We hebben data onder de knie. Nu laten we AI werken.

19 mei 2025 | 4 minuten leestijd

Iedereen bouwt op dit moment iets met AI. Sommigen gebruiken chatbots, anderen automatiseren tools zoals Slack of HubSpot. Aan de buitenkant ziet het er gelikt uit, maar onder de motorkap wordt het vaak een rommeltje. AI-workflows werken alleen als de gegevens erachter kloppen. En daar komen wij om de hoek kijken.

Bij i-spark bouwen we al jaren Composable Data Hubs. Dit zijn modulaire dataplatforms die gestructureerde data opnemen, transformeren en activeren. Ze voeden dashboards en leveren verrijkte datafeeds aan systemen zoals e-mailtools, advertentieplatforms en nu ook AI-agenten. Dus als we het over AI hebben, veranderen we niet van richting. We bouwen voort op wat er al is.

AI-workflows × Composable data

Grofweg zijn er drie soorten AI-gerelateerde projecten die we tegenkomen.

Ten eerste is er eenvoudige automatisering: tools zoals Make of n8n die zijn gekoppeld aan bedrijfsapps. Je voert wat logica in, roept een LLM aan en krijgt een e-mail of Slack-bericht als uitvoer. Deze workflows worden veel gebruikt en als dat jouw use case is, kunnen we je uiteraard helpen.

Ten tweede is er de data-infrastructuur. Dit is wat we altijd hebben gedaan. Een composable datahub die zowel inzichten (dashboards, rapporten, analyses) als verrijkte datafeeds levert als gestructureerde output, klaar voor activering. Deze feeds stroomden vroeger naar marketingtools. In toenemende mate voeden ze nu AI-gestuurde beslissingen.

Waar het interessant wordt, is wanneer deze twee werelden elkaar ontmoeten: AI-workflows gebouwd bovenop sterke, gestructureerde data-ecosystemen. Dat is onze focus: Niet alleen prompts schrijven of connecties ontwikkelen, maar waarde creëren door ecosystemen toe te passen die AI de duidelijkheid en context geven die het nodig heeft om echt nuttig te zijn.

Eén voorbeeld: wanneer het model er slim uitziet maar het fout heeft

In een van onze MVP's gebruikten we n8n om dagelijkse updates over productgegevens te genereren, die rechtstreeks in Slack werden gedropt. Het idee was om handmatige analyses te vervangen door iets snellers, gevoed door zowel interne gegevens als externe context zoals promoties van concurrenten of marktnieuws.

De door LLM gegenereerde query probeerde het aantal dagelijkse gebruikers bij elkaar op te tellen om deze week te vergelijken met vorige week. Maar deze tellingen waren momentopnames, geen stromen, dus ze bij elkaar optellen had geen zin. Een junior analist zou dezelfde fout gemaakt kunnen hebben. Een senior zou dat waarschijnlijk niet doen. Dat is het punt.

Het gaat niet alleen om het repareren van syntax. Het gaat erom dat je begrijpt wat de gegevens betekenen en hoe je foutieve logica die er goed uitziet, kunt opsporen. Daarom geloven we dat dataprofessionals een sleutelrol hebben bij het bouwen van AI-workflows die gebruikmaken van echte bedrijfsdata.

"We hebben jaren besteed aan het bouwen van gestructureerde, governed datasystemen. Nu gebruiken we dat fundament om AI-workflows aan te sturen die niet alleen indrukwekkend, maar ook betrouwbaar zijn. "

Waarom datateams belangrijk zijn in AI-workflows

Het bouwen van AI-tools is een teamprestatie. Front-end ontwikkelaars en automatiseringsbouwers spelen allemaal hun eigen rol, vooral bij het maken van geweldige interfaces en flows. Maar als je automatisering in aanraking komt met gestructureerde, gevoelige, bedrijfskritische data, dan heb je mensen nodig die weten hoe die data worden gemodelleerd, berekend en beheerd. Dat is waar wij - doorgewinterde dataprofessionals - echt waarde toevoegen, door ervoor te zorgen dat de AI schone inputs heeft en de juiste logica toepast:

• We weten welke cijfers opgeteld kunnen worden en welke niet.
  
• We denken in termen van lineage, context en consistentie.
  
• We zien het wanneer AI-uitvoer niet logisch is, zelfs als het er op het eerste gezicht prima uitziet.
  
• We bouwen met governance, toegangscontrole en gevoeligheid in gedachten.

Het is het verschil tussen het maken van een gereedschap dat werkt en een systeem dat lang meegaat. AI betrouwbaar maken, niet alleen indrukwekkend.

Of zoals wij zeggen:

Als je AI serieus neemt, moet je je data goed hebben. En als je data serieus neemt, kun je AI niet meer negeren.

Wat maakt een bedrijf klaar voor AI?

Niet alle AI draait op gestructureerde data. Maar als dat wel het geval is, als het beslissingen, automatisering of personalisering aanstuurt, dan is de basis van belang. Volgens ons zijn er vijf bouwstenen die een organisatie AI-ready maken:

• Duidelijke metadata & semantiek: context rond wat de gegevens betekenen, hoe ze gedefinieerd zijn en hoe ze gebruikt moeten worden.
  
• Modulaire architectuur en schaalbare infrastructuur: modulaire systemen die goed op elkaar aansluiten en met elkaar kunnen communiceren.
  
• Vertrouwde datakwaliteit & traceerbare lineage: vertrouwde pijplijnen met validatie, freshness en duidelijke traceerbaarheid.
  
• Robuuste governance en beheerde toegang: weten wie wat mag gebruiken, onder welke voorwaarden.
  
• AI-ready integratie: workflows, promptable lagen of vectortoegangspunten waarmee AI de gegevens zinvol kan gebruiken.

Dit zijn niet alleen technische selectievakjes. Ze zorgen ervoor dat zowel teams als AI-systemen met vertrouwen beslissingen kunnen nemen.

Waar we staan

We zijn er niet halsoverkop ingedoken toen AI voor het eerst opkwam. Niet omdat we niet geïnteresseerd waren, maar omdat we ons concentreerden op wat nuttig zou zijn, niet alleen nieuw. We onderzochten, experimenteerden, bouwden MVP's. Nu het eerste stof is neergedaald en het pad naar echte kansen duidelijker wordt, zijn we klaar om in actie te komen.

Als je een aangepaste front-end bouwt rond AI-prompts, dan zijn wij waarschijnlijk niet jouw team. Maar als de kracht van je AI afhangt van gestructureerde, betrouwbare gegevens, dan is dat precies waar wij om de hoek komen kijken. Dus als je werkt aan serieuze AI en je wilt dat die in de loop der tijd standhoudt, dan helpen we je graag.

We veranderen niet van richting.

We bouwen vooruit.