meer mensen zetten AI en AI Agents dagelijks in — in productie, midden in het werk. Klanten te woord staan Processen initiëren Kennis ontsluiten Agents beantwoorden vragen — chatten, mailen, bellen. AI agents starten workflows en zetten acties zelfstandig in gang. Medewerkers vragen antwoorden uit interne kennis bronnen. Het werkt — want het draait op algemene informatie. Maar hoe pas je dit veilig toe op je interne data? 2
simpels. Het antwoord klinkt zeker — maar klopt het wel? Vraag aan AI-Agent Een LLM taalmodel is behoorlijk taalvaardig. Maar taal krijgt Hoeveel actieve klanten hebben we? betekenis in context. Ook als de context ontbreekt, antwoordt een AI-Agent agent toch met volle overtuiging — ook als 'ie ernaast zit. Jullie hebben er 84.213. En het gevaarlijkste? Als hallucinaties niet worden opgemerkt. Klinkt exact. Maar hoe is 'actieve klanten’ gedefinieerd? 3
fouten Veel vragen geven onjuiste antwoorden als de data de context mist om ze goed te beantwoorden. “Wat was onze omzet dit kwartaal?” “Wat is het adres van klant X?” “Wat betekent status 3?” Eén bron incl. btw, één ex. btw. De agent telt ze op tot een getal dat nergens klopt. De agent pakt een verouderde tabel. De brief belandt op het verkeerde adres. Geen codelijst. De agent verzint een plausibele — en wellicht foute — betekenis. Ontbreekt: betekenis & regels Ontbreekt: herkomst & actualiteit Ontbreekt: referentiedata Het model doet niets fout. Het mist alleen de betekenis, de context. Welke context zit nu tussen de oren van collega’s of staat ergens op een losse PC? 4
probleem. Het kent de betekenis van je data niet. Een taalmodel is behoorlijk vaardig in taal, grammatica en patronen. Maar het weet niet wat jouw ‘actieve klant' of 'omzet' betekent. Een agent handelt zelfstandig en ‘redeneert‘ met wat deze tegen komt. Het model kent Taal · grammatica · patronen Noem het gerust een best guess! Het model kent níet Zonder context is elk AI-antwoord een gok die als feit klinkt. Wat je data betekent, waar 'ie vandaan komt, of 'ie klopt 5
data’ gaat toepassen: Eerst je metadata management op orde. WAT IEDEREEN HEEFT WAT JOU ONDERSCHEIDT – Dezelfde krachtige taalmodellen – Jouw data – Dezelfde compute – De context eromheen – Dezelfde tooling – De metadata die 'm bruikbaar maakt Commodity Onderscheidend — en niet te kopiëren Modellen zijn een commodity geworden. Je data is dat niet. 6
de betekenis die een machine nodig heeft om zelfstandig te kunnen acteren. Precies wat in die voorbeelden ontbrak — betekenis, herkomst en vertrouwen: Betekenis & regels Herkomst Vertrouwen Wat meet dit veld — en welke regels (eenheid, definitie) gelden? Waar komt het vandaan, en hoe is het bewerkt? Is het actueel, compleet en gevalideerd? 7
samenwerking gebaseerde aanpak om data geschikt te maken voor het doel Doelgericht Doelgerichte aanpak en communicatie. Organisatiedoelen als uitgangspunt. Welke initiatieven zijn er om je doelen te bereiken? Focus op kritieke data Richt je op de data die ertoe doet; de kritieke data. Welke KPI’s gebruik je om te sturen en welke data elementen horen daar bij? Organisatiebreed Neem de hele organisatie mee op de reis om een datagedreven organisatie te worden. Organiseer metadata management met rollen en verantwoordelijkheden. 8
context Context ontstaat niet vanzelf. Elke organisatielaag levert een stukje — Data Excellence geeft iedereen een rol. Ambitie C-suite Management Data champions Data producenten & consumenten Maakt contextrijke data een strategische voorwaarde voor AI. Verantwoording Wijst eigenaarschap toe; vertaalt business doelen naar dataprioriteiten. Enthousiasme Geven betekenis aan bedrijfskritische data — de ambassadeurs. Democratisering Leggen context vast in het dagelijks werk; gebruiken de catalogus. Van ambitie in de top tot betekenis in het dagelijks werk — samen maak je data AI-klaar. 9
DATASET DATAPRODUCT Een tabel die je zelf moet interpreteren. Klaar voor gebruik — door mens én machine. – Ruwe data, contextloos – Vindbaar – Gebouwd voor één doel – Begrijpelijk – Betekenis zit in hoofden – Betrouwbaar – Niet AI-ready – Herbruikbaar Een dataset is niet AI-agent ready. Een dataproduct wel. 10
van je data architectuur De plek waar mens en machine ontdekken wat er is — en of het deugt. Bronsystemen & legacy Governance & eigenaarschap Metadata & betekenis Gegevenscatalogus Machine: AI-agent Dataproducten Mens: analist & beleid Fit for purpose maken van data. Met een bewezen aanpak. 11
maakt context expliciet Eén samenhangende laag die betekenis koppelt aan je systemen, processen en strategie — en meegroeit met je datastrategie. Strategie Functioneel landschap Ambities · doelstellingen · data-initiatieven Applicaties · dataproducten · AI-modellen Business landschap Business Glossary de spil Domeinen · events · processen Technisch landschap Technische metadata · API's · dictionaries Termen Regels Regelgeving Wetgeving · beleid · audit Metrics Betekenis Datakwaliteit Issues · oorzaken · oplossingen Precies de context die een agent nodig heeft om te kunnen acteren. 12
context begint Een bedrijfsgebeurtenis is iets dat gebeurt en ertoe doet — los van systemen en processen. In gewone taal “Rekening geopend”, “Klant verhuisd” — iedereen begrijpt ze. Rekening geopend een business event Onderwerpen → kritieke data Businesstermen zijn de onderwerpen; de benodigde gegevens zijn je kritieke data. Kandidaat voor domeinen Events zijn ideale, ontkoppelde uitwisselpunten — de basis voor datadomeinen. WAT DE GEBEURTENIS NODIG HEEFT Klantnummer Rekeningnummer Openingsdatum = je kritieke data — met betekenis en herkomst. Zo koppel je betekenis aan data — precies wat een agent nodig heeft om te handelen. 13
de agent Een MCP-server is de gestandaardiseerde leiding waarlangs een agent context ophaalt — voordat hij antwoordt. Business glossary Definities: wat is een ‘actieve klant’? Datacatalogus Welke bron is betrouwbaar? AI-agent MCP-server “Hoeveel actieve klanten?” haalt context op Regels & referentiedata Eenheid, validatie, codelijsten. Herkomst & lineage Waar komt het vandaan? Een MCP-server is zo goed als de context erachter. Zonder metadata op orde geef je de agent alleen sneller toegang tot dubbelzinnige data — eerst het fundament, dan MCP. 14
de publieke sector — legacy, veel stakeholders, hoge lat. De volgorde is overal gelijk. Banken Verzekeraars Publieke sector Legacy, veel stakeholders, weinig foutmarge. Complexe producten, strenge compliance. FDS, ketensamenwerking, veel partijen. In elke markt is de basis hetzelfde: breng eerst je metadata op orde — dán AI op je eigen data. 15
en Precisely bij stand #139 Datafundament op orde Maak kennis met GIO Doe mee met de winactie Krijg je datafundament AI-klaar — kom bij ons langs op stand #139 en ga het gesprek aan. GIO, de AI Agent van Precisely — agentic AI in de praktijk, live op de stand. Maak kennis met GIO en maak kans op een mooie prijs. Vragen? Nu is het moment. Erik Schaap IntoDQ2 · Data Excellence voor Agentic AI 17
mark3t1ng
.png){kind=avatar}
helenjbeal
danielanewman
csswizardry
zakiyama
sugarenia
uxyall
jacobian
reverentgeek
chriscoyier
rkendrick25
mkilby
aleyda
