Datastrategie voor AI: waarom datakwaliteit, operationaliseren en compute power belangrijker zijn dan datakwantiteit

Meer data leidt niet automatisch tot betere AI. In deze gids brengen we de kernprincipes van een sterke datastrategie samen: waarom datakwaliteit belangrijker is dan datakwantiteit, wat 'goede data' precies zijn, hoe je metrics operationaliseert, waarom hoogwaardige data schaarser worden en waarom ook rekenkracht een strategische troef wordt.

Data en AI komen in vrijwel elke organisatie steeds centraler te staan. Toch bestaat er een hardnekkig misverstand: dat meer data automatisch leidt tot betere resultaten. In de praktijk is het tegenovergestelde vaak waar. Niet de hoeveelheid data bepaalt de waarde van je AI, maar de kwaliteit, de structuur en de manier waarop je die data definieert, organiseert en aanbiedt. In dit artikel brengen we de belangrijkste principes samen: waarom datakwaliteit belangrijker is dan datakwantiteit, wat 'goede data' precies zijn, hoe je een datastrategie operationaliseert, waarom er een schaarste aan hoogwaardige data dreigt, en waarom ook rekenkracht een strategische troef wordt.

Waarom datakwaliteit belangrijker is dan datakwantiteit

In de afgelopen jaren was het verzamelen van zoveel mogelijk data de norm voor bedrijven. Het idee was simpel: hoe meer data, hoe beter. Maar deze 'verzamelwoede' heeft ervoor gezorgd dat veel bedrijven nu bergen data hebben opgeslagen zonder precies te weten wat die data waard is.

Vergelijk het met een overvolle zolder of berging waar door de jaren heen van alles is opgeslagen: oud speelgoed, kapotte apparaten, vergeten fotoalbums. Dingen die je niet direct nodig hebt, maar bewaart 'voor het geval dat'. Pas als je moet opruimen, bijvoorbeeld bij een verhuizing, wordt duidelijk hoeveel onnodige spullen er staan. Voor veel bedrijven geldt hetzelfde in hun cloudomgeving: er is een 'berg' aan informatie opgeslagen die vaak ongebruikt en ongeorganiseerd opgestapeld ligt, zonder dat men precies weet wat het betekent. Deze aanpak leidt tot hoge kosten, zowel financieel als ecologisch, omdat opslagcapaciteit schaars en duur is. En erger nog: deze ongestructureerde data voegt vaak weinig tot geen waarde toe.

Dat blindelings toevoegen van enorme datasets werkt ook bij het trainen van AI-systemen averechts. Net zoals een mens niet in één keer de hele wereldgeschiedenis kan leren, kan het toevoegen van te veel data juist leiden tot verwarring, vervuilde resultaten en een verlies aan focus. In plaats van te denken in termen van kwantiteit is het belangrijker om te focussen op kwalitatieve data: gegevens die waardevol en betrouwbaar zijn en die inzicht geven in belangrijke trends en prestaties. Het draait om het verzamelen van data die:

• Consistent is: data die door de tijd heen op dezelfde manier wordt bijgehouden, waardoor trends beter zichtbaar worden.
• Variatie over de tijd toont: met data die over verschillende tijdsperioden consistent is verzameld, krijg je inzicht in veranderingen en ontwikkelingen.
• De juiste vragen beantwoordt: door te focussen op data die écht iets zegt over je prestaties en doelen, krijg je de inzichten die je nodig hebt voor strategische beslissingen.

Vooral granulaire data, data die in detail en over langere periodes consistent is verzameld, geeft bedrijven diepgaand inzicht in de variaties en patronen in hun markt. Een bedrijf dat nauwkeurige en consistente data verzamelt over klantvoorkeuren en aankoopgedrag door de tijd heen, kan beter inspelen op veranderende marktdynamiek en klantbehoeften. Dat stelt organisaties in staat om sneller en gerichter te reageren, wat een directe impact heeft op klanttevredenheid en bedrijfsresultaten.

Van verzamelwoede naar datakwaliteit

Wil je als bedrijf overstappen van data verzamelen naar data benutten? Dit zijn enkele concrete stappen:

• Bepaal welke data écht waardevol is. Stel vast welke data werkelijk bijdraagt aan het inzicht in de prestaties van je bedrijf en focus alleen daarop. Vraag je af: welke meeteenheden zijn essentieel voor ons succes?
• Zorg voor consistentie en kwaliteit. Controleer en verbeter de kwaliteit van de data die je al hebt. Zijn de data correct en consistent door de tijd heen bijgehouden? Zijn er fouten of gaten?
• Structureer en schoon op. Organiseer je dataomgeving zodat alle gegevens goed vindbaar zijn en direct inzicht geven. Gebruik duidelijke structuren en zorg dat alles goed wordt gedocumenteerd.
• Denk aan duurzame opslag. Door alleen kwalitatieve data op te slaan, bespaar je opslagruimte en verlaag je de kosten. Dit helpt niet alleen je bedrijf, maar draagt ook bij aan duurzaamheid door de druk op datacenters te verlagen.

Wat zijn eigenlijk 'goede data'?

Goede data vormen de basis voor betrouwbare AI-inzichten en slimme besluitvorming. Maar goede data gaan verder dan simpelweg 'veel data'. Het gaat om data met specifieke eigenschappen die ze nuttig maken voor AI-toepassingen. Goede data zijn:

• Nauwkeurig: data zonder fouten of inconsistenties, dus correcte en actuele informatie zonder onnauwkeurigheden.
• Volledig: de data geven een volledig beeld van de situatie die je wilt analyseren, zonder gaten of ontbrekende waarden.
• Relevant: verzamel alleen data die bijdraagt aan je specifieke AI-doelstelling en vermijd overbodige gegevens die je analyses vertroebelen.
• Consistent: data moet op een uniforme manier verzameld en opgeslagen zijn. Variaties in meeteenheden, terminologie of data-indelingen verstoren AI-processen.

Praktische stappen om goede data te waarborgen

• Organiseer en label data correct. Zorg dat data duidelijk en consistent georganiseerd is en breng labels aan (bijvoorbeeld 'klantdata' of 'transacties'), zodat je AI-systeem deze data efficiënt kan interpreteren en gebruiken. Maak eventueel gebruik van data-opslagtools die automatisch labels en metadata toekennen.
• Voer regelmatig data-audits uit. Controleer periodiek de kwaliteit van je data om onjuistheden te identificeren en verbeteringen aan te brengen. Plan bijvoorbeeld maandelijkse audits om zowel data-kwaliteit als relevantie te waarborgen.
• Definieer belangrijke metrics gezamenlijk. Bepaal samen met je team welke metrics en datapunten belangrijk zijn. Meet je klantloyaliteit? Bepaal dan of dit gebaseerd is op aankoopfrequentie, bezoekduur of andere variabelen, en documenteer elke metric duidelijk zodat iedereen dezelfde definities gebruikt.

Geef context en betekenis aan data

Data worden pas waardevol wanneer je er betekenis aan geeft. Cijfers en feiten zonder context zijn nutteloos voor AI. Neem een klantprofiel: data kan laten zien dat een klant regelmatig koopt, maar het zijn de labels en context die aangeven waarom dit gebeurt en wat het betekent voor jouw doelstellingen. Zorg daarom voor metadata die extra informatie toevoegt aan je datasets, zodat het AI-systeem weet hoe data zich tot elkaar verhouden en wat de specifieke context is.

De rol van data governance

Data governance is een systeem van beleid, regels en procedures die waarborgen dat je data accuraat, veilig en bruikbaar blijft. Zonder goede data governance loop je risico op inconsistente en onbetrouwbare analyses. Stel daarom een data governance team aan dat verantwoordelijk is voor het handhaven van kwaliteitsstandaarden en compliance. Vermijd bovendien veelgemaakte datafouten zoals inconsistenties, ontbrekende waarden en gebrek aan standaardisatie: gebruik consistent dezelfde datanotaties en meeteenheden en minimaliseer fouten door gestandaardiseerde processen voor dataverzameling.

Operationaliseren: meet je écht wat je wilt meten?

Een belangrijk maar vaak onderschat element in een datastrategie is operationaliseren: het vertalen van abstracte begrippen en doelstellingen in concrete, meetbare grootheden. Operationaliseren gaat verder dan alleen 'iets meten'; het gaat om het zorgvuldig bepalen wat je meet, hoe je dat meet en waarom juist die data de kern vormen van je beslissingsproces.

Neem klantloyaliteit als voorbeeld. Eén team kan dit definiëren als: "Een loyale klant bezoekt ten minste drie keer per week onze website." Een ander team binnen dezelfde organisatie kan klantloyaliteit echter omschrijven als: "Een loyale klant doet minstens één keer per jaar een aankoop boven de 50 euro." Zo ontstaan dubbele definities en inconsistente metingen, met alle gevolgen van dien. Wanneer elke afdeling haar eigen interpretatie hanteert, wordt het lastiger om betrouwbare conclusies te trekken: de ene dataset zegt dat je klantenbestand zeer loyaal is, terwijl een andere dataset dit ontkent. Deze inconsistentie kan leiden tot miscommunicatie, inefficiënte besluitvorming en uiteindelijk strategische missers.

Operationaliseren stopt niet bij de definitie alleen. Minstens zo belangrijk is de keuze van de databronnen. Welke data weerspiegelen je metric daadwerkelijk op de juiste manier? Gaat het om transactiegegevens, bezoektijd op de website, herhaalaankopen of de gemiddelde bestelwaarde? De keuze van de juiste databronnen luistert nauw.

Om operationalisatie goed aan te pakken, helpen deze richtlijnen:

1. Stel heldere doelen. Definieer eerst welke vraag je precies wilt beantwoorden.
2. Creëer interne consensus. Werk samen met verschillende afdelingen om tot één duidelijke, organisatiebreed geaccepteerde definitie te komen.
3. Documenteer alles. Leg alle definities en gekozen databronnen vast, zodat iedereen dezelfde taal spreekt en dezelfde uitgangspunten gebruikt.
4. Evalueer en verbeter regelmatig. De markt en klantbehoeften veranderen, dus herzie definities en meetmethoden periodiek.

Modellen kunnen pas waarde leveren als ze werken met heldere, eenduidige data. Als jouw organisatie precies weet wat er gemeten wordt en waarom, dan zijn de inzichten uit analyses en AI-toepassingen betrouwbaarder en bruikbaarder. Een doordachte operationalisatie is daarmee de fundering voor alles wat je met data en AI doet.

Bied data stapsgewijs aan: de 'chain of thought'-aanpak

Niet alleen de kwaliteit van data telt, ook de manier waarop je die aan een AI-model aanbiedt. Net zoals een mens niet in één keer de hele wereldgeschiedenis kan leren, werkt het bij een taalmodel veel effectiever om informatie op een gestructureerde, stapsgewijze manier aan te bieden. Dit proces staat bekend als de 'chain of thought'-aanpak: een methode waarbij je een model naast data ook een gestructureerde redenering en context biedt, en het stap voor stap begeleidt door de instructies en data die het nodig heeft.

Een praktisch voorbeeld: stel dat je een model wilt trainen om teksten te schrijven over geschiedenis. In plaats van alle historische tijdperken in één keer aan te bieden, begin je bijvoorbeeld met de Middeleeuwen, ga je verder met de Romeinse tijd, enzovoort. Door deze gefaseerde aanpak leert het model zowel de feiten als het verband tussen verschillende tijdperken. Dat helpt het model om:

1. Relevante output te genereren: het model weet wat het moet doen en blijft gefocust op de taak.
2. Kwaliteit te verbeteren: door stap voor stap context en voorbeelden te geven, voorkom je fouten en onnodige ruis.
3. Flexibel te blijven: het model kan beter omgaan met nieuwe, onverwachte input als het een heldere 'gedachtengang' heeft geleerd.

Wil je dit toepassen binnen je organisatie, begin dan met duidelijke doelen (welke taken moet het model uitvoeren, denk aan klantenservice, tekstgeneratie of data-analyse), bied gestructureerde en relevante data aan, werk met voorbeeldinstructies die tonen hoe het model taken moet aanpakken, en evalueer en optimaliseer de output regelmatig.

Dataschaarste en de valkuil van synthetische data

Ongeveer 10 jaar geleden spraken we over 'big data' en de enorme hoeveelheden data die beschikbaar kwamen en hoe we deze moesten 'verwaarden'. Sindsdien zijn de hoeveelheden data explosief toegenomen: in de laatste twee jaar hebben we 90% van de totale hoeveelheid data verzameld, aldus Statista. Deze toename is enerzijds te danken aan ons internetconsumptiegedrag en anderzijds aan de toename in rekenkracht, wat de behoefte aan data vergroot én nieuwe data genereert. Dit heeft echter geleid tot een groot probleem: de kwaliteit van data neemt significant af en data van hoge kwaliteit worden steeds schaarser. Epoch.ai voorspelt zelfs dat we in 2026 alle beschikbare data hebben 'verbruikt'.

Vergelijk het met een gasvoorraad: als er meer gas wordt verbruikt dan geproduceerd, ontstaat er schaarste. Hetzelfde gebeurt nu met data, met een belangrijke nuance: er zijn voldoende data, maar het ontbreekt aan kwalitatief hoogwaardige en bruikbare data.

Er zijn twee hoofdredenen voor deze schaarste. Ten eerste is door de enorme toename van AI- en taalmodellen de vraag naar data exponentieel toegenomen; data zijn immers de brandstof voor AI. Ten tweede heeft de opkomst van synthetische data de situatie verergerd. Synthetische data zijn door AI gecreëerde of afgeleide data, zoals door AI gegenereerde afbeeldingen of teksten. Deze worden vaak gebruikt als trainingsdata voor AI-modellen, maar dat creëert een vicieuze cirkel: als een taalmodel een fout antwoord geeft, kan die output alsnog worden gebruikt voor (her)trainingsdoeleinden, wat de kwaliteit van data en modellen verder kan verminderen.

Daardoor is er een enorme vraag naar datasets met unieke, kwalitatief hoogwaardige data, vooral data die direct zijn verzameld op basis van menselijk gedrag in de fysieke wereld. Een voorbeeld is het uitgebreide foto- en filmarchief van de Britse omroep BBC, dat door techpartijen is benaderd voor toegang tot miljoenen opnames die nooit zijn uitgezonden. Deze beelden en geluidsopnamen zijn hard nodig voor de doorontwikkeling van AI-modellen zoals beeldgeneratoren DALL-E en Midjourney, en voor het trainen van modellen om specifieke objecten te herkennen. Een ander voorbeeld is de miljoenensamenwerking tussen Google en Universal Music om toegang te krijgen tot alle geluidsopnamen en de rechten om deze te gebruiken, gericht op hoogwaardige input voor bijvoorbeeld spraakherkenning. Bedrijven die unieke data verzamelen, zullen de komende jaren veel geld kunnen verdienen met het verkopen ervan.

Hoogwaardige data zijn ook essentieel om biases te voorkomen. Biases ontstaan wanneer de data die worden gebruikt om AI te trainen vooroordelen bevatten. Die vooroordelen kunnen doorwerken in de AI-resultaten, wat kan leiden tot ongewenste en discriminerende uitkomsten. Door diverse en representatieve data te gebruiken, kunnen biases zoveel mogelijk worden geminimaliseerd.

Compute power als strategische troef

Naast data wordt ook de rekenkracht achter AI en geavanceerde algoritmes een strategische troef. Waar data vroeger vooral werd opgeslagen en bewerkt in on-premise datacenters of via cloudmigraties, is er nu een verschuiving gaande. De groten van Silicon Valley, van Sam Altman tot Elon Musk en Jensen Huang van NVIDIA, beseffen allemaal hoe bepalend compute power is voor de toekomst van technologie en bedrijfsvoering.

Een recent voorbeeld is Elon Musk, die met Colossus een van de grootste compute clusters ter wereld heeft gelanceerd. Deze wordt ingezet voor het trainen van zijn eigen foundational model, Grok, onder zijn bedrijf X.AI. Naar verluidt draait Colossus op meer dan 1.000 NVIDIA H100-GPU's: chips die specifiek zijn ontworpen om enorme hoeveelheden data te verwerken voor AI-modellen.

Voor veel bedrijven was rekenkracht tot nu toe nauwelijks een strategische overweging; de focus lag op data-opslag via centrale servers en later cloudoplossingen. Maar met de opkomst van generatieve AI verandert dit speelveld drastisch. GPU's (Graphic Processing Units) en LPU's (Language Processing Units) worden de motoren van de nieuwe economie. Waar deze chips ooit werden gebruikt voor gaming of wetenschappelijk onderzoek, drijven ze nu de AI-revolutie aan, van complexe beeldverwerking tot het trainen van taalmodellen en voice-interactie.

De uitdaging is toegang tot die rekenkracht. Zeker in Europa is het strategisch inkopen van deze geavanceerde hardware geen vanzelfsprekendheid: de schaarste en de hoge kosten maken toegang moeilijk. Daarom vallen bedrijven steeds vaker terug op cloud computing van giganten zoals AWS, Google Vertex en Microsoft Azure, of nieuwkomers als Groq. Maar er is een keerzijde: naarmate meer bedrijven AI adopteren, neemt de vraag naar compute power toe, wat de kosten opdrijft en uiteindelijk een remmende factor voor innovatie kan worden.

De werkplek van de toekomst draait dan ook niet meer om menselijke hersenkracht, maar om de mogelijkheid om AI-algoritmes te voeden met voldoende rekenkracht. Dat leidt tot een nieuwe realiteit waarin de werkplek eerder een handvol hyperspecialisten is die een leger aan AI-bots aansturen dan een druk kantoor met honderden medewerkers. Europa blijft hierin achter: veel bedrijven hebben nog geen duidelijke strategie voor het inkopen van of toegang krijgen tot rekenkracht. De vraag is dus: wat is jouw bedrijfsstrategie rondom compute power? Het is nu het moment om samen met je managementteam en de Raad van Bestuur een visie op dit gebied te ontwikkelen.

Conclusie

Meer data is niet altijd beter. De tijd waarin het verzamelen van zoveel mogelijk data de norm was, is voorbij; tegenwoordig gaat het om datakwaliteit, consistentie en het vermogen om waardevolle inzichten te halen uit wat je hebt. Dat begint met nauwkeurige, volledige, relevante en consistente data, met eenduidige definities die je zorgvuldig operationaliseert, en met een stapsgewijze, gestructureerde manier van aanbieden aan je modellen. Tegelijk neemt de schaarste aan kwalitatief hoogwaardige data toe en wordt toegang tot rekenkracht een bepalende succesfactor. Bedrijven die hun data én hun compute power op orde hebben, leggen de solide basis voor AI die echt resultaat levert.

• AI-tokenkosten begrijpen