Databasis voor AI: waarom je AI nooit slimmer is dan je cijfers

Stel: je vraagt je AI-tool wat de omzet vorige maand was. Het antwoord is 1,2 miljoen. Een uur later zegt finance dat het 1,1 miljoen was. Wie heeft gelijk? Allebei. Sales rekent met de orderdatum, finance met de factuurdatum. (Voorbeeldcijfers.)

Dit is precies waar veel organisaties tegenaan lopen zodra ze met AI aan de slag gaan. De techniek is indrukwekkend, maar een antwoord is nooit beter dan de databasis voor AI eronder. In deze blog lees je waarom die basis het verschil maakt, wat dat concreet inhoudt en hoe je ermee begint zonder groot IT-traject.

In het kort

• AI-projecten lopen vaker vast opdata dan op techniek.
• Verschillende definities voordezelfde KPI zorgen voor tegenstrijdige antwoorden, en AI maakt datzichtbaarder.
• Door KPI’s, definities enberekeningen één keer centraal vast te leggen, werkt iedereen met dezelfdecijfers en kan AI betrouwbare antwoorden geven.

Waarom AI-projecten vastlopen op data en niet op techniek

Gartner voorspelde in februari 2025 dat organisaties tot en met 2026 60% van de AI-projecten stopzetten die niet worden ondersteund door AI-ready data (bron: Gartner, Lack of AI-Ready Data Puts AI Projects at Risk). Let op: dat is een voorspelling, en ze gaat over projecten zónder goede data, niet over alle AI-projecten. Maar de boodschap is helder: wie AI inzet op data die niet op orde is, loopt een grote kans dat het project strandt.

AI-ready data betekent vooral: eenduidig, betrouwbaar en toegankelijk. Dat is minder spannend dan een nieuwe AI-tool, maar het bepaalt of je AI na de demo nog gebruikt. Wij zien dat veel organisaties moeite hebben om AI succesvol toe te passen. Niet omdat de technologie tekortschiet, maar omdat de onderliggende basis onvoldoende is ingericht.

Eén KPI, meerdere definities: waar het misgaat

In de meesteorganisaties bestaat er niet één definitie van een KPI, maar meerdere. Elkeafdeling rekent het op de manier die voor haar werk logisch is. Een paarherkenbare voorbeelden:

1. KPI: omzet

• Mogelijke definties: Op orderdatum, op factuurdatum, of na aftrek van  creditnota’s
• Gevolg: Sales en finance melden voor dezelfde maand een ander  cijfer

2. KPI: Marge

• Mogelijke definities: Bruto marge, na inkoop- en transportkosten, of inclusief  overhead
• Gevolg: Je ziet winst waar een collega verlies ziet

3. KPI: Verzuimpercentage

• Mogelijke definities: Met of zonder langdurig zieken; per kalendermaand of over  12 maanden
• Gevolg: Het dashboard wijkt af van het jaarverslag

4. KPI: Actieve klant

• Mogelijke definities: Bestelling in de afgelopen 6, 12 of 24 maanden
• Gevolg: Marketing en sales richten zich op een andere groep

Geen van deze definities is fout. Het probleem is dat niemand weet welke er gebruikt wordt, of dat afdelingen er ieder stilzwijgend een eigen kiezen. Zolang mensen alleen met rapporten werken, valt dat mee: een collega weet dat het cijfer van finance leidend is. Met AI verandert dat.

Waarom dit met AI zwaarder weegt dan zonder AI

• ‍AI kent jullie afspraken niet. Een collega corrigeert stilzwijgend, een AI-tool kiest de data die hij ziet.‍
• AI klinkt zeker van zijn zaak. Een antwoord dat afwijkt van wat iemand verwacht komt vlot en stellig binnen, en is daardoor lastig te herkennen.‍
• AI schaalt de verwarring op. Als iedereen in de organisatie vragen kan stellen, kan iedereen ook een ander antwoord krijgen.‍
• Vertrouwen is snel weg. Eén antwoord dat niet klopt met wat iemand verwacht is vaak genoeg om de tool weer terzijde te leggen en terug te gaan naar Excel.

 AI lost het definitie probleem dus niet op. Het maakt het zichtbaarder, sneller en groter. Daarom beginnen wij niet bij de AI-tool, maar bij de data, processen en informatievoorziening die nodig zijn voor een succesvolle inzet van AI.

Wat is een goede databasis voor AI?

Een databasis voor AI is geen ingewikkeld IT-project. Het komt neer op vijf dingen:

• ‍Eén definitie per KPI. Voor elk cijfer staat vast wat het betekent.‍
• Eén berekening, op één plek. Elk dashboard, rapport en elke AI-vraag gebruikt dezelfde formule, in plaats van zes verschillende Excelbestanden.‍
• Gekoppelde bronnen. Gegevens uit je boekhouding, CRM en planning komen automatisch samen, zonder handmatig knip- en plakwerk.‍
• Toegangsrechten per medewerker. Iedereen ziet wat hij mag zien, ook wanneer hij het aan AI vraagt.‍
• Duidelijk eigenaarschap. Iemand beslist wat de definitie is als die moet veranderen.

De plek waar je KPI’s, definities en berekeningen vastlegt, heet technisch een semantisch model. Het is de vertaalslag tussen de ruwe data in je systemen en de taal waarin jij over je bedrijf praat: omzet, marge, verzuim. Dit is wat we bedoelen met KPI’s centraal vastleggen in een uniforme datastructuur.

Zo leg je KPI-definities vast, stap voor stap

1. ‍Kies de KPI’s die ertoe doen. Begin klein, metde vijf tot tien cijfers waar jullie wekelijks over praten.‍
2. Breng de verschillen in kaart. Vraag per KPI aan twee afdelingen hoe zij het berekenen. Vaak is de eerste ontdekking al waardevol.‍
3. Kies samen één definitie. Dit is een keuze van jullie, niet van ons. Wij denken , adviseren en leggen het vast.‍
4. Leg het centraal vast. Wij zetten de KPI’s, definities en berekeningen in een semantisch model, gekoppeld aan je databronnen. Je dashboards draaien er direct op.‍
5. Zet er AI bovenop. Met de AI-koppeling van TapTarget chat je in de AI-tool die je al gebruikt, zoals ChatGPT, Copilot of Claude, met je eigen bedrijfsdata. De AI-tool leest uit het semantische model, dus met dezelfde definities, cijfers en toegangsrechten als je dashboards. Het onderliggende taalmodel wordt daarbij niet getraind op je ruwe bedrijfsdata.

Wat levert een stevige databasis je op?

• ‍Minder discussie, meer besluiten. De vergadering gaat over wat je gaat doen, niet over welk cijfer klopt.‍
• Betrouwbare AI-antwoorden. Dezelfde vraag geeft hetzelfde antwoord, ongeacht wie hem stelt.‍
• Sneller rapporteren. Berekeningen staan er één keer, dus geen handwerk bij elk nieuw rapport.‍
• Meer vertrouwen, dus meer gebruik. Medewerkers gebruiken tools waarvan ze weten dat het antwoord klopt.‍
• Een basis die meegroeit. Nieuwe dashboards en AI-toepassingen bouwen voort op dezelfde definities.

Meer dan 200 bedrijven werken dagelijks met onze dashboards. Datzelfde fundament van eenduidige cijfers is wat AI nodig heeft om betrouwbaar te zijn: BI vandaag, AI morgen.

Test: is jouw databasis klaar voor AI?

Beantwoord deze vijf vragen met ja of nee:

1. Kun je voor je vijf belangrijkste KPI’s opschrijven hoeze zijn berekend?
2. Geven twee afdelingen hetzelfde antwoord op de vraag“wat was de omzet vorige maand?”
3. Is er iemand die beslist wanneer een definitie magveranderen?
4. Komen je cijfers uit gekoppelde systemen, in plaats vanuit handmatig bijgewerkte Excelbestanden?
5. Weet je per medewerker wie welke cijfers mag zien?

 Twee keer of vaker “nee”? Dan loont het om eerst de basis te leggen en daarna pas AI toe te voegen. Je bent niet te laat, je begint op het juiste punt.

Veelgestelde vragen over een databasis voor AI

Wat is een databasis voor AI?

Een databasis voor AI is de ondergrond waarop AI zijn antwoorden baseert: gekoppelde databronnen, vaste KPI-definities, centrale berekeningen en duidelijke toegangsrechten. Zonder die basis kan AI tegenstrijdige of onbetrouwbare antwoorden geven.

Waarom mislukken veel AI-projecten?

Vaak ligt het niet aan de AI zelf, maar aan de data eronder. Gartner voorspelde dat organisaties tot en met 2026 60% van de AI-projecten stopzetten die niet worden ondersteund door AI-ready data.

Wat is een semantisch model?

Een semantisch model legt vast wat je KPI’s betekenen en hoe ze worden berekend, bijvoorbeeld wat bij jullie als omzet, marge of verzuim telt. Dashboards en AI-tools gebruiken daardoor dezelfde cijfers.

Moet ik eerst al mijn data opschonen voordat ik met AI begin?

Nee. Je hoeft niet alles tegelijk op orde te hebben. Begin met de KPI’s die voor jouw besluiten het belangrijkst zijn, leg die goed vast en breid daarna uit.

Hoe snel kan ik beginnen?

Dat hangt af van het aantal databronnen en hoe ver jullie al zijn. In een kennismakingsgesprek kijken we samen waar je staat en wat de logische eerste stap is.

Begin bij de basis, dan volgt AI vanzelf

De mogelijkheden van AI zijn indrukwekkend. Of je er echt iets aan hebt, hangt af van de basis eronder. Leg je KPI’s en definities één keer goed vast, dan werkt iedereen met dezelfde cijfers en geeft AI antwoorden waar je op kunt bouwen.

Benieuwd waar jullie nu staan? Plan een vrijblijvende kennismaking en we denken graag met je mee.

‍

Omdat inzicht eenvoudig moet zijn.

‍