Iedere maandag begint voor veel CTO's met dezelfde vraag. Het bestuur wil weten wanneer er een taalmodel over de bedrijfsdata draait. Niet volgend jaar, maar dit kwartaal. De concurrent doet het al, zo wordt gezegd.
De vraag is begrijpelijk. Het antwoord is minder spannend dan de vraag: als de bronnen, definities en rechten nog niet op orde zijn, staat er geen betrouwbare weg waarop dit model kan rijden.
Een Ferrari heeft een weg nodig
Iedereen wil een LLM op het datawarehouse zetten, maar je rijdt niet in een Ferrari zolang de weg er niet ligt. Eerst het platform, dan het model.
Een model is zo goed als het fundament eronder. Daarboven wordt het alleen sneller en duurder.
Het beeld klopt omdat een LLM geen eigen kennis van jouw organisatie heeft. Voor actuele, organisatie-eigen antwoorden over omzet, klanten, voorraad of contracten moet het kunnen steunen op de juiste bedrijfsbronnen; algemene trainingskennis vervangt die niet. Is die data versnipperd, dubbel of tegenstrijdig, dan wordt het antwoord vloeiend verwoord en toch onjuist.
AI is het sluitstuk: betrouwbaarheid begint in de lagen eronder.
Het werk dat aan AI voorafgaat
Voor een AI-toepassing zijn niet alleen mensen nodig die goede prompts schrijven. Analytics engineers en data platform engineers doen het minder zichtbare werk dat eraan voorafgaat: bronnen aansluiten, gegevens modelleren en kwaliteit bewaken.
Zij ruimen rommelige pipelines op, brengen structuur aan in het warehouse en stellen clusters zo in dat de cloudrekening beheersbaar blijft. Dat is minder zichtbaar dan een demo, maar het bepaalt of de demo ooit productie haalt.
Wat een fundament eigenlijk is
Het woord fundament blijft vaak abstract. Bij Datahub is het concreet: een data- en AI-platform. Dat platform is de weg waarop elk model rijdt, en het bestaat uit een paar onderdelen:
- Eén betekenis. Wat is een klant, een omzetregel, een actieve order? Zolang drie afdelingen drie antwoorden geven, krijgt het model er ook drie.
- Betrouwbare pipelines. Data komt op tijd, volledig en traceerbaar binnen. Fouten worden gezien voordat een gebruiker ze ziet.
- Een gestructureerd warehouse. Een duidelijke gelaagde opbouw, van ruwe bron tot bruikbare gouden tabel, zodat bekend is waar iets vandaan komt.
- Governance. Wie mag welke data zien, en wat mag een model ermee doen. Dit is ook de basis voor private AI, waarbij de data in eigen hand blijft.
- Beheerste kosten. Clusters en queries die efficiënt draaien, zodat AI geen verrassing op de factuur wordt.
Een bruikbaar antwoord begint bij aangesloten bronnen en eindigt bij gedeelde betekenis.
Zonder weg, een dure vergissing
Wie een LLM op een rommelige omgeving zet, krijgt geen trage maar eerlijke assistent. Hij krijgt een snelle, overtuigende spreker die onzin met dezelfde zelfverzekerdheid brengt als feiten. Duur en moeilijk te controleren.
De fout hoeft dan niet alleen in het model te zitten. Ook de bronselectie, definities en toegangsregels kunnen verkeerd zijn. Een betere prompt repareert geen ontbrekende afspraak.
Een order, verschillende antwoorden
Neem een planner die vraagt: kunnen we deze order vandaag uitleveren? Het ERP toont een voorraadpositie. Het magazijn weet welke goederen al zijn gereserveerd. De kwaliteitsafdeling kan een partij hebben geblokkeerd. Zonder die afspraken betekent voorraad nog niet leverbaar.
Het platform brengt die gegevens bij elkaar en maakt de definitie expliciet: leverbaar is wat beschikbaar, vrijgegeven en niet gereserveerd is. De berekening gebeurt op de goedgekeurde bronnen, binnen de rechten van de planner. Het model kan de uitkomst daarna uitleggen, inclusief de reden waarom iets niet kan.
Dat is een andere taakverdeling dan een model vragen zelf een getal te bedenken. De organisatie beheert de betekenis; het platform voert de regels uit; het model helpt de gebruiker ermee werken. Als een bron ontbreekt, hoort dat zichtbaar te worden in plaats van te verdwijnen in een overtuigende zin.
Een kleinere eerste stap
De reflex is om met het model te beginnen, omdat dat is wat het bestuur ziet. De slimmere stap is kleiner: kijk eerst hoe sterk het fundament is. Welke bronnen zijn betrouwbaar, waar ontbreekt eenduidige betekenis, waar lekken kosten weg.
Dat is de gedachte achter de fundamentscan. Een scherp beeld van wat er ligt, wat ontbreekt en wat als eerste moet worden aangelegd. Daarna kan de eerste toepassing op vertrouwen groeien in plaats van op hoop.
Daar zit ook een strategische keuze in. Een fundament dat in eigen hand blijft, maakt het mogelijk een groot deel van de routinevragen vanuit het bedrijfsbrein te beantwoorden met open-source of zelf gehoste modellen. Hoe groot dat deel is, moet blijken uit je eigen vragen, bronnen en kwaliteitseisen; het is geen vast percentage of gegarandeerd resultaat. De grote modellen blijven waardevol voor onderzoek en businessontwikkeling, maar de dagelijkse vragen lopen over de eigen weg, met minder afhankelijkheid van een externe modelaanbieder. Dat vraagt om een keuze die vooraf wordt gemaakt, niet achteraf.
Het model is het makkelijke deel. De weg is het werk.
Begin met één beslissing en bouw alleen het fundament dat nodig is om die betrouwbaar te ondersteunen.
