Data-gereedheid: de voorwaarde voor AI die de meeste organisaties overslaan Data Readiness: The Prerequisite for AI That Most Organisations Skip
Het AI-project heeft een stuurgroep, een leverancier, een startdatum en een naam. Wat het niet heeft, is iemand die met zekerheid kan zeggen waar de klantdata werkelijk staat, hoe volledig ze is, of wie haar mag aanraken. Dit is de normale beginsituatie. Het is ook de reden dat het project zijn eerste zes maanden aan archeologie besteedt in plaats van aan AI, als het überhaupt zo lang overleeft.
The AI project has a steering group, a vendor, a kick-off date, and a name. What it does not have is anyone who can say, with confidence, where the customer data actually lives, how complete it is, or who is allowed to touch it. This is the normal starting condition. It is also the reason the project will spend its first six months doing archaeology instead of AI, if it survives that long at all.
The failure statistic everyone quotes and nobody acts on
De faalstatistiek die iedereen citeert en waar niemand naar handelt
Gartner meldde in 2023 dat 60 procent van de AI-projecten die in hun eerste jaar mislukken, dat doen door slechte datakwaliteit of onvoldoende governance. Niet het model. Niet de leverancier. Niet het budget. De data.
Gartner reported in 2023 that 60 percent of AI projects failing in their first year do so because of poor data quality or insufficient governance. Not the model. Not the vendor. Not the budget. The data.
This number gets quoted in every AI strategy deck, and then the same deck proposes a pilot that assumes the data is fine. The contradiction goes unnoticed because checking data readiness is unglamorous work that delays the exciting part. So organisations skip it, start the exciting part, and rediscover the statistic from the inside.
Dit cijfer wordt in elke AI-strategiepresentatie geciteerd, en vervolgens stelt dezelfde presentatie een pilot voor die aanneemt dat de data in orde is. De tegenstrijdigheid blijft onopgemerkt omdat het toetsen van data-gereedheid ondankbaar werk is dat het spannende deel vertraagt. Dus slaan organisaties het over, beginnen ze aan het spannende deel, en herontdekken ze de statistiek van binnenuit.
The fix is not a two-year data programme. It is an honest hour with five questions, asked before the kick-off instead of after the first failed sprint.
De oplossing is geen tweejarig dataprogramma. Het is een eerlijk uur met vijf vragen, gesteld vóór de kick-off in plaats van na de eerste mislukte sprint.
There is also a quieter version of the failure, the one that never makes the statistics. The project does not die. It limps. The model runs on the seventy percent of records that were usable, quietly excluding the rest, and everyone wonders why the results feel thinner than the pilot promised. Nobody wrote a post-mortem, because nothing officially failed. The gap between promised and delivered just became the new normal.
Er bestaat ook een stillere versie van het falen, degene die de statistieken nooit haalt. Het project sterft niet. Het strompelt. Het model draait op de zeventig procent van de records die bruikbaar waren, en sluit stilletjes de rest uit, en iedereen vraagt zich af waarom de resultaten dunner aanvoelen dan de pilot beloofde. Niemand schreef een evaluatie, want er faalde officieel niets. De kloof tussen beloofd en geleverd werd gewoon het nieuwe normaal.
The five-question readiness check
De gereedheidscheck in vijf vragen
| Question | What a good answer sounds like | Red flag |
|---|---|---|
| 1. Where does the data live? | Named systems, named tables, one person who knows the landscape. | "Partly in the ERP, partly in spreadsheets, and Ellen keeps some of it in her mailbox." |
| 2. How complete and accurate is it? | A measured answer: field completion rates, known error patterns, a recent sample check. | "Should be fine." Nobody has looked in years. |
| 3. Who owns it? | A named owner with authority to grant access and approve use. | Ownership split across three departments, none of which answers email. |
| 4. May we use it for this purpose? | A purpose check against the AVG done before the pilot, documented. | "We collected it, so we can use it." That is not how purpose limitation works. |
| 5. Can the system reach it? | An export, API, or connection that works today, tested. | An integration project hiding inside the AI project, discovered in month three. |
| Vraag | Hoe een goed antwoord klinkt | Rode vlag |
|---|---|---|
| 1. Waar staat de data? | Benoemde systemen, benoemde tabellen, één persoon die het overzicht heeft. | "Deels in het ERP, deels in spreadsheets, en Ellen bewaart een deel in haar mailbox." |
| 2. Hoe volledig en accuraat is ze? | Een gemeten antwoord: vulgraad per veld, bekende foutpatronen, een recente steekproef. | "Zal wel goed zijn." Niemand heeft in jaren gekeken. |
| 3. Wie is eigenaar? | Een benoemde eigenaar met de bevoegdheid om toegang te verlenen en gebruik goed te keuren. | Eigenaarschap verdeeld over drie afdelingen, waarvan er geen e-mail beantwoordt. |
| 4. Mogen we haar voor dit doel gebruiken? | Een doeltoets aan de AVG, gedaan vóór de pilot, gedocumenteerd. | "We hebben haar verzameld, dus we mogen haar gebruiken." Zo werkt doelbinding niet. |
| 5. Kan het systeem erbij? | Een export, API of koppeling die vandaag werkt, getest. | Een integratieproject verstopt in het AI-project, ontdekt in maand drie. |
Notice what is not on the list: perfection. The data does not need to be flawless. It needs to be known. A project that starts with accurate knowledge of imperfect data will outperform a project that starts with confident ignorance of the same data, every single time.
Merk op wat niet op de lijst staat: perfectie. De data hoeft niet vlekkeloos te zijn. Ze moet gekend zijn. Een project dat start met accurate kennis van onvolmaakte data verslaat een project dat start met zelfverzekerde onwetendheid over dezelfde data, elke keer weer.
Scope the cleanup to the use case
Beperk de opschoning tot de toepassing
The opposite failure exists too. Some organisations conclude from the 60 percent statistic that they must clean everything before touching AI, and launch an organisation-wide data quality programme with an eighteen-month horizon. Those programmes rarely finish. They cannot, because data quality is not a destination. It decays the moment you stop maintaining it.
Het omgekeerde falen bestaat ook. Sommige organisaties concluderen uit de 60-procentstatistiek dat ze alles moeten opschonen voordat ze AI aanraken, en lanceren een organisatiebreed datakwaliteitsprogramma met een horizon van achttien maanden. Die programma's worden zelden afgerond. Dat kan niet, want datakwaliteit is geen bestemming. Ze vervalt op het moment dat u stopt met onderhouden.
Scope it down. One use case. The data that use case touches. Nothing else. If the pilot is invoice processing, the state of your marketing contact database is irrelevant this quarter. Clean the invoice fields, ship the pilot, and let the result fund the next round of cleanup. Deloitte's finding that AI's total cost of ownership runs 2 to 4 times the initial budget already prices in this work. Spend it where the use case is, not everywhere at once.
Perk het in. Eén toepassing. De data die die toepassing raakt. Niets anders. Als de pilot factuurverwerking is, doet de staat van uw marketingcontactendatabase er dit kwartaal niet toe. Schoon de factuurvelden op, lever de pilot, en laat het resultaat de volgende opschoningsronde financieren. Deloitte's bevinding dat de totale eigendomskosten van AI 2 tot 4 keer het initiële budget bedragen, prijst dit werk al in. Besteed het waar de toepassing is, niet overal tegelijk.
Data readiness is a habit, not a phase. The organisations that get this right ask the five questions before every project, forever. It takes an hour. It saves a quarter.
Data-gereedheid is een gewoonte, geen fase. De organisaties die dit goed doen, stellen de vijf vragen voor elk project, voor altijd. Het kost een uur. Het bespaart een kwartaal.