Veel organi­sa­ties willen vandaag versnellen met AI. Dat is begrij­pe­lijk. De techno­logie belooft snellere processen, betere klantin­ter­actie, effici­ën­tere admini­stratie, slimmere risico­ana­lyse en nieuwe vormen van dienst­ver­le­ning. Voor business managers is de vraag dan ook niet langer óf AI relevant is, maar hoe AI op een veilige, betaal­bare en schaal­bare manier waarde kan opleveren.

Toch begint die discussie volgens Frank Beerlage, direc­teur van Cloudera in de Benelux, nog te vaak op de verkeerde plaats. In veel manage­ment­teams gaat het al snel over de keuze van het AI-model. Wordt het ChatGPT, Claude, Gemini, Copilot of een open source-model? Maar voor Beerlage is dat niet de belang­rijkste vraag.

Wie AI serieus wil inzetten in de organi­satie, moet eerst kijken naar de data. Welke data hebben we? Waar staat die data? Wie mag erbij? Is de kwali­teit goed genoeg? Kunnen we aantonen welke infor­matie is gebruikt? En kunnen we voorkomen dat de kosten uit de hand lopen zodra een pilot wordt uitge­rold naar honderden of duizenden medewerkers?

“Het begint met de archi­tec­tuur, niet met de modellen”, zegt Beerlage. “De discussie moet gaan over waar de data staat en wie eigenaar is van die data.”

Van experiment naar bedrijfsvoering

De eerste fase van genera­tieve AI draaide vooral om experi­men­teren. Medewer­kers probeerden tools uit, afdelingen startten pilots en bedrijven verkenden waar AI tijdwinst of kwali­teits­ver­be­te­ring kon opleveren. Die fase was nuttig. Ze liet zien hoe snel AI concrete resul­taten kan geven.

Maar veel organi­sa­ties komen nu in een andere fase terecht. AI verschuift van experi­ment naar bedrijfs­voe­ring. En precies daar ontstaan nieuwe vragen. Wat gebeurt er als een AI-toepas­sing niet door 10 medewer­kers wordt gebruikt, maar door 1000? Wat als AI-antwoorden worden ingezet in klant­com­mu­ni­catie, finan­ciële processen, HR, compli­ance of besluit­vor­ming? En wie is verant­woor­de­lijk wanneer de uitkomst onjuist, onvol­ledig of niet uit te leggen valt?

Volgens Beerlage dreigt AI in die fase onbetrouw­baar, onbeheers­baar en onbetaal­baar te worden wanneer de onder­lig­gende data niet goed georga­ni­seerd is. Niet omdat AI geen waarde heeft, maar omdat veel organi­sa­ties hun datafun­da­ment nog onvol­doende op orde hebben.

Dat blijkt ook uit Cloudera’s Data Readi­ness Index 2026. Veel IT-managers geven aan dat hun organi­satie een duide­lijke datastra­tegie heeft. Tegelijk zegt een groot deel dat data-initi­a­tieven worden afgeremd doordat benodigde data verspreid staat over verschil­lende omgevingen. Boven­dien heeft slechts een beperkt deel van de organi­sa­ties alle data volledig onder beheer en governance.

Voor business managers is dat een belang­rijk signaal. AI is niet alleen een techno­lo­gisch programma. Het raakt direct aan bedrijfs­voe­ring, kosten, risico’s, compli­ance, klant­ver­trouwen en concurrentiekracht.

Een snel antwoord is niet automatisch een betrouwbaar antwoord

AI-systemen maken techno­logie aan de voorkant opval­lend eenvoudig. Een medewerker stelt een vraag en krijgt direct een profes­si­o­neel gefor­mu­leerd antwoord. Dat wekt vertrouwen. Maar juist daar zit volgens Beerlage een risico.

Een AI-model kan een overtui­gend antwoord geven op basis van verou­derde, onvol­le­dige of verkeerd geïnter­pre­teerde data. Het antwoord ziet er dan goed uit, maar hoeft inhou­de­lijk niet te kloppen. In een vrijblij­vende testom­ge­ving is dat verve­lend. In een bedrijfs­kri­tisch proces kan het grote finan­ciële of juridi­sche gevolgen hebben.

Denk aan een klanten­ser­vi­ce­me­de­werker die verkeerde contract­in­for­matie gebruikt. Een finance-afdeling die beslis­singen baseert op incom­plete cijfers. Een HR-team dat gevoe­lige infor­matie verkeerd ontsluit. Of een compli­ance-afdeling die niet kan herleiden waarom een bepaald advies is gegeven.

Beerlage verwijst naar het welbe­kende principe “garbage in, garbage out”. Slechte of onvol­le­dige input leidt tot slechte output. In het AI-tijdperk wordt dat probleem groter, omdat de output vaak profes­si­o­neel, logisch en overtui­gend oogt.

“Wij stellen een vraag en krijgen een antwoord. Dan denken we dat het antwoord goed is”, zegt Beerlage. “Sterker nog: we kunnen vaak niet meer contro­leren wat er precies gebeurt. Welke data is gebruikt? Welke logica is toegepast?”

Dat is een belang­rijk punt. AI mag geen black box worden in processen waar betrouw­baar­heid, uitleg­baar­heid en verant­woor­de­lijk­heid essen­tieel zijn. Een organi­satie moet kunnen aantonen welke data is gebruikt, wie toegang had tot die data, welke rechten van toepas­sing waren en hoe een uitkomst tot stand kwam.

Controle over data wordt controle over de business

AI raakt steeds meer aan de kern van de organi­satie. Daarom wordt databe­heer ook een manage­ment­vraag­stuk. Wie AI wil inzetten in sales, service, finance, HR, opera­tions of risk, moet kunnen bepalen welke infor­matie beschik­baar is voor welke toepassing.

Een medewerker van finance mag niet automa­tisch toegang hebben tot HR-data. Een commer­ciële medewerker hoeft geen gevoe­lige juridi­sche dossiers te zien. Een medewerker in Duits­land kan met andere regels te maken hebben dan een collega in Neder­land. En wanneer AI-agents zelfstandig taken uitvoeren, wordt die rechten­struc­tuur nog belangrijker.

Het gaat dus niet alleen om effici­ëntie, maar ook om verant­woor­de­lijk­heid. Welke processen mogen door AI worden onder­steund? Welke data mag daarvoor worden gebruikt? Welke beslis­singen mogen worden geauto­ma­ti­seerd? En waar moet altijd mense­lijke controle blijven bestaan?

Volgens Beerlage moeten gover­nance, security en compli­ance daarom niet achteraf aan AI-projecten worden toege­voegd. Ze moeten onder­deel zijn van het funda­ment. Anders ontstaat het risico dat succes­volle pilots later alsnog vastlopen zodra juridi­sche, finan­ciële of opera­ti­o­nele vragen op tafel komen.

De werkelijkheid is hybride

Veel organi­sa­ties hebben hun data vandaag niet op één plek staan. Een deel staat in eigen datacen­ters, een deel bij coloca­tie­par­tijen, een deel in private cloudom­ge­vingen, een deel bij softwa­re­le­ve­ran­ciers en een deel bij grote inter­na­ti­o­nale cloud­pro­vi­ders. Die hybride werke­lijk­heid is voor de meeste bedrijven geen tijde­lijke fase, maar de normale situatie.

Volgens Beerlage moeten organi­sa­ties daarom niet denken in zwart-witkeuzes. Het gaat niet om alles terug­halen naar de eigen omgeving of alles onder­brengen in de publieke cloud. Beide uiter­sten zijn naar zijn mening te beperkt. De echte uitda­ging is om data over meerdere omgevingen heen bestuur­baar te maken.

“We willen ook niet alles terug naar binnen halen”, zegt Beerlage. “Eerst hadden we Big Data met alles on-premise. Daarna kwam de tweede golf: alles naar de cloud. Die werelden moeten nu samen­komen in een hybride aanpak.”

Voor business managers is vooral de strate­gi­sche vrijheid belang­rijk. Een organi­satie moet kunnen kiezen waar data en AI-toepas­singen het beste draaien: lokaal, in een private cloud, bij een Europese cloud­pro­vider, bij een hypers­caler of een combi­natie daarvan. Maar die keuze mag geen afhan­ke­lijk­heid worden waar men later moeilijk uit raakt.

Dat raakt ook aan digitale autonomie. Niet als abstract politiek begrip, maar als prakti­sche bedrijfs­voor­waarde. Kan de organi­satie nog overstappen als de kosten stijgen? Kan data worden verplaatst als regel­ge­ving veran­dert? Kan men kiezen voor een andere leveran­cier als de business daarom vraagt? En blijft de organi­satie eigenaar van haar eigen data en processen?

Niet elk probleem vraagt om het zwaarste AI-model

In veel AI-discus­sies gaat veel aandacht naar de kracht van grote modellen. Dat is begrij­pe­lijk, maar volgens Beerlage niet altijd relevant. Voor veel zakelijke toepas­singen is niet het grootste of duurste model nodig. In menig situatie volstaat een kleiner, speci­fieker of open source-model dat dichter bij de eigen data draait en beter beheers­baar is.

Dat is een belang­rijke boodschap voor de business. De beste AI-keuze is niet automa­tisch de techno­lo­gisch meest indruk­wek­kende keuze. De beste keuze is de oplos­sing die past bij het proces, het risico, het gewenste kwali­teits­ni­veau, de kosten­struc­tuur en de schaal waarop de toepas­sing gebruikt zal worden.

Voor eenvou­dige interne onder­steu­ning kan een andere oplos­sing volstaan dan voor klant­ad­vies, fraude­de­tectie of finan­ciële besluit­vor­ming. Voor sommige processen is snelheid doorslag­ge­vend, voor andere dat een resul­taat goed kan worden uitge­legd. Ook speelt vaak compli­ance een hoofdrol. En voor toepas­singen met veel gebrui­kers kan het kosten­ef­fect van elk AI-verzoek zwaar gaan wegen.

De kosten van AI worden pas zichtbaar bij opschaling

In de pilot­fase lijken AI-kosten vaak overzich­te­lijk. Een beperkt team gebruikt een tool, de volumes zijn laag en de busines­scase lijkt aantrek­ke­lijk. Maar wanneer een AI-toepas­sing breed wordt uitge­rold, kan de kosten­struc­tuur snel veranderen.

Beerlage noemt het voorbeeld van een wealth­ma­na­ge­ment­or­ga­ni­satie met een extern gehoste AI-assis­tent. De pilot was betaal­baar. Maar bij uitrol naar meer dan duizend gebrui­kers zouden de jaarlijkse kosten voor token­ge­bruik oplopen tot miljoenen. Door verge­lijk­bare functi­o­na­li­teit in een eigen omgeving te draaien, konden die kosten met maar liefst 86% worden verlaagd.

Daarmee wordt AI ook een CFO-vraag­stuk. Business managers moeten vooraf nadenken over de totale kosten bij schaal­ver­gro­ting. Wat kost elk gebruiks­mo­ment? Wat gebeurt er als het aantal gebrui­kers vertien­vou­digt? Welke kosten ontstaan door dataver­keer, opslag, integratie, licen­ties en beheer? En blijft de busines­scase positief wanneer AI niet meer experi­men­teel, maar struc­tu­reel wordt gebruikt?

“Zoals veel organi­sa­ties AI tot nu toe aanpakken, is de kans groot dat de kosten enorm zullen oplopen”, zegt Beerlage. “Je moet als organi­satie heel goed nadenken hoe je hiermee omgaat, anders valt de kosten-baten­ana­lyse snel tegen.”

AI vraagt om volwassen besluitvorming

De kern van Beerlage’s boodschap is niet dat organi­sa­ties voorzich­tiger moeten zijn omdat AI te riskant zou zijn. Integen­deel: hij ziet veel waarde in AI. Denk aan betere klanten­ser­vice, snellere verwer­king van pensi­oen­in­for­matie, slimmere telecom­net­werken, effici­ën­tere risico­ana­lyse en betere onder­steu­ning van know your customer processen.

Maar organi­sa­ties moeten wel voorkomen dat ze te snel van experi­ment naar groot­scha­lige inzet gaan zonder goed na te denken over de randvoor­waarden. Een proof of concept kan snel worden gebouwd. Maar zodra AI wordt ingezet voor klanten, partners of grote groepen medewer­kers, veran­dert de impact.

Dan moet duide­lijk zijn wie eigenaar is van de data, hoe rechten worden beheerd, hoe prompts en antwoorden worden vastge­legd, welke modellen toegang krijgen tot welke bronnen en hoe de omgeving kan worden aange­past wanneer de business daarom vraagt.

“AI voor een proof of concept kunnen we morgen doen”, zegt Beerlage. “Maar willen we AI voor de hele organi­satie, dan moeten we echt een archi­tec­tuur bedenken.”

Voor business managers betekent dit dat AI-beslis­singen niet alleen bij IT kunnen liggen. Natuur­lijk blijft techno­logie belang­rijk. Maar de belang­rijkste vragen gaan over waarde, risico, kosten, verant­woor­de­lijk­heid en bestuur­baar­heid. Dat zijn managementvragen.

Data readiness hoort op de bestuurstafel

De Data Readi­ness Index van Cloudera laat zien dat veel organi­sa­ties de urgentie voelen, maar zeker nog niet volledig klaar zijn. Datakwa­li­teit, oplopende kosten en zwakke integratie in bestaande werkpro­cessen worden in het rapport genoemd als redenen waarom AI-projecten minder rende­ment opleveren dan verwacht. Ook datasilo’s, complexe toegan­ke­lijk­heid en beperkte zicht­baar­heid op waar data zich bevindt, blijven grote obstakels.

Voor Beerlage betekent dit dat data readi­ness geen intern IT-project meer kan zijn. Het onder­werp hoort thuis op de bestuurs­tafel. Zeker bij banken, pensi­oen­fondsen, overheden, zorgin­stel­lingen, telecom­be­drijven en andere datage­dreven organi­sa­ties is data geen onder­steu­nend middel, maar een strate­gisch bedrijfsmiddel.

“Data is het aller­be­lang­rijkste wat we hebben”, zegt hij. “Dus moeten we ervoor zorgen dat we daar op de juiste manier mee omgaan.”

Dat vraagt om een andere manage­ment­dis­cussie. Niet alleen: welke AI-tool kopen we? Maar vooral: welke bedrijfs­pro­cessen willen we verbe­teren? Welke data is daarvoor nodig? Is die data betrouw­baar? Wie mag erbij? Wat zijn de risico’s? Wat kost het bij groot­schalig gebruik? En hoe houden we als organi­satie controle?

“Een pas op de plaats is geen stap achteruit”, zegt Beerlage. “Het is de tijd nemen om na te denken over wat we aan het doen zijn.” Wie AI betrouw­baar, beheers­baar en betaal­baar wil maken, moet beginnen bij de data. Niet als technisch detail, maar als funda­ment voor betere besluit­vor­ming, effici­ën­tere processen en duurzame bedrijfswaarde.