Organisaties investeren flink in datawarehouses, dataplatformen, dashboards en datalakes. Toch leveren AI-initiatieven lang niet altijd het verwachte rendement op. Interne AI-assistenten geven vage antwoorden, chatbots halen verkeerde informatie op of geavanceerde agentic AI-systemen blijken lastig betrouwbaar te maken. De eerste reflex is dan vaak: er is iets mis met de data.
Dat is een logische reflex, want slechte datakwaliteit zorgt voor onnauwkeurige antwoorden en hallucinaties, en dat schaadt het vertrouwen van gebruikers. Toch is het probleem vaak breder. AI heeft namelijk naast data ook enterprise knowledge nodig: de betekenis, context, relaties en regels die data binnen de organisatie bruikbaar maken. Data vertelt wat er is gebeurd, terwijl kennis AI helpt begrijpen wat dat betekent en welke vervolgstap logisch is.
Geef data betekenis
Stel dat een financiële dienstverlener relatiemanagers een interne AI-assistent biedt. De klantdata is schoon, de productsystemen zijn gekoppeld en het dataplatform volledig up-to-date. Toch worstelt de assistent met vragen als: welke producten zijn relevant voor dit klantsegment? De oorzaak is dan niet per se de data zelf, maar eerder de betekenis erachter. Wat is de gedeelde definitie van een klantsegment? Welke producten horen bij welke use-cases? Wat zijn de commerciële of juridische regels? Zonder die kennislaag ziet AI geen samenhang.
Daarom begint een goede AI-strategie bij deze gedeelde betekenis. Begrippen, definities, KPI’s en businessregels moeten consistent zijn vastgelegd en gedeeld tussen systemen en teams. Als verschillende afdelingen bijvoorbeeld ‘actieve klant’ anders interpreteren, lost AI dat verschil niet vanzelf op. Sterker nog, het maakt de verwarring waarschijnlijk nog groter.
Combineer flexibiliteit met structuur
Veel organisaties focussen bij AI vooral op technologie die informatie op betekenis kan doorzoeken, zoals vector search en embeddings. Zeker bij grote hoeveelheden ongestructureerde informatie, zoals documenten, e-mails en handleidingen, werkt dat goed. Toch is zoeken op betekenis niet altijd voldoende. Vooral in sectoren waar compliance en traceerbaarheid belangrijk zijn, moet AI ook de samenhang tussen begrippen, processen en regels kunnen doorgronden.
Om die samenhang vast te leggen, gebruiken organisaties steeds vaker knowledge graphs. Deze kennisnetwerken leggen relaties vast tussen bijvoorbeeld klanten, producten, processen, risico’s en regelgeving. Vector search biedt flexibiliteit en knowledge graphs zorgen voor structuur, context en uitlegbaarheid. Door die combinatie ontstaat een kennislaag die informatie niet alleen terugvindt, maar AI ook helpt redeneren.
Behandel kennis als software
Een veelgemaakte fout is dat organisaties kennismanagement zien als een eenmalig project. Ze bouwen een kennisbank op, voegen documentatie toe en verliezen daarna de aandacht. Dat werkt misschien tijdelijk, maar zodra processen, producten of regels veranderen, is de kennis verouderd. Dan zijn AI-antwoorden gebaseerd op oude instructies. Daarom is het zaak kennis als software te benaderen, met versiebeheer, eigenaarschap, testen, updates en kwaliteitscontroles. Dat betekent ook nadenken over de ongeschreven kennis van medewerkers. Ervaren medewerkers weten vaak waarom een proces in de praktijk anders loopt dan op papier of wat de beslisregels en de uitzonderingen zijn.
Die kennis zit in gesprekken, gewoontes, beslissingen en feedback. Met process mining, feedbackloops en AI-transcriptie kunnen organisaties die kennis stap voor stap in hun AI-systemen verwerken.
Bied AI de juiste context
Traditioneel kennismanagement helpt mensen die documenten zoeken, lezen en interpreteren. AI werkt anders. Een AI-systeem heeft niet altijd een volledig document nodig, maar precies genoeg relevante context voor een goede vervolgstap. Dat vraagt een andere inrichting van de retrieval-laag. Retrieval-augmented generation of RAG, helpt AI-antwoorden te onderbouwen met relevante passages. Hybride zoektechnologie combineert trefwoorden, semantiek en relaties. Contextbewuste filtering zorgt dat AI alleen informatie gebruikt die past bij de gebruiker, de taak en het moment. Het doel is niet alleen toegang tot kennis, maar kennis zo activeren dat AI deze betrouwbaar kan gebruiken.
Zonder governance geen vertrouwen
Bij enterprise AI moet governance al onderdeel van het ontwerp zijn. Zeker in gereguleerde sectoren moeten organisaties een antwoord kunnen verantwoorden, welke bronnen zijn gebruikt en welke regels zijn toegepast. Zonder dit inzicht blijft adoptie vaak hangen. Medewerkers vertrouwen het systeem niet, compliance-afdelingen willen geen risico nemen en bestuurders krijgen onvoldoende grip. Governance moet dus niet alleen op papier bestaan, maar ook in het AI-systeem zelf worden ingebouwd. Dit betreft aspecten zoals duidelijk eigenaarschap, traceerbaarheid, kwaliteitscontroles en risicoregels die daadwerkelijk worden toegepast. Pas dan ontstaat vertrouwen in de organisatie en daarbuiten.
Begin klein, ontwerp groot
Door klein te beginnen met een concrete use-case, blijft kennismanagement praktisch en meetbaar. Dat is ook de basis voor herbruikbare bouwstenen, zoals ontologieën, kennispijplijnen en retrieval-patronen. Als ze in een domein rendement opleveren, is uitbreiding naar andere delen van de organisatie logisch. Agentic AI maakt dit nog belangrijker. Naarmate AI-systemen zelfstandiger taken uitvoeren, worden context, regels en uitlegbaarheid onmisbaar. Het taalmodel is dan niet langer de kern van de oplossing, maar een onderdeel binnen een bredere kennislaag.
De conclusie is duidelijk: wie AI betrouwbaar wil inzetten, moet kennis net zo serieus organiseren als data. Pas dan wordt AI meer dan een veelbelovende demo.
Dit is een ingezonden bijdrage van NTT Data. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.