De verlei­ding is groot. Bestuur­ders, IT-mana­gers en busi­nes­s­af­de­lingen willen “iets met AI”. Vaak begint die discussie bij de vraag welk model gebruikt moet worden. ChatGPT, Claude, Gemini, Copilot? Of toch een open source-model? Dat is de verkeerde start­vraag, vertelt Frank Beer­lage, direc­teur van Clou­dera in de Benelux, in een inter­view met AI​-visie​.net.

Wie serieus met AI aan de slag wil, moet niet beginnen bij het model, maar bij de data. Waar staat die data? Wie heeft er toegang toe? Is de kwali­teit voldoende? Kan de orga­ni­satie die data verplaatsen als dat juri­disch, tech­nisch of finan­cieel nodig wordt? En kan alle data, verspreid over on-premise omge­vingen, colo­catie-data­cen­ters, Euro­pese cloud­pro­vi­ders en hypers­ca­lers, worden beheerd alsof het één samen­han­gende data-omge­ving is?

“Het begint met de archi­tec­tuur, het begint niet met de modellen”, zegt Beer­lage. “De discussie moet gaan over: waar staat die data, wie is de eige­naar van die data?”

De AI-realiteit komt dichterbij

Volgens Beer­lage bevinden veel orga­ni­sa­ties zich op een kantel­punt. De eerste fase van gene­ra­tieve AI draaide vooral om expe­ri­men­teren. Mede­wer­kers probeerden tools uit, afde­lingen startten pilots en mana­ge­ment­teams zagen vooral de snel­heid waarmee nieuwe moge­lijk­heden beschik­baar komen. Maar nu AI-projecten rich­ting productie gaan, worden de onder­lig­gende problemen zicht­baar.

Beer­lage vat die problemen samen in drie woorden: onbe­trouw­baar, onbe­heers­baar en onbe­taal­baar. Niet omdat AI zelf geen waarde heeft, bena­drukt hij, maar omdat de onder­lig­gende data-archi­tec­tuur bij veel orga­ni­sa­ties nog niet klaar is voor groot­schalig gebruik. “Als we op deze manier door­gaan met AI, dan gaat AI onbe­trouw­baar, onbe­heers­baar en onbe­taal­baar worden”, zegt hij.

Die analyse sluit aan bij cijfers uit Cloudera’s Data Readi­ness Index 2026. Daaruit blijkt dat veel orga­ni­sa­ties wel vertrouwen hebben in hun data­stra­tegie, maar in de prak­tijk nog flinke beper­kingen ervaren. Zo zegt 85 procent van de onder­vraagde IT-leiders dat hun data­stra­tegie duide­lijk is gede­fi­ni­eerd, terwijl 79 procent aangeeft dat data-initi­a­tieven worden gehin­derd doordat zij niet bij alle beno­digde data in verschil­lende omge­vingen kunnen. Ook zegt minder dan één op de vijf respon­denten dat alle data volledig wordt beheerd en onder gover­nance valt.

Het probleem zit onder de motorkap

AI lijkt aan de voor­kant vaak eenvoudig. Een gebruiker stelt een vraag en krijgt vrijwel direct antwoord. Maar juist die eenvoud kan mislei­dend zijn. Een model geeft een over­tui­gend antwoord, ook wanneer de onder­lig­gende data onvol­ledig, verou­derd of slecht beheerd is. Dat maakt AI in bedrijfs­om­ge­vingen risi­covol, zeker wanneer mede­wer­kers of afde­lingen gevoe­lige data in publieke AI-dien­sten laden.

Beer­lage noemt het klas­sieke prin­cipe: “garbage in, garbage out”. Alleen wordt dat prin­cipe volgens hem in het AI-tijd­perk gevaar­lijker, omdat de output vaak zo profes­si­o­neel oogt dat gebrui­kers geneigd zijn die zonder veel controle te vertrouwen.

“Wij vuren een vraag erop af en we krijgen een antwoord en dan denken wij dat het antwoord goed is”, zegt hij. “Sterker nog, wij kunnen niet meer contro­leren wat er gebeurt. Welke data is gebruikt, welke logica is toege­past?”

Het gaat dus om gover­nance, secu­rity en compli­ance, wil hij maar zeggen. Een orga­ni­satie moet kunnen bepalen welke gebruiker of welke AI-agent toegang heeft tot welke data. Een mede­werker van finance mag andere infor­matie zien dan iemand van HR. Een mede­werker in Neder­land kan andere rechten hebben dan een collega in België. En wanneer AI-agents zelf­standig taken uitvoeren of andere agents aansturen, wordt die rech­ten­struc­tuur nog belang­rijker.

Volgens Beer­lage hoort dit niet achteraf te worden opge­lost. Het moet onder­deel zijn van de data­laag zelf. De vraag is dan niet alleen of een orga­ni­satie AI kan inzetten, maar of zij dat gecon­tro­leerd, herleid­baar en veilig kan doen.

Eén datalaag over meerdere werelden

Een belang­rijk punt in Beerlage’s verhaal is dat de discussie over data te vaak te zwart-wit wordt gevoerd. Het gaat niet om de keuze tussen “alles on-premise” of “alles in de public cloud”. In de prak­tijk staat data op allerlei plekken: in eigen data­cen­ters, bij colo­ca­tie­par­tijen, in private cloudom­ge­vingen, bij part­ners, bij Euro­pese cloud­pro­vi­ders, bij Ameri­kaanse hypers­ca­lers.

Die hybride werke­lijk­heid verdwijnt niet. Appli­ca­ties en data in de cloud blijft nuttig, zeker voor snel­heid, flexi­bi­li­teit en expe­ri­menten. Maar orga­ni­sa­ties moeten voor­komen dat hun data-archi­tec­tuur zo afhan­ke­lijk wordt van één omge­ving dat zij niet meer kunnen bewegen.

“We willen ook niet alles terug­brengen in huis”, zegt Beer­lage. “We hadden eerst Big Data met alles on-premise, waarna de tweede golf kwam: alles in de cloud. Die werelden moeten nu samen­komen.”

Daar­voor is volgens hem een mana­ge­ment­laag nodig die over al die omge­vingen heen kan kijken. Niet als extra rappor­ta­ge­laag, maar als funda­ment voor gover­nance, secu­rity, data access, data­ver­plaat­sing en AI. Orga­ni­sa­ties moeten data kunnen inzetten waar dat het beste past: lokaal, in een private omge­ving, bij een Euro­pese cloud­pro­vider of bij een hypers­caler. Maar zij moeten daarbij wel controle houden over de data, de rech­ten­struc­tuur en de kosten.

Van modelkeuze naar datakeuze

In veel AI-discus­sies gaat opval­lend veel aandacht naar de vraag welk model het beste is. Volgens Beer­lage is dat begrij­pe­lijk, maar te beperkt. Niet iedere toepas­sing heeft het krach­tigste model nodig. Soms volstaat een kleiner model of is een speci­fiek open source-model al “good enough”, zeker wanneer dat dichter bij de eigen data draait en beter beheers­baar is. “Je hebt niet altijd een Rolls-Royce nodig om naar de super­markt te gaan.”

Het punt is niet dat grote commer­ciële modellen geen waarde hebben. Ze kunnen uitste­kend zijn voor expe­ri­menten, alge­mene taken of speci­fieke use cases. Maar bij bedrijfs­kri­ti­sche processen moet de orga­ni­satie kunnen bepalen welke data het model ziet, waar het model draait, hoe de output tot stand komt en wat het gebruik kost. Zeker bij groot­scha­lige uitrol naar honderden of duizenden mede­wer­kers kunnen de token­kosten snel oplopen.

In het inter­view noemt Berlage een voor­beeld van een wealth mana­ge­ment-orga­ni­satie met een extern gehoste AI-assis­tent. Zij bere­kenden dat de pilot welis­waar rela­tief goed­koop was, maar dat de verdere uitrol van die assis­tent naar meer dan duizend gebrui­kers op jaar­basis miljoenen zou gaan kosten aan token­ge­bruik. Door een verge­lijk­bare func­ti­o­na­li­teit op een eigen omge­ving te draaien, vielen die token­kosten weg en zouden de totale kosten aanzien­lijk lager uitkomen.

Dat maakt AI niet alleen een tech­nisch onder­werp, maar ook een CFO-vraag­stuk. De reke­ning van AI is in de pilot­fase vaak nog over­zich­te­lijk. In productie kan dat snel veran­deren. “Zoals veel orga­ni­sa­ties AI tot nu toe aanpakken, is de kans groot dat de kosten enorm gaan oplopen”, zegt Beer­lage. “Je moet als orga­ni­satie echt heel goed nadenken hoe je hier mee omgaat anders valt de kosten/​batenanalyse al snel fors tegen.”

Niet stoppen met AI, maar volwassen worden

De bood­schap van Beer­lage is niet dat orga­ni­sa­ties moeten stoppen met AI. Inte­gen­deel, hij ziet juist veel waarde in AI voor tal van toepas­singen – van klan­ten­ser­vice tot pensi­oen­in­for­matie, van tele­com­net­werken tot risi­co­ana­lyse en know your customer-processen. Maar hij waar­schuwt voor een te snelle sprong van expe­ri­ment naar productie zonder volwassen data­laag.

Een proof of concept kan snel worden opgezet in een cloudom­ge­ving. Dat is vaak ook logisch. Maar zodra een orga­ni­satie AI beschik­baar wil maken voor duizenden mede­wer­kers, klanten of part­ners, veran­dert het verhaal vaak enorm. Daarom moet vooraf duide­lijk zijn hoe data wordt beheerd, hoe rechten worden toege­past, hoe prompts worden vast­ge­legd, hoe modellen toegang krijgen tot data en hoe de omge­ving kan worden aange­past of verplaatst.

“AI voor een proof of concept kunnen wij morgen doen”, zegt Beer­lage. “Willen we AI voor de gehele orga­ni­satie, dan zullen we toch echt een archi­tec­tuur moeten gaan bedenken.” Die archi­tec­tuur moet niet alleen gericht zijn op tech­niek, maar ook op auto­nomie. Orga­ni­sa­ties willen kunnen kiezen. Ze willen kunnen werken met Euro­pese cloud­pro­vi­ders, private clouds, colo­ca­tie­om­ge­vingen, hypers­ca­lers of eigen infra­struc­tuur. Maar zij willen niet dat die keuze later een fuik blijkt te zijn.

Data readiness wordt bestuursvraagstuk

De Data Readi­ness Index van Clou­dera laat zien dat veel orga­ni­sa­ties de urgentie voelen, maar nog niet volledig klaar zijn. In het onder­zoek worden data quality, cost over­runs en zwakke inte­gratie in work­flows genoemd als belang­rijke redenen waarom AI-projecten minder rende­ment ople­veren dan gehoopt. Ook blijkt dat datasilo’s, inge­wik­kelde toegangs­pro­cessen en beperkte zicht­baar­heid in waar data staat nog steeds grote obsta­kels zijn.

Voor Beer­lage bete­kent dit dat data readi­ness geen intern IT-project meer kan zijn. Het moet op bestuurs­ni­veau worden besproken. Zeker bij banken, pensi­oen­fondsen, over­heden, zorg­in­stel­lingen en andere data­ge­dreven orga­ni­sa­ties is data geen bijzaak, maar juist de kern van de orga­ni­satie. “Data is het aller­be­lang­rijkste wat we hebben”, zegt hij. “Dus we zullen ervoor moeten zorgen dat we daar op de juiste manier mee omgaan.”

Daar hoort volgens hem ook een andere manier van denken bij. Niet: welk AI-model kopen we? Maar: welke data hebben we, waar staat die, hoe betrouw­baar is die, wie mag erbij, hoe kunnen we die verplaatsen en hoe zorgen we dat AI op een veilige en betaal­bare manier waarde toevoegt?

De hype voorbij

AI blijft voor­lopig hoog op de agenda staan. De tech­no­logie ontwik­kelt snel, de toepas­singen worden concreter en de druk vanuit busi­ness en bestuur neemt toe. Maar juist daarom is een pas op de plaats nodig, stelt Beer­lage. Niet om inno­vatie af te remmen, maar om te voor­komen dat orga­ni­sa­ties vast­lopen zodra AI echt groot­schalig wordt ingezet. “Pas op de plaats is geen stap achteruit”, zegt hij. “Het is de tijd nemen na te denken wat we aan het doen zijn.”

AI gaat niet alleen over modellen, prompts en agents. De echte stra­te­gi­sche vraag ligt dieper, vertelt Beer­lage. “Wie AI betrouw­baar, beheers­baar en betaal­baar wil maken, moet beginnen bij de data­laag. Pas wanneer orga­ni­sa­ties hun data over alle omge­vingen heen kunnen beheren alsof het één geheel is, ontstaat de basis om AI verant­woord op te schalen.”