Van dashboards naar dialoog

Iedereen heeft het druk. Steeds minder mensen nemen de tijd om dashboards te doorgronden, rapporten te filteren of zelf tabellen te doorzoeken. Wat ze wel willen? Gewoon hun vraag stellen. “Hoe ver lopen we achter op het budget?” of “Welke productgroep presteert onder verwachting?” En direct een begrijpelijk, actueel antwoord krijgen.

Die behoefte wordt steeds vaker ingevuld door AI-agents. Niet meer klikken en scrollen, maar vragen in gewone taal stellen aan een digitale assistent die precies weet waar hij moet zoeken. En belangrijker nog: waar je aan het werk bent. Een agent kan overal klaarstaan: in teams, in een applicatie op je telefoon, overal. Dankzij het Model Context Protocol (MCP) wordt dat mogelijk: een standaard waarmee agents niet alleen data opvragen, maar ook de bijbehorende betekenis en context begrijpen.

Maar dan moet die context er wel zijn. Want een agent die niet weet wat ‘omzet’ betekent in jouw organisatie, of die data haalt uit een ongecontroleerde bron van twee jaar oud, is niet intelligent; die gokt. En daar gaat het vaak mis: slimme voorkanten gebouwd op een zwakke, onbetrouwbare achterkant.

Wat we in de praktijk zien is dat de meeste AI-agents niet falen op techniek, maar op vertrouwen. Gebruikers haken af zodra het antwoord inconsistent, onbegrijpelijk of simpelweg fout is. En dat vertrouwen ontstaat niet in de interface, maar in de laag eronder: governance, lifecycle management en eigenaarschap.

Bij organisaties die hierin investeren, zien we dat agents veel sneller geaccepteerd en succesvol worden. Zeker wanneer het dataplatform is ingericht met een duidelijke datastructuur, versiebeheer, toegangsregels en metadata. Niet omdat dat verplicht is, maar omdat het nodig is. Zonder goede onderlaag kan zelfs de slimste agent niets zinnigs zeggen.

Daarom gaat deze blog niet over AI-modellen of chatinterfaces. Het gaat over wat ervoor nodig is om zulke interfaces bruikbaar te maken. We laten zien waarom governance, lifecycle en semantische structuur geen overbodige luxe zijn, maar de stille motor achter een betrouwbare AI-ervaring. En hoe je die motor inricht met de juiste principes en tooling, bijvoorbeeld met een oplossing als Datahub.

Wat is MCP en waarom vraagt het om iets anders dan een API

We zijn gewend geraakt aan data-API’s: endpoints die een query ontvangen en data teruggeven. Maar die API’s begrijpen niks van de betekenis van je vraag. Ze leveren ruwe data, geen inzicht. Als je vraagt naar “de omzetgroei van productgroep X”, moet je precies weten waar die staat, hoe de kolom heet, wat de definities zijn, en in welke tabel je moet zoeken. En als die context ontbreekt? Dan geeft het systeem wel een antwoord, maar niet het juiste.

Het Model Context Protocol (MCP) is bedacht om dat probleem te doorbreken. MCP-servers werken niet vanuit technische endpoints, maar vanuit betekenis. Een MCP-agent stelt geen SQL-query, maar een inhoudelijke vraag: “Wat was de omzet van productgroep X in Q2, vergeleken met vorig jaar?” De server zoekt daar vervolgens het juiste dataproduct, de bijbehorende logica en de geldige context bij. Denk aan versies, aggregatieniveaus, filters, definities.

Het grote verschil met traditionele API’s is dus dat een MCP-server snapt wat je bedoelt mits de onderliggende structuur rijk genoeg is. Zonder goede metadata, duidelijke definities en formeel vastgelegde logica, blijft een MCP-agent hangen. Of erger: hij gebruikt de verkeerde logica, zonder dat iemand het doorheeft.

Een goed werkende MCP-server vraagt dus om meer dan alleen een datalaag. Er is een semantische tussenlaag nodig: een plek waar betekenis, logica, regels en eigenaarschap samenkomen. Dat is waar veel organisaties struikelen. Ze bouwen wel een chatbot of agent, maar niet de semantische laag die hem voedt.

In omgevingen waar zo’n semantische laag wél goed is ingericht, met dataproducten die gedefinieerd zijn, beheerd worden, en context bevatten, werkt een MCP-agent vrijwel moeiteloos. In projecten waar wij met Datahub worden ingezet, is precies dat het uitgangspunt: zorg dat elk datapunt betekenis, structuur en lifecycle heeft, zodat niet alleen de (bestaande) rapportages in bijvoorbeeld Power BI doorop bouwen, maar ook agents daarop kunnen bouwen.

MCP verandert de manier waarop we met data omgaan. Maar die verandering werkt alleen als de onderlaag meebeweegt. En die onderlaag heet geen AI, maar die heet governance, lifecycle en data management.

De illusie van eenvoud – wat de gebruiker niet ziet

Voor de gebruiker voelt het als magie. Een eenvoudige vraag stellen, en direct een helder antwoord terugkrijgen. Geen Excel-bestanden meer, geen discussies over filters, geen gedoe met toegang. Gewoon: “Hoe doen we het deze maand ten opzichte van de forecast?” en daar is het antwoord.

Maar die eenvoud aan de voorkant verbergt een enorme complexiteit aan de achterkant. Want waar haalt de agent die forecast vandaan? Welke versie? Welke aggregatie? Is het een rolling average of een harde target? Is de data al gevalideerd of zit er een fout in de bronfeed van gisteren? En als het fout is of gaat, bij wie ligt dan de verantwoordelijkheid om hier iets aan te doen? Wie mogen we aanspreken? Wanneer mogen we bepaalde prestaties verwachten?

Een AI-agent die werkt via MCP heeft geen toverspreuk. Hij moet de juiste dataproducten kunnen vinden, begrijpen welke regels daarbij horen, en vertrouwen op de structuur van de onderliggende metadata. En dat allemaal zonder tussenkomst van een data engineer die “even meekijkt”.

Dat betekent dat elk datapunt een set aan vragen moet kunnen beantwoorden:

• Wat is dit precies?
• Wie beheert het?
• Hoe recent is het?
• Waar is het op gebaseerd?
• Mag ik dit gebruiken?

In traditionele platformen worden die vragen vaak opgelost via impliciete kennis: de expert weet hoe het zit, of iemand heeft het ooit uitgelegd in een call. Maar een agent weet dat niet. Die heeft expliciete definities nodig en een systeem dat die definities bewaakt.

In moderne dataplatforms, zoals we die met Datahub helpen realiseren, zorgen we ervoor dat die informatie niet rondzweeft in e-mails of wiki’s, maar is ingebed in het platform zelf. In metadata, via data contracts, met lineage en in eigenaarschap. Zo kan een agent niet alleen het juiste antwoord geven, maar ook uitleggen waarom dat het juiste antwoord is.

De kracht van een goede interface zit dus niet in het taalmodel of de frontend, maar in het vertrouwen dat eronder ligt. Wat gebruikers als “simpel” ervaren, is in werkelijkheid het resultaat van volwassen datamanagement. Zonder die laag blijft een AI-agent een gokmachine; één die af en toe juist antwoordt, maar niemand weet waarom of wanneer.

Lifecycle management – hoe houd je een agent scherp

Een AI-agent is geen statisch systeem. De vragen die gebruikers stellen, veranderen. KPI’s worden bijgesteld, modellen worden vernieuwd, tabellen verouderen en toch zien we dat veel organisaties hun onderliggende datadefinitie behandelen alsof die in steen gebeiteld is. En dat is precies waar het misgaat.

Een agent die blijft antwoorden op basis van verouderde definities, oude tabellen of foutgevoelige bronfeeds verliest snel zijn geloofwaardigheid. Hij klinkt misschien overtuigend, maar wat hij zegt klopt niet meer. Gebruikers voelen dat aan. Eerst twijfelen ze en daarna gebruiken ze hem niet meer.

Lifecycle management voorkomt dat scenario. Het zorgt ervoor dat data, definities, logica en toegangsregels actief worden beheerd over de tijd. Dat kan betekenen: het archiveren van oude versies, het waarschuwen bij breaking changes, het valideren van output op basis van testscenario’s, of het bewust uitfaseren van dataprodukten die niet meer relevant zijn.

Maar het gaat verder dan alleen ‘bijhouden’. Een volwassen platform leert mee met het gedrag van de gebruikers. Welke vragen worden vaak gesteld? Welke definities zorgen voor verwarring? Welke KPI’s worden verkeerd geïnterpreteerd? Dat gedrag is geen bijvangst, maar is juist enorm waardevolle feedback. Het laat zien waar je datadefinitie, je documentatie of je governance tekortschiet.

In omgevingen waar we Datahub implementeren, gebruiken we dit vraaggedrag als signaal om dataproducten te verbeteren. Veelgestelde vragen worden verrijkt met uitleg, lineage wordt zichtbaar gemaakt, definities worden explicieter of geborgd in contracts. Zo groeit het platform samen met de organisatie. En de agent wordt niet alleen een bron van informatie, maar ook een spiegel voor de kwaliteit van je datamanagement.

Een slim platform met lifecycle management is dus meer dan onderhoud. Het is een continu leerproces. Niet alleen voor de techniek, maar ook voor de mensen eromheen. Want uiteindelijk gaat het niet om de perfecte dataset, maar om het vermogen om te blijven aanpassen zonder het vertrouwen te verliezen.

Geen governance, geen vertrouwen

Het klinkt hard, maar het is waar: zonder governance is er geen vertrouwen. Niet in dashboards, niet in rapporten, en zeker niet in AI-agents. Wat gebruikers nodig hebben, is geen indrukwekkende interface of een slimme gegenereerde zin. Ze willen weten: kan ik hierop bouwen?

Een agent die een antwoord geeft waarvan niemand weet waar het vandaan komt, hoe recent het is, of wie verantwoordelijk is voor de bron, is net zo onbetrouwbaar als een onderbuikgevoel. Misschien klopt het, misschien niet. Maar je durft er geen besluit op te nemen. En dan haakt de organisatie af.

Goede governance zorgt ervoor dat die vragen beantwoord kunnen worden:

• Waar komt dit datapunt vandaan?
• Is het gevalideerd?
• Welke definitie ligt eraan ten grondslag?
• Wie beheert dit dataproduct?
• Zijn er kwaliteitsproblemen gemeld?

Het mooie is: als die structuur eenmaal staat, hoeft de gebruiker dat niet allemaal te weten. Maar het moet er wel zijn als vangnet. Een volwassen governance-laag geeft een agent niet alleen toegang tot data, maar ook tot de betekenis en betrouwbaarheid daarvan.

In omgevingen zonder governance ontstaat er onzekerheid. Verschillende versies van dezelfde KPI duiken op in verschillende rapporten. Verschillende agents geven verschillende antwoorden op dezelfde vraag. Data-analisten raken verdacht stil, of zeggen “het hangt ervan af”. Op dat moment is de technische infrastructuur irrelevant geworden, want het vertrouwen is weg.

Daarom zien we in projecten met Datahub dat governance altijd wordt meegenomen in de basis. Niet als sluitstuk, maar als uitgangspunt. Elk dataproduct wordt geleverd met metadata, eigenaarschap, kwaliteitsregels en versiebeheer. Agents krijgen niet zomaar toegang tot ruwe datasets, maar tot gedefinieerde, gecontroleerde producten die klaar zijn voor gebruik. Niet alleen veilig, maar ook uitlegbaar.

Want je hoeft niet al je data perfect te organiseren. Je moet alleen zorgen dat gebruikers weten waarop ze wél kunnen vertrouwen. En die duidelijkheid, dat vertrouwen, die voorspelbaarheid, dat is precies wat governance brengt.

Je agent is zo slim als de data waarop hij bouwt

AI-agents, chatinterfaces, MCP-servers, het klinkt allemaal modern en slim. En dat kan het ook zijn. Maar de waarheid is simpel: een agent die werkt op rommelige, ongedocumenteerde of verouderde data is net zo nutteloos als een hyperintelligente adviseur die de verkeerde cijfers krijgt aangereikt.

De echte intelligentie zit niet in het model, maar in de structuur eronder. In definities die kloppen. In dataproducten die worden beheerd. In vragen die herleidbaar zijn naar betrouwbare bronnen. Dat vraagt om volwassen governance, actief lifecycle management en een platform dat niet alleen snelheid, maar ook vertrouwen en controle biedt.

Wat gebruikers willen, is namelijk vertrouwen. Niet op het gevoel, maar op basis van inzicht. Ze willen weten dat een antwoord reproduceerbaar is, dat het betekenis heeft binnen hun context. En juist dat vraagt om meer dan alleen techniek.

Daarom bouwen we in onze Datahub-oplossing niet alleen tooling voor observability of datacontracten. We bouwen aan een fundament waarop organisaties agents kunnen laten draaien met vertrouwen. Waarbij elke vraag die gesteld wordt, bijdraagt aan het verbeteren van het systeem. Waar datagedrag niet alleen leidt tot antwoorden, maar ook tot leren.

Want als je echt wilt dat je mensen betere vragen stellen, moet je zorgen dat je platform betere antwoorden kan geven. Niet alleen vandaag, maar ook morgen. En dat begint niet met AI, maar met hoe je omgaat met je data.