AI schaalt pas als data herbruikbare waarheid wordt

Inleiding

De meeste AI-gesprekken in organisaties beginnen nog steeds bij de zichtbare toepassingen.

Welk model kiezen we?

Welke copilots rollen we uit?

Welke use cases prioriteren we?

Dat zijn logische vragen. Maar ze missen steeds vaker de echte bottleneck.

Die zit lager.

Veel lager.

Niet in de interface, maar in de vraag of een organisatie haar eigen data inmiddels zo heeft georganiseerd dat AI er betrouwbaar mee kan werken. Niet alleen zoeken, maar begrijpen. Niet alleen ophalen, maar verantwoord toepassen. Niet alleen een antwoord geven, maar dat antwoord ook kunnen verdedigen.

Meerdere gezaghebbende bronnen wijzen nu dezelfde kant op. McKinsey noemt data in juni 2026 expliciet de sleutel tot schaal. Accenture laat zien dat veel bedrijven al voorbij de pilotfase willen, maar dat slechts een kleine minderheid werkelijk over een AI-ready datafundament beschikt. Deloitte en KPMG beschrijven intussen een markt die sneller ambities opbouwt dan fundamenten versterkt. En IBM vat de operationele les scherp samen: data moet niet alleen beschikbaar zijn, maar actueel, verrijkt, vertrouwd en bruikbaar op het moment dat AI moet handelen.

De managementconclusie is simpel, maar ongemakkelijk:

AI schaalt niet zodra medewerkers toegang krijgen.

AI schaalt zodra bedrijfsdata herbruikbare waarheid wordt.

De nieuwe AI-flessenhals zit onder de motorkap

Dat is precies waarom zoveel AI-initiatieven tegelijk hoopgevend en frustrerend aanvoelen.

Aan de voorkant lijkt veel te bewegen. Deloitte meldde op 21 januari 2026 dat toegang tot goedgekeurde AI-tools onder werknemers in 2025 met 50 procent steeg. Tegelijk gaf slechts een kwart van de respondenten aan dat al 40 procent of meer van hun AI-experimenten in productie staat, terwijl veel organisaties verwachten dat snel te verbeteren.

Met andere woorden: de ambitie groeit sneller dan de operationele volwassenheid.

McKinsey beschrijft waarom. In hun artikel van 23 juni 2026 stellen zij dat nog maar 7 procent van de bedrijven AI echt volledig op organisatieniveau heeft opgeschaald. Daarbij noemen hoogpresterende bedrijven data opvallend vaak de belangrijkste blokkade. Niet omdat data afwezig is, maar omdat die versnipperd, slecht verbonden of onvoldoende bestuurbaar is zodra AI er live op moet draaien.

Dat onderscheid is belangrijk.

Veel bedrijven verwarren datatoegang nog met databruikbaarheid. Zolang mensen informatie zelf interpreteren, kunnen zij gaten opvangen. Een medewerker begrijpt dat twee klantnamen eigenlijk hetzelfde account zijn. Een controller ziet dat een document verouderd is. Een accountmanager voelt aan dat een transcript context mist.

AI doet dat niet vanzelf.

Wie AI laat werken op contextarme of slecht verbonden data, automatiseert dus niet alleen snelheid. Die automatiseert ook verwarring.

Zoekbaar is nog niet bruikbaar

Hier gaat het in de praktijk vaak mis.

Veel organisaties hebben de afgelopen jaren grote hoeveelheden documenten, mails, contracten, transcripties, productinformatie en rapportages digitaal beschikbaar gemaakt. Dat voelt als vooruitgang. Voor klassieke analytics was dat vaak al waardevol.

Maar voor generatieve AI en agenten is digitale beschikbaarheid nog geen bruikbare basis.

McKinsey legt uit dat AI-systemen data voortdurend uit elkaar trekken en opnieuw combineren: documenten worden tekst, tabellen, metadata, chunks, embeddings, samenvattingen en afgeleide objecten. Daardoor groeit niet alleen het datavolume, maar ook de kans dat context, versiebeheer of betekenis onderweg verloren gaat.

Dat lijkt technisch, maar het effect is puur zakelijk.

Als een verkoopagent de verkeerde clausule uit een oud contract ophaalt, wordt een klant verkeerd geadviseerd. Als een interne copiloot wel een procedure vindt maar niet ziet dat er inmiddels een nieuw beleid geldt, ontstaat schijnzekerheid. Als verschillende teams dezelfde brondata verschillend labelen of ontsluiten, krijg je verschillende antwoorden op dezelfde vraag.

Dan wordt AI geen versneller van consistentie, maar een vermenigvuldiger van interpretatieverschillen.

Precies daarom hamert IBM op realtime, contextverrijkte en vertrouwde data. Hun boodschap uit mei 2026 is in essentie dat AI oude fragmentatie niet oplost, maar vergroot wanneer organisaties die fragmentatie laten zitten.

Het gaat om de context die een besluit mogelijk maakt

Dat vraagt om een ander managementbeeld van data.

In veel organisaties wordt data nog gezien als een bijproduct van systemen. Iets dat in CRM, ERP, SharePoint, e-mailarchieven of losse mappen leeft. Handig om te rapporteren, lastig om te harmoniseren, maar zelden bestuurd als strategisch product.

Voor AI is dat niet meer voldoende.

De relevante vraag is niet: hebben we documenten?

De relevante vraag is: kunnen we de juiste context, met de juiste rechten, versie, betekenis en herkomst, op het juiste moment aan een workflow leveren?

Dat is een fundamenteel andere lat.

McKinsey noemt daarom niet alleen datakwaliteit, maar ook metadata, lineage, observability en herbruikbaarheid. Accenture gebruikt andere taal, maar komt op dezelfde kern uit. In hun onderzoek uit mei 2026 zegt 64 procent van de organisaties al verder te zijn dan pilots in meerdere functies of een enterprisebrede aanpak te zijn gestart, terwijl slechts 7 procent ver genoeg is met AI-ready datacapaciteiten om geavanceerde AI echt op schaal te dragen. Die kleine groep presteert financieel beter dan sectorgenoten.

Dat betekent iets belangrijks voor bestuurders:

Het competitieve verschil verschuift van experimenteervermogen naar contextvermogen.

Niet wie het snelst een model activeert, maar wie het snelst betrouwbare besliscontext kan leveren, wint.

Vertrouwen in AI is steeds vaker een data-ontwerpvraag

Veel organisaties behandelen vertrouwen nog als communicatievraag.

Hoe zorgen we dat medewerkers AI gebruiken? Hoe overtuigen we klanten van de voordelen? Hoe leggen we uit dat er menselijk toezicht is?

Dat zijn nuttige vragen, maar ze komen te laat als het onderliggende datafundament zwak is.

KPMG raakt hier een gevoelig punt. In het begin 2026 gepubliceerde Amerikaanse technologieonderzoek zegt 76 procent van de respondenten dat hun medewerkers AI-uitkomsten voldoende vertrouwen om strategie of operationele besluiten ermee te onderbouwen. Tegelijk zegt 31 procent AI-toepassingen in productie op schaal te vernieuwen en uit te rollen én daarmee ROI over meerdere toepassingen te behalen. Het onderzoek omvat 648 Amerikaanse technologieprofessionals bij organisaties met meer dan 100 miljoen dollar omzet. De twee percentages meten verschillende zaken: ervaren vertrouwen en een samengestelde volwassenheidsfase. Ze laten zich dus niet lezen als een rechtstreekse maat voor het verschil tussen gebruik en rendement.

De verklaring ligt vaak niet in de prompt, maar in de informatiearchitectuur. Een AI-systeem kan best overtuigend klinken en toch structureel werken met verouderde, onvolledige of onverklaarbare context. Dan groeit acceptatie sneller dan bestuurbaarheid.

Deloitte laat die spanning op een andere manier zien. Meer organisaties voelen zich strategisch klaar voor AI, maar juist op infrastructuur, data, risico en talent voelen zij zich minder voorbereid. Dat is een bekend patroon bij nieuwe technologie: de ambitie zit al in de bestuurskamer, maar de basis ligt nog half in verbouwing.

Voor leiders betekent dat dat vertrouwen in AI vooral verdiend wordt in het ontwerp van datarelaties, eigenaarschap en controlemechanismen.

Niet in de marketing eromheen.

Kleinere organisaties kunnen sneller samenhang aanbrengen

Juist middelgrote bedrijven kunnen deze fase verrassend goed benutten.

Niet omdat ze meer middelen hebben, maar omdat ze minder historisch gewicht hoeven mee te slepen.

Een groot concern moet vaak door tientallen systemen, landenstructuren, uitzonderingsprocessen en lagen van eigenaarschap heen. Een mkb-organisatie heeft meestal minder schaal, maar daardoor ook minder institutionele ruis.

Wie het slim aanpakt, kan daarom sneller volwassen worden dan grotere concurrenten.

De verkeerde reflex is om eerst een generiek AI-platform te kopen en dan te hopen dat de datalaag vanzelf volgt.

De betere volgorde is:

1. Kies drie tot vijf bedrijfsprocessen waar AI direct waarde moet leveren.
2. Benoem per proces wat de bronwaarheid is en waar context nu ontbreekt.
3. Maak expliciet welke data-objecten, documenten, uitzonderingen en rechten AI mag gebruiken.
4. Richt versiebeheer, lineage en kwaliteitscontroles in voordat je breed uitrolt.
5. Meet niet alleen gebruik, maar ook foutreductie, doorlooptijd, herwerk, adoptie en financieel effect.

Dat is misschien minder spectaculair dan een groot AI-lanceringsmoment.

Maar het is wel hoe schaalbare voorsprong ontstaat.

De volgende AI-winnaars bouwen geen chatbotlaag, maar een waarheidslaag

De strategische implicatie is groot.

AI verschuift hiermee van softwarediscussie naar operating-modeldiscussie. Data wordt niet langer alleen brandstof, maar ook onderwerp van bestuur en toezicht, kwaliteitsvraagstuk en prestatiehefboom.

Dat vraagt om nauwere samenwerking tussen business, data, IT, risk en operatie. Niet in de vorm van een extra stuurgroep, maar in de vorm van heldere keuzes over eigenaarschap:

Wie beheert de bronwaarheid, wie beslist over semantiek, wie bewaakt versieovergangen, wie bepaalt wat "goed genoeg" is per use case en wie stopt een workflow als de context niet meer betrouwbaar is?

Daarmee verandert ook de rol van leiderschap.

De moderne CIO moet niet alleen integreren, maar ook context orkestreren. De CDO wordt minder rapportagebewaker en meer bewaker van de voorwaarden voor AI. De COO moet meeontwerpen hoe uitzonderingen, escalaties en menselijke controles in de workflow landen. En de CFO moet begrijpen dat zwakke data niet alleen kwaliteitsrisico oplevert, maar ook direct rendement vernietigt via herwerk, vertraging en verkeerde beslissingen.

Dat is waarom dit onderwerp nu zo urgent is.

De komende maanden zullen veel organisaties meer AI-tools activeren, meer agenten testen en meer medewerkers toegang geven. Maar dat alleen levert nog geen voorsprong op.

Voorsprong ontstaat wanneer een organisatie weet welke data zij vertrouwt, hoe die data betekenis krijgt, waar die data mag landen en hoe dezelfde context herbruikbaar wordt over meerdere workflows heen.

Dan pas verandert AI van een knappe interface in een betrouwbare productiekracht.

Of korter gezegd:

AI schaalt pas als data herbruikbare waarheid wordt.