AI-modellen zijn zo goed als de data die ze te zien krijgen. Dat is geen slogan maar een praktisch probleem: een taalmodel dat met verspreide, verouderde of ongedefinieerde data werkt, produceert antwoorden die net zo verspreid, verouderd en ongedefinieerd zijn. Veel organisaties merken dit pas nadat een pilot is gestart, wanneer blijkt dat de gegevens die het model nodig heeft nergens op één plek staan, of dat niemand meer weet welke versie van een bestand de juiste is. Datamanagement is een van de fundamentele dimensies: de vraag is niet welke taken AI zou kunnen overnemen, maar of er onder die taken een laag data ligt die stevig genoeg is om op te bouwen.
Datamanagement gaat over waar data vandaan komt, wie er verantwoordelijk voor is, in welke staat ze verkeert en hoe makkelijk ze te vinden en te combineren is. Dat omvat onder meer of gegevens centraal of verspreid zijn opgeslagen, of er een eigenaar per dataset is aangewezen, of definities van begrippen zoals 'klant' of 'actief project' consistent zijn tussen afdelingen, en of er zicht is op de kwaliteit van de data die dagelijks wordt gebruikt. Een organisatie kan hier sterk op IT-infrastructuur scoren en toch laag op datamanagement staan: de systemen zijn aanwezig, maar niemand heeft ooit vastgelegd wat er precies in staat of wie daar iets aan mag veranderen.
Op het niveau baseline bestaat data vooral in silo's: elke afdeling houdt haar eigen bestanden bij, zonder gedeelde structuur of eigenaarschap. Op foundation-niveau is er een begin van ordening: er zijn afspraken over waar bepaalde data moet staan, maar de uitvoering hangt nog af van individuele gewoonten. Bij activation is data-eigenaarschap toegewezen en is er een gedeeld begrippenkader, zodat verschillende afdelingen dezelfde term op dezelfde manier gebruiken. Op insight-niveau wordt datakwaliteit gemeten en bijgehouden, en is er zicht op waar de zwakke plekken in de dataketen zitten. Het niveau intelligence betekent dat datamanagement is ingebed in de dagelijkse werkwijze: kwaliteit, herkomst en toegang worden doorlopend gecontroleerd, niet als apart project maar als vast onderdeel van hoe er wordt gewerkt.
Een praktische indicator is de vraag hoe lang het duurt om een eenvoudige vraag te beantwoorden, zoals hoeveel klanten een bepaald product hebben afgenomen in het afgelopen jaar. Als het antwoord uit één systeem in enkele minuten komt, wijst dat op een hoger niveau. Als er eerst drie mensen gebeld moeten worden om te achterhalen welk bestand actueel is, wijst dat op baseline of foundation. Een andere indicator is wat er gebeurt als iemand met kennis over een dataset vertrekt: blijft de informatie toegankelijk, of verdwijnt ze met die persoon. Ook relevant is of er iemand is die verantwoordelijkheid draagt voor een dataset, of dat die verantwoordelijkheid feitelijk bij niemand ligt.
Binnen de volwassenheidsmeting scoort niet één persoon deze dimensie, maar meerdere mensen apart. Een IT-manager kan datamanagement hoog inschatten omdat de systemen technisch op orde zijn, terwijl een operationeel manager laag scoort omdat de data in de praktijk niet vindbaar of betrouwbaar aanvoelt. Die spreiding wordt zichtbaar in de plot en is op zichzelf een signaal: een grote afstand tussen scores betekent vaak dat de organisatie op papier verder is dan in de dagelijkse praktijk, of dat verschillende afdelingen met verschillende versies van de waarheid werken. Een smalle spreiding, ook op een lager niveau, duidt op een realistisch en gedeeld beeld om vanuit te werken.
De stap van baseline naar foundation vraagt vaak niet om nieuwe technologie, maar om afspraken: wie is eigenaar van welke dataset, en waar staat welke informatie. De stap van foundation naar activation vraagt om een gedeeld begrippenkader, zodat afdelingen niet langs elkaar heen definiëren wat een 'actieve klant' of een 'afgerond project' is. Wat een specifieke stap in kosten en tijd vraagt, hangt af van de omvang van de organisatie en de staat van de onderliggende systemen; dat is uitgewerkt op de pagina over wat het kost om organisatie een niveau te laten stijgen en de pagina over wat het kost om IT-infrastructuur een niveau te laten stijgen, omdat data en infrastructuur in de praktijk vaak samen opschuiven.
Datamanagement staat niet los van de rest van de meting. Zonder duidelijke afspraken over wie welke data mag gebruiken en waarvoor, ontstaan vragen die eigenlijk bij privacy en beveiliging horen. Zonder mensen die begrijpen wat datakwaliteit betekent en hoe ze daar in hun werk op letten, blijft de dimensie mensen en vaardigheden achter. En zonder een blik op wie beslist wat wel en niet met data mag gebeuren, ontbreekt de aansluiting met ethiek. De zeven dimensies van de meting hangen samen; datamanagement is er een van, en meestal niet de laatste die aandacht verdient.
Deze meting laat zien of de grond onder AI-toepassingen stevig genoeg is: of data vindbaar, betrouwbaar en van iemand is. Dat is een andere vraag dan welk deel van het werk zelf door AI is over te nemen. Die vraag wordt beantwoord door de werkscan van FTE TO AI, die per taak uitrekent welk deel geschikt is voor overdracht aan AI, uitgaande van de datastructuur die op dat moment aanwezig is. De twee metingen zijn bedoeld om na elkaar gelezen te worden: eerst het draagvermogen, dan de taken die daarop kunnen rusten.
De volwassenheidsmeting, inclusief de dimensie datamanagement, is momenteel in aanbouw. Wie de meting wil afnemen zodra die beschikbaar is, kan zich aanmelden voor de wachtlijst.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.