaar moet worden. Dat is een dure manier om een diagnose te stellen. De diagnose zelf is wel bruikbaar.

Veelgestelde vragen

Hoe weet u of uw data goed genoeg is voor een AI-toepassing?

Werk achterwaarts vanuit de toepassing. Lijst op welke velden, documenten of historiek ze gebruikt, neem daarvan een twintigtal recente gevallen en kijk manueel na of de gegevens kloppen en volledig zijn. Die kleine steekproef zegt meer dan een bedrijfsbrede data-audit, en ze toont meteen waar het werk zit.

Kan AI zelf helpen om de datakwaliteit te verbeteren?

Gedeeltelijk. AI is goed in afwijkingen opsporen en dubbels vinden in de master data van klanten, artikels of leveranciers, en dat versnelt het opkuiswerk. De kern blijft mensenwerk: vastleggen wat de juiste definitie is en wie ervoor verantwoordelijk is.

Hoelang duurt het om een cijferbasis klaar te maken voor AI?

Daar bestaat geen vaste termijn voor; het hangt af van de toepassing en van de staat van uw systemen. Wie de scope beperkt tot de data die de eerstvolgende toepassing nodig heeft, vermijdt in elk geval een meerjarenproject. De volgorde telt hier meer dan de snelheid: eerst de definities en de bron, dan de toepassing erbovenop.

Wat hebt u nodig om met uw cijfers te kunnen chatten?

Één betrouwbaar datamodel op uw ERP-data, met vastgelegde definities van begrippen als omzet, marge en openstaande orders. De chatlaag zelf is technisch het kleinste deel van het werk. Zonder dat fundament beantwoordt de assistent uw vragen even vlot, alleen niet juist.

Welke AI-toepassingen kunt u starten terwijl uw cijfers nog werk vragen?

Alles wat op documenten en teksten werkt in plaats van op uw rapportering: binnenkomende bestelbonnen en leveranciersfacturen verwerken, offertes opmaken op basis van eerdere offertes, antwoorden op terugkerende klantvragen voorbereiden, of technische documentatie doorzoekbaar maken. Die toepassingen vragen duidelijke afspraken over controle, geen propere cijferbasis.

Volgende stap

Twijfelt u in welke groep uw AI-ideeën thuishoren, of welke data bij u eerst betrouwbaar moet worden? Leg uw situatie op tafel en u hoort waar de volgorde bij u zou liggen. Een AI-scan brengt daarna elke opportuniteit in kaart, gescoord op opbrengst, zekerheid en inspanning, met de datavereisten die erbij horen.

Plan een vrijblijvend gesprek. Een uur, geen pitch.

Dennis Houthoofd, oprichter Beyond KPI. 25+ jaar ervaring in finance, data en AI voor Vlaamse KMO's. Meer over Dennis.