Is je data klaar voor AI? Een praktische check voor je automatiseert

De meeste AI-projecten die vastlopen in kleinere bedrijven falen niet omdat het model verkeerd was. Ze falen omdat de data eronder een rommeltje was. De technologie krijgt de schuld, maar het echte probleem zat de hele tijd in vijf Excel-bestanden, een mailbox, en iemands hoofd.

Dit is de vraag die mensen overslaan. Je hebt een proces gekozen om te automatiseren, je bent enthousiast, en je wilt beginnen bouwen. Doe dat nog niet. Stel eerst één saaie vraag: is de data waar dit proces op draait eigenlijk goed genoeg om te automatiseren? Een paar minuten eerlijkheid hier bespaart je maanden frustratie later.

Wat “klaar” echt betekent

Dataklaarheid gaat niet over perfecte, vlekkeloze data. Niemand heeft dat, en erop wachten is gewoon een andere manier om nooit te beginnen. Klaar betekent goed genoeg voor deze specifieke taak. De lat ligt lager dan mensen vrezen, maar het is een echte lat, en het loont om ze bewust te checken in plaats van halverwege een bouw te ontdekken dat ze er ligt.

Haal je proces door vier praktische vragen.

Is de input gestructureerd en consistent?

Vertrekt het werk van data in een voorspelbare vorm, of ziet elk geval er anders uit? Een order die altijd binnenkomt als een PDF met dezelfde velden is werkbaar. Een order die soms een mail is, soms een telefoonnotitie, soms een gekrabbelde bijlage, is veel lastiger. Je hebt geen rigide uniformiteit nodig, maar hoe consistenter de input, hoe minder de automatisering moet gokken, en gokken is net waar AI-projecten stilletjes misgaan.

Zit ze op één toegankelijke plek?

Hier struikelen de meeste KMO’s. De data bestaat, maar ze is verspreid. Orderinformatie zit deels in mail, deels in een Excel-bestand, deels in het ERP, en het volledige beeld bestaat pas wanneer iemand het in zijn hoofd aan elkaar rijgt. Als een mens vijf systemen moet openen om één vraag te beantwoorden, worstelt een automatisering met dezelfde versnippering. De data hoeft niet in één perfecte database te zitten, maar ze moet bereikbaar zijn zonder schattenjacht.

Is ze volledig en actueel?

Halfingevulde velden en verouderde records doen automatiseringen snel zinken. Leveranciersinformatie die niemand in twee jaar heeft bijgewerkt, klantenrecords waar de helft van de telefoonnummers ontbreekt, productdata die zichzelf tegenspreekt tussen systemen. Een mens compenseert die gaten automatisch, vaak zonder het te merken. Een automatisering neemt de data op haar woord en produceert zelfverzekerde onzin. Voor je automatiseert, kijk eerlijk of de onderliggende records volledig en actueel genoeg zijn om te vertrouwen.

Heeft iemand er verantwoordelijkheid over?

Data zonder eigenaar verwatert. Als geen enkele persoon verantwoordelijk is om een dataset proper en actueel te houden, gaat ze achteruit, en elke automatisering die erop gebouwd is gaat mee achteruit. Dat vraagt geen formele functie. Het vraagt één benoemde persoon die opmerkt wanneer er iets niet klopt en het rechtzet. Eigenaarschap is het verschil tussen een opkuis die blijft duren en een die je elke zes maanden overdoet.

Je hebt geen perfecte data nodig, gewoon een opkuis

Hier komt het geruststellende deel. Wanneer een klaarheidscheck problemen blootlegt, is de oplossing meestal klein en gericht, geen reusachtig dataproject. Standaardiseren hoe orders binnenkomen, twee overlappende Excel-bestanden samenvoegen, dat ene veld invullen dat echt telt voor de taak. Een gerichte opkuis van een paar dagen ontsluit vaak een quick win die de week ervoor onmogelijk was. Het doel van de check is niet om redenen te vinden om te stoppen. Het is om een beetje moeite op de juiste plek te steken zodat de automatisering de eerste keer werkt.

Ik heb het omgekeerde te vaak gezien: een veelbelovende automatisering gebouwd op wankele data, uitgerold, en binnen een maand stilletjes opgegeven omdat niemand de output vertrouwde. De datacheck is wat dat voorkomt. Het is goedkoper om een gat op papier te ontdekken dan in productie.

Waar dit eerlijk wordt beoordeeld

Beoordelen of je data klaar is voor een specifieke automatisering is precies het soort vraag dat de AI-waardescan per opportuniteit beantwoordt. Voor elk proces dat we bekijken, kijken we niet alleen naar de mogelijke tijdwinst maar ook of de data eronder ze echt kan dragen, en wat een realistische opkuis zou inhouden. Die eerlijkheid is het punt. Het is beter om vooraf te weten dat een opportuniteit een week dataopkuis nodig heeft dan het te ontdekken nadat je hebt betaald om op zand te bouwen. Begin bij de data, en de automatisering heeft iets stevigs om op te staan.