Bron: Gartner (maart 2012)
© Esri Nederland
De nieuwe GIS-dataprofessional
GIS en dataprofessionals zijn de spil in datagedreven werken. Om succesvol te zijn vraagt dit kennis, kunde en een breed scala aan vaardigheden. De T-shaped GIS-professional combineert diepe GIS/data‑expertise met communicatie‑ en organisatiekracht. Zij slaan de brug tussen management, architectuur en werkvloer, maken de waarde van GIS zichtbaar en verhogen de kwaliteit van besluitvorming.
3. De impact van AI op datagedreven werken
De transitie naar datagedreven werken begon met eenvoudige beschrijvende rapportages, zoals tabellen, grafieken en dashboards die vooral terugblikten op wat er is gebeurd. Vervolgens ontstond de behoefte om dieper te begrijpen waarom gebeurtenissen plaatsvonden, wat leidde tot meer diagnostische analyses. De volgende stap was het inzetten van voorspellende modellen, en inmiddels gebruiken vooroplopende organisaties zelfs voorschrijvende analyses en zelflerende systemen die direct aanbevelingen doen of taken kunnen automatiseren. Neem bijvoorbeeld Risicopredictie op vaarwegen van Rijkswaterstaat. In deze transitie heeft kunstmatige intelligentie (AI) een steeds grote rol verworven en met de opkomst van AI is de lat voor datagedreven werken aanzienlijk hoger komen te liggen. AI maakt het mogelijk om patronen te ontdekken die voorheen verborgen bleven, voorspellingen te verfijnen en processen grotendeels te automatiseren. Daarmee fungeert AI als een belangrijke versneller in de ontwikkeling naar hogere niveaus van datavolwassenheid, zoals predictive en zelfs prescriptive analytics.
Nieuwe technologieën, met name op basis van AI, zullen naar verwachting een grote invloed hebben op hoe organisaties omgaan met data en hoe zij hun datagedreven werkwijze vormgeven. Het is daarom essentieel om naast technologische innovatie ook aandacht te besteden aan de mensen, processen en cultuur die nodig zijn om het maximale uit data en AI te halen. In dit hoofdstuk verkennen we de potentie en impact van AI op datagedreven werken.
3.1 De impact van machine learning en
deep learning op datagedreven werken
Bureau Waardenburg laat zien hoe objectdetectie en deep learning het tellen van vogels met dronebeelden versnellen en vereenvoudigen
Datagedreven werken draait om het benutten van data als strategische grondstof voor besluitvorming, procesoptimalisatie en innovatie. Waar traditionele data-analyse vooral beschrijvend en diagnostisch van aard is, maken machine learning (ML) en deep learning (DL) het mogelijk om patronen te herkennen, voorspellingen te doen en zelfs autonome beslissingen te nemen op basis van grote en complexe datasets. Machine learning-algoritmen leren van historische data en verbeteren hun prestaties naarmate ze meer informatie verwerken.
Deep learning, als subcategorie van machine learning, gaat nog een stap verder door gebruik te maken van neurale netwerken die in staat zijn om ongestructureerde data zoals tekst, beeld en geluid te analyseren. Deze technologieën transformeren datagedreven werken van een reactieve naar een proactieve benadering, waarbij organisaties niet alleen begrijpen wat er is gebeurd, maar ook kunnen anticiperen op wat er gaat gebeuren. Dit opent de deur naar slimmere processen, gepersonaliseerde klantinteracties en efficiëntere besluitvorming, mits de juiste data-infrastructuur en ethische kaders aanwezig zijn.
Met de komst van AI als analysetool is de hoeveelheid en verscheidenheid aan data die als bron voor datagedreven kan dienen enorm gegroeid.
3.2 Het belang van datakwaliteit en beschikbaarheid
AI in de vorm van generatieve modellen en assistenten markeert een nieuwe versnelling in het datagedreven werken. Waar moderne data-architecturen en cloudinfrastructuren de afgelopen jaren het fundament hebben gelegd voor schaalbare en flexibele dataoplossingen, betekent de opkomst van AI een volgende impactvolle stap in het benutten van data binnen organisaties.
AI maakt het mogelijk om data op ongekende schaal te ontsluiten, te analyseren en te vertalen naar waardevolle inzichten. Of het nu gaat om het automatisch genereren van rapportages, het voorspellen van trends of het ondersteunen van beslissingen: AI-systemen vragen om actuele, betrouwbare en goed beschreven data. In de praktijk wordt steeds duidelijker dat de kwaliteit en beschikbaarheid van data bepalend zijn voor het succes van AI-toepassingen. Als organisaties daadwerkelijk AI-mogelijkheden willen benutten, is het essentieel om meer te investeren in datakwaliteit. Het gebruik van AI binnen organisaties leidt bovendien tot een groeiende behoefte aan meer en diverse databronnen. AI-systemen zijn gebaat bij rijke datasets, waarbij het verzamelen, opschonen en integreren van data een continu proces wordt. Generatieve AI en AI-assistenten maken het nog eenvoudiger om complexe data-vraagstukken te adresseren en inzichten toegankelijk te maken voor een brede groep medewerkers. Dit vergroot de vraag naar selfservice en democratisering van data, maar benadrukt tegelijk het belang van een solide datafundament. AI kan enkel waarde creëren als de onderliggende data betrouwbaar, vindbaar en goed beheerd is.
AI fungeert daarmee als katalysator voor verdere professionalisering van datamanagement. Organisaties die willen versnellen met AI doen er verstandig aan om hun data-architectuur op orde te brengen en te investeren in datakwaliteit, standaarden en samenwerking. Daarmee zeggen we niet dat er niet geëxperimenteerd kan worden voordat data op orde is. Zo ontstaat een toekomstbestendig ecosysteem waarin AI daadwerkelijk waarde toevoegt aan het datagedreven werken.
3.3 AI-agents voor het integraal bevragen van decentrale data
Deze aanpak vraagt om heldere afspraken over data-integratie, toegangsbeheer en de beveiliging van informatie, omdat AI-agents opereren op verschillende niveaus binnen de organisatie en toegang hebben tot uiteenlopende bronnen. Transparantie in de werking van agents en verantwoording over het gebruik van data en AI-beslissingen zijn daarbij cruciaal om vertrouwen te waarborgen.
Door de inzet van AI-agents kan datagedreven werken werkelijk bedrijfsbreed worden gedragen. Kennis wordt laagdrempelig en op maat beschikbaar gesteld aan medewerkers in alle lagen van de organisatie, wat de snelheid en kwaliteit van besluitvorming vergroot en de waarde van data verder ontsluit.
AI-agent
AI-assistent
Hierdoor wordt het mogelijk om zonder diepgaande technische kennis over applicaties of datastructuren, overkoepelende bedrijfsinformatie te ontsluiten en processen te optimaliseren. De AI-assistent fungeert als orkestleider: die analyseert de informatiestructuur, verdeelt de vragen over gespecialiseerde agents en voegt de antwoorden samen tot een samenhangend en bruikbaar geheel. Of het nu gaat om het combineren van operationele data uit ERP-systemen, klantinformatie uit CRM-omgevingen of realtime sensorinformatie uit IoT-platformen: AI-agents kunnen de juiste data ophalen, interpreteren en verrijken.
De volgende stap in de AI-ontwikkeling is de opkomst van AI-agents die in staat zijn om specifieke systemen te ontsluiten en daarmee de complexe wereld van decentrale data toegankelijk maken. AI-agents zijn AI-componenten die gespecialiseerd werk kunnen uitvoeren. Waar veel organisaties hun data verspreid hebben over diverse applicaties en platformen, bieden AI-agents de mogelijkheid om bedrijfsbreed vragen te stellen aan één centrale AI-assistent. Deze AI-assistent kan complexe vragen ontleden in deelvragen en deze uitbesteden aan domeinspecifieke agents, die ieder diepgaande kennis hebben van hun eigen systeem en datalandschap.
Een voorbeeld: een organisatie wil weten welke assets risico lopen bij extreme neerslag. De AI-assistent verdeelt die vraag over meerdere agents: een GIS-agent die de ligging van assets koppelt aan neerslagdata, een onderhoudsagent die storingsinformatie ophaalt, en een weeragent die voorspellingen toevoegt. Hun inzichten worden samengebracht tot één antwoord: een kaart met risicolocaties en aanbevelingen. Zo hoeven medewerkers niet langer data uit verschillende systemen te combineren en ontstaat één informatiebeeld dat sneller, consistenter en rijker is.
3.4 Governance
De opkomst van AI-agents en generatieve AI vraagt om een herijking van het klassieke datagovernance-landschap. Waar traditionele datagovernance vooral gericht was op het centraal vastleggen van regels, eigenaarschap en beveiliging binnen een begrensd datadomein, verschuiven de kaders door de groeiende diversiteit en dynamiek van databronnen en het gebruik van intelligente systemen.
Uit de interviews blijkt dat er vooral nog geëxperimenteerd wordt met AI en datagedreven werken en AI-governance staat daarom bij veel organisaties nog op een laag pitje. Toch moet er nagedacht worden over AI-governance: niet alleen moeten organisaties regie voeren over data-integratie, datakwaliteit en toegangsbeheer, maar ook over de werking, transparantie en ethiek van algoritmes. De autonomie van AI-agents en hun vermogen om beslissingen te nemen op basis van uiteenlopende data vraagt om governance die wendbaar is en doorlopend kan inspelen op veranderende situaties. Dit betekent dat organisaties niet langer kunnen volstaan met statische richtlijnen, maar moeten inzetten op continue monitoring, verantwoording en samenwerking tussen data- en AI-eigenaren.
Daarnaast vereist de inzet van AI binnen decentrale datastructuren dat governance niet alleen centraal, maar ook lokaal wordt ingericht. Domeinspecifieke agents hebben toegang tot gevoelige en bedrijfskritische informatie en opereren op verschillende niveaus. Dit vraagt om heldere afspraken over verantwoordelijkheden, controleerbaarheid en de traceerbaarheid van beslissingen.
Ten opzichte van klassieke datagovernance betekent dit een verschuiving van controle naar orkestratie: het faciliteren van veilige, transparante samenwerking tussen mens en machine, het borgen van privacy en compliance op alle lagen, en het waarborgen van vertrouwen in de uitkomsten van AI-gedreven processen. Alleen door deze integrale benadering van data- en AI-governance kunnen organisaties het volle potentieel van datagedreven werken en intelligente automatisering benutten.
© Esri Nederland
Gartner AI maturity model & roadmap
De relatie met datagedreven werken is daarbij evident: het Gartner AI Maturity Model ondersteunt organisaties om datagedreven werken stapsgewijs uit te bouwen, door de inzet van AI te koppelen aan continue verbetering van data, processen en besluitvorming. Door het model te volgen, ontstaat een samenhangend traject waarin AI en data-integratie hand in hand gaan, met aandacht voor governance, ethiek en optimalisatie. Zo wordt het mogelijk om de inzichten en kansen die AI biedt optimaal te benutten, terwijl risico’s beheersbaar blijven en het vertrouwen in AI-gedreven processen wordt geborgd. Het Gartner-model sluit daarmee direct aan op de ambitie om datagedreven werken organisatiebreed te verankeren en te professionaliseren. Ook Esri gebruikt het Gartner AI Maturity Model als referentie om organisaties te helpen een concreet plan te ontwikkelen met een integrale aanpak op maat.
In het licht van de groeiende rol van AI-agents, data-integratie en nieuwe governance-uitdagingen, helpt het Gartner-model organisaties om knelpunten te identificeren en concrete verbeteracties te formuleren. Denk hierbij aan het verhogen van datakwaliteit, het inrichten van heldere governance-structuren en het vergroten van transparantie en verantwoording in AI-beslissingen. Het model fungeert als een praktische leidraad voor organisaties die AI niet alleen willen inzetten als experiment, maar juist willen opschalen naar een bedrijfsbrede datagedreven aanpak.
3.5 De impact van machine learning en deep learning op datagedreven werken
Het Gartner AI Maturity Model biedt organisaties een gestructureerd raamwerk om de volwassenheid van hun AI-initiatieven te beoordelen en doelgericht verder uit te bouwen. Dit model onderscheidt meerdere fases, van experimenteren met AI tot het volledig integreren en optimaliseren van AI-processen binnen alle lagen van de organisatie. Door inzichtelijk te maken waar een organisatie zich bevindt op deze volwassenheidsschaal, kunnen gerichte stappen worden gezet om AI op een verantwoorde en effectieve manier verder te implementeren.