Value first, AI second: de praktische uitwerking

In deze aflevering hoor je Kees Gelderblom, Commercial Director bij Systemation, die uitlegd waarom waarde creatie voorop moet staan bij AI-initiatieve en niet de technologie zelf. Hij deelt concrete inzichten over hoe organisaties hun datahuishouding kunnen voorbereiden op AI, zonder eerst alles perfecte willen hebben. Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Mijn naam Joop Snijder, CTO bij Aigency. Niels is er vandaag helaas niet bij, maar we doen het met z'n tweeën. Kees Gelderblom. Kees, dankjewel dat je bij ons in de studio bent. Dankjewel dat ik hier kan zijn. Voordat we beginnen zou je jezelf even willen voorstellen. Ja, mijn naam is Kees Gelderblom. Ik ben 56 jaar oud. Ik heb ongeveer 25 jaar data in verschillende salesrollen weliswaar. Ik ben in mijn privé getrouwd. Twee mooie kinderen wonen in het platteland. Ik ben een fervente klusser. Heerlijk. Mijn eigen perceel. En wat ik zei in het dagelijks leven. Altijd sales rollen gedaan. En ook altijd in het werkvlak van de data. Ja. En in dat kader zitten we hier ook. Want je gaat ook spreken op een conferentie van Outvi. De dag van de CDO. Kan je vertellen wat je daar gaat doen? Nou ja, ik ga niet zelf spreken. Wij zijn daar als kennispartner. En we zijn er samen met een van de vendoren die wij vertegenwoordigen. Een organisatie uit Duitsland. En de CEO van die organisatie zal het verhaal daar die dag doen. Wij zijn er met hem. En vandaag gaan we het hebben over data als voorbereiding op het gebruik van AI. Ja, daar kunnen we het over hebben. Maar namen ook over waarde. En daarom is het gesprek voor mij een klein beetje spannend. Want ik zit hier natuurlijk in een AI-omgeving. En ik kom eigenlijk vertellen van, ja jongens, AI staat op de tweede plaats en niet op de eerste plaats. Het gaat over waarde. Ja, wat goed. Dat staat op één. En volgens mij heb je daar ook een mooie term voor, value first. Ja. Kan je vertellen wat jouw visie daar dan op is? Ja, dat is een visie die bij ons, bij Systemation, waar ik voor werk, in twee stappen is gekomen eigenlijk. Wij zijn al heel lang bezig met datamanagement, met het fundament en alle mooie kreten die erbij horen. Dus master data, data quality, data lineage, al die onderwerpen om organisaties te helpen om beter resultaten uit hun data te kunnen halen. En wij zagen op een gegeven moment de verandering komen dat we niet vanuit die richting omhoog moesten gaan denken, maar juist vanuit de andere kant naar beneden. We spraken bijvoorbeeld met een hele mooie onderneming die nog moest beginnen met al die onderwerpen. En daar komen we straks ook nog wel even op. En die onderneming was eigenlijk in een unieke positie om te gaan definiëren vanuit de organisatiedoelstellingen wat ze zouden moeten gaan doen met datamanagementcapabilities. Wat moet je eerst doen? In welke volgorde? En wanneer volg je dan met iets anders? Hoe ga ik een strategie ontwikkelen? Dat was de eerste stap. En daarna is het langzaam in gesprekken met de organisatie waarvoor wij werken, naar voren gekomen dat die waarde waarvoor ze werken, de organisatorische doelstellingen, op het hoogste niveau, dat die heel belangrijk gaan worden. En dat is met name gekomen vanaf het moment dat AI belangrijk werd, want het ging steeds sneller en het ging steeds meer kosten. En daar kwamen vragen over. Ja, en wat waren dan typische vragen? Typische vragen zijn waar moet ik mijn resources aan gaan besteden. Want die zijn beperkt, die zijn schaars. Welke projecten moet ik prioriteren als het om AI of werken met data gaat. Dat soort vragen heb je het over. Of heel basaal, waar doe ik het eigenlijk voor? Waarom gaan wij iets ontwikkelen? Nou zijn er best wel heel wat bedrijven die wilden instappen op het gebied van AI. Gewoon vanwege de technologie. Komen ze op die manier ook wel eens bij jullie? Ja, bedoel je voor de AI zelf? Ja, dat is het. Nou, niet zozeer voor de AI. Ik herken wel die vraag. Want ik heb natuurlijk regelmatig gesprekken met mensen in het datawerkveld. Vooral met CDOs ook of heads of data. En als het dan gaat over AI en waarden. En wij zeggen value first, AI second. Dan heb je het wel een vraag over het onderwerp. Dat ze zeggen, ja, maar onze business weet eigenlijk helemaal niet wat er mogelijk is met AI. Dus wij ontwikkelen dingen. Ik sprak pas een CDO. Die had een portfolio van 250 projecten lopen op dit moment. Dat allemaal trial projecten waren. Ja, daar moet je toch ook op een bepaalde manier mee omgaan. Om die bij te houden. Dan praat je echt over portfolio management, denk ik. En wij gaan iets verder. Maar het is wel interessant om erover na te denken. Hoe je die dingen ook gaat meenemen, die projecten. Want je moet dat wel doen in je benadering van value. Ja. In jouw wereld wordt er natuurlijk heel veel gesproken over datagedreven werken. Het is altijd heel erg lastig. Wat is eigenlijk datagedreven werken? Ja, ik heb hier een stapeltje papier voor me en daar heb ik die definitie ook opgeschreven voor mezelf. Nou, we hebben er wel een aparte benadering voor. Wij zeggen datagedreven werken is het systematisch inzetten van data en AI, technologie en menselijke kunde en expertise. Om je beslissingen te kunnen onderbouwen, processen te verbeteren en waarde te creëren binnen een organisatie. Voor ons zitten daar wel twee hele specifieke punten in. Los van dat hij het zegt over mensen en processen en naast technologie. Maar vooral ook systematisch. Waarde creëren dus. Ja en dat systematisch. Ik denk dat je dat even voor de luisteraar moet uitleggen. Nou ja systematisch is dat je niet zeg maar ad hoc ergens begint. Omdat er technologie is en dan wat gaat ontwikkelen. En dat kan best wel mooie resultaten geven in de organisatie. En dat kan inspireren in de organisatie. Maar systematisch bedoelen wij dat je dus met voorbedachte raden een plan gaat maken. Of een strategie gaat maken hoe jij data en AI, data gedreven werken, een onderdeel gaat maken van jouw processen en van je organisatie. Om die doelen te bereiken. En wordt dat altijd geaccepteerd dat je zegt, wij doen value first, AI second? Nee. Nee, ik moet je heel eerlijk zeggen, we noemen het data impact management. En ik zit natuurlijk in de wereld waar veel naar Gartner wordt gekeken. Dan heb je een categorie waarin iets moet vallen en deze categorie bestaat nog niet. Ik moet je ook heel eerlijk zeggen dat, vandaag praten we over het onderwerp aan zich. Wij hebben daar een vendor bij geselecteerd waarvan wij vinden dat die hier heel goed in zijn. Maar dat is ook een vendor die relatief jong is en dat is voor ons eigenlijk uniek. Maar we kiezen daar nu wel voor. Ondanks dat het een jonge onderneming is. Jong in de ontwikkeling van zo'n propositie. Omdat we er stellig in geloven. Kom je dan bij organisaties. Dan loop je wel tegen weerstand aan. Dat klopt. Er zijn natuurlijk heel veel mensen die het liefst lekker willen doorgaan. Met dat pionieren en ontwikkelen. En helemaal niet op zoek zijn naar remmende factoren. Of prioritering van projecten. En dat soort dingen. En anderzijds zijn er ook organisaties die zeggen. Dat doen we al. Dat hebben we al. Die hebben er dan een heel ander beeld bij. Oh ja, en wat is dat andere beeld? Wat je vaak hoort is dat ze zeggen, bijvoorbeeld, we doen al aan portfolio management. Als je dan zo'n onderwerp hebt aangesneden, dan zeggen ze, ja, maar wij doen al aan portfolio management. Daar hebben we al oplossingen voor. Maar impact management gaat veel verder dan alleen maar portfolio management. Ja, wat pak je erbij? Value management, met name stakeholder management pak je erbij. Maar de value, dat is eigenlijk de belangrijkste component om echt uiteindelijk business lineage te gaan creëren voor de organisatie. Wat maakt het dan zo lastig om dat erbij te nemen? Is het een lastig concept? Ik weet niet of het een lastig concept is. Mensen zijn heel erg druk met het maken van die AI proposities. En het lijkt wel of ze daar ook niet te veel in afgeleid willen worden. Een tweede stap die moeilijk is, is om op dit moment de financiële functie, laten we die voor vandaag even de CFO noemen, En de businessfunctie, laten we die de CEO noemen, om die in het gesprek erbij te krijgen. En die als het ware leidend te maken. Dat moet ik iets breder trekken, want we hebben het nu over AI en value management. Je kunt het ook naar elk dataproduct wat je in je organisatie hebt trekken, dat onderwerp natuurlijk. En dan zien we dat die functies erbij halen wat lastig is in het gesprek. Wij zitten toch nog steeds aan tafel bij de datamensen, de IT-mensen. en die houden het wat op. En die andere functies, die beginnen nu steeds meer tractie te krijgen eigenlijk. De CFO begint zich echt af te vragen, waar zit dan de waarde van AI? Kan je het eens inzichtelijk maken? Kan je het eens meetbaar maken voor mij? En die CEO begint wel steeds meer te vragen, waar doen we het eigenlijk voor? En ik moet ook zeggen dat ik sporadisch weliswaar nog, maar ook wel bij de datafunctie kom, dat mensen zeggen, wij zijn wel bezig met data management, met al die initiatieven. Maar heel eerlijk, we zijn het ook een beetje kwijt. Waarom we het doen, voor wie we het doen. Waar wij op aansluiten. Dus dat besef dat begint er wel te komen. Wat zou je aan de CEO's en de CFO's mee willen geven? Want uiteindelijk is het natuurlijk... Kijk, de term disruptief vind ik altijd een beetje vervelend. Maar van deze technologie kunnen we toch echt wel zeggen... dat het heel veel bedrijven gaat raken. Dat je misschien op een andere manier gaat werken. Dat het je businessmodel misschien gaat raken. Dus je kan er volgens mij als CEO en CFO niet omheen. Dus moet je ergens een stap zetten. Wat zou je ze willen meegeven? Nou, wat blijkt uit onderzoeken, en dan praat ik over onderzoek van PwC. McKinsey heeft ook net weer een stuk uitgebracht. Dan zie je toch wel dat die CEO-functie voornamelijk, 70% van, het was een onderzoek onder 45 CEO's wereldwijd, 70% daarvan had eigenlijk geen idee van hoe die producten, dataproducten of AI-producten, waarde toevoegde aan de organisatie. En dat vind ik eigenlijk kwalijk, dat zou je wel moeten weten. Ja toch? Je hebt bepaalde doelen te halen en iedereen weet, zelfs je werknemers weten, dat AI als technologie daar naar de toekomst toe gewoon een hele belangrijke bijdrage in gaat leveren. We roepen wel eens, als je te laat bent, dan ben je uitgeschakeld. Degene die het snelst doen en het best doen, dat zijn de winners van de toekomst. Dus je zou als CEO daar zeker van op de hoogte moeten zijn, van waarom doe ik dat? Wat zijn mijn use cases en wat gaan die bijdragen aan de doelstellingen? In het kader van de dag van de CDO zou ik willen zeggen, beste CFO of CEO. Zorg ervoor dat je je CDO ook aan de tafel haalt. Aan de C-suite tafel haalt. En niet als een functie ergens in de organisatie elders laten ronddobberen. Maar dat die echt aan tafel komt. Want dat wordt cruciaal voor jouw onderneming. En die CDO kan heel goed de link in pin tussen alle functies zijn. Wat zouden nou drie essentiële vragen zijn van de CFO aan de Chief Data Officer? Nou, ik zou zeggen, welke mogelijkheden, beste CDO, heb jij om met ons samen de koers te bepalen? Ik denk dat dat vaak ontbreekt, dus om ze alle drie aan tafel te krijgen. Beste CDO, heb jij wel het beeld van wat er speelt in de business en waarvoor we het doen en wat er speelt in de dataorganisatie? En wat daar moet gebeuren. En beste CDO. Heb jij wel beeld bij de waarde die we creëren. Of zou je daarin geïnteresseerd zijn? Dat zijn mooie vragen. Dat is wel het minste toch? Ja, wel het minste. Maar goed, jij werkt zelf ook in de AI. Daarom vraag ik dit ook. Ik had het opgeschreven. Wat onderscheidt ons bij Aigency? Ik lees hem even voor weer. Wij bouwen geen losse modellen of kortstondige experimenten. We ontwikkelen AI-oplossingen die geïntegreerd zijn in je organisatie. Bijdragen aan complete doelen en voldoen aan. En dan komt die de eisen van transparantie, uitlegbaarheid en betrouwbaarheid. Als ik dan heb over waarde en de aansluiting naar de organisatie. Dan zijn dat inderdaad de onderwerpen die ik zou duiden nu als business lineage. Hoe vanuit het waardeperspectief gaat data door de organisatie heen. Daar is denk ik de rol van de CDO uiteindelijk ook heel belangrijk. Om die functie op te gaan zetten. Maar wel in samenspraak met de financiële functie en de businessfunctie. En als je dat op een goede manier doet, dan druppelt het ook door in de rest van je organisatie. Iedereen eist dan van elkaar dat het in ieder geval duidelijk is waarom doe je iets. En hoe draagt de technologie die je inzet, of dat nou AI is of niet, bij aan de doelstellingen. In plaats van, we hebben een technologie en we gaan er een feestje op bouwen. Ja, dat klopt. En er zijn drie dingen die daar nu in ontbreken. De eerste is een canvas of een omgeving waarin je het beheer kan doen op die vraagstukken. Misschien heb jij er ervaring mee, maar waar gaat de CFO heen? Waar gaat de CEO heen? Waar gaat de CDO überhaupt heen? Als ze willen samenwerken op het bereiken van die doelen en hoe data daarin of AI daarin gaat helpen. Waar leggen ze dat vast? Waar werken ze samen? In welke applicaties vinden ze hun informatie? Ik durf te stellen dat die bijna overal ontbreken. Want dat zit verspreid in Excel, PowerPoint, SharePoint, Jira en overal een beetje. Maar waar collaboreren ze met elkaar? Geen idee. Eerlijk gezegd ook niet heel versnipperd, net wat jij zegt. Dat is denk ik waar er platformen gaan ontstaan. Zoals waar Nadiem van Heidebrand over gaat spreken op de dag van de CDO. Dus daar komen gewoon platformen voor die dat gaan orkestreren. Dan loop je dus tegen dat argument van ja, we hebben al dit of dat of zo. Waar we portfolio management doen. En daar koppelen wij onze use cases aan de producten die we maken. Dus dat hebben we al. En dan kom je op wat we net noemden, eigenlijk business lineage. Want dan wordt het belangrijk. Want dit is portfolio management. En dan zou je kunnen zeggen, nou dat kunnen we oplossen in wat we daarvoor hebben. In Jira of wat dan ook. Maar er komt nog iets anders bij kijken. En dat is de value. Want je hebt je doelstellingen, daar maak je use cases bij. Die use cases koppel je uiteindelijk aan je assetlaag, zal ik maar zeggen. En die gaat naar beneden naar je infrastructuurlaag. Dus dat stuk portfolio management, dat is het dan wel. Maar dan value. Dat is de laatste echt value management erbij optellen. Dus hoe kan ik nu als organisatie op een eenduidige manier alles wat ik ga doen op het gebied van data een waarde toekennen? Want ik kan mezelf uit mijn eigen verleden nog wel eens herinneren Als ik iets voor elkaar wil kregen. In het Excel klopte het voor mij altijd. Dan was het positief. Dat kun je naar je toe rekenen. Maar het is natuurlijk wel belangrijk dat organisaties voor alle use cases. Op dezelfde manier de value daaraan gaan hangen. Dat kan je ook in zo'n impact platform doen. En daar kun je elke willekeurige methode in hangen. Want er zijn organisaties die doen dat met Capgemini. Ze halen overal wel een methode vandaan. Maar doe dat eenduidig. Want dan ga je echt de waarde die je wil bereiken bij een use case koppelen. En als je dat aan gaat koppelen, vervolgens in dat portfolio management aan je productlaag, je dataproductenlaag, naar je assets, naar je infrastructuur, dan krijg je dus van boven naar beneden, of van beneden naar boven, echt dat inzicht in wat bijdraagt aan wat. Ja, precies. Nu dat we het over data hebben, want data is natuurlijk van essentieel belang op het gebied van AI. Er wordt wel gesteld van, je moet je datahuishouding op orde hebben, voordat je kan beginnen met AI. Hoe sta jij daarin? Uiteindelijk denk ik dat dat voor een deel wel klopt. Maar wat ik net ook zei, wij zien we als bij organisaties, vooral als we nog niet zo heel ver zijn in de ontwikkeling daarvan. Wij zijn een DAMA-huis, dus wij gebruiken om met onze klanten te spreken het DAMA-framework om een universeel gesprek te kunnen hebben. Het DAMA-framework moet je voor de luisteraar even uitleggen. DAMA is een wereldwijde organisatie, die hebben een boek geschreven, het DMBOK heet dat, de Data Management Body of Knowledge. waarin alle disciplines van datamanagement worden uitgelegd tot op een zeer nauwkeurig detail. Het voordeel daarvan is, in Nederland wordt dat veel gehanteerd, dat als ik bijvoorbeeld met jou zou spreken over master datamanagement of over interoperability, Dat wij allebei hetzelfde referentiekader hebben. Omdat we ons daarin hebben verdiept via DAMA. Dus dat maakt het heel prettig. Nederland is heel veel gehanteerd bij heel veel organisaties als basis. Hoe kwamen we hier ook weer op? Ja, dat is een goede. Je was bezig met... Een onderdeel van DAMA, de wereldwijde voorzitter van die organisatie, is een meneer die heet Pieter Eken. Dat is een zeer kundige professor uit Amerika op het gebied van data management. Een hele aimabele man ook. Die heeft een piramide gemaakt. Dat heet de Piramide van Eken. En daar heeft hij alle datamanagement proposities in kleine driehoekjes op elkaar gestapeld. En idealiter zit daar een volgorde in van vier fases waarin je datamanagementorganisatie zou uitrollen om dat goed te doen. Dus het onderste gedeelte van die piramide is een heel breed vlak wat governance heet. En daar ga je verder op bouwen. Maar dat is een theorie. Want pas in fase 4 ga je BI en data warehousing doen. Dat doen we al 25 of 30 jaar. En we zijn nu de andere disciplines die er hadden moeten zijn, zijn we pas aan het implementeren. Wat ik denk dat belangrijk is, als je nog die positie hebt, begin weer, in ieder geval bij dataproducten, bij wat je wil gaan doen. Dus als jij predictive maintenance wilt gaan doen in je organisatie, begin dan bij de vraag, wat heb ik daar eigenlijk voor nodig? In plaats van dat je master, data management, data quality, alles gaat inrichten en gaat bouwen. En op een gegeven moment tot de conclusie komt. Waarom doe ik het eigenlijk? Het kost heel veel geld. Ik begin met die vraag. Als ik predictive maintenance wil doen. Welke data heb ik dan nodig? Hoe moet ik erop sturen? Wat heb ik dan als eerste nodig? Om daarmee aan de slag te kunnen gaan. En in welke mate? Uiteindelijk denk ik dat je al die capabilities wel nodig hebt. We hadden het kort voor dit gesprek met de koffie ook even over. De EU AI act die eraan gaat komen. Dan ontkom je niet meer aan het beheren van je kwaliteit van je data. Het hebben van technische lineage over je data. aan het hebben van goede governance, van goede security. Uiteindelijk ga je dat allemaal nodig moeten hebben. Als het niet om AI gaat of die act, maar om eenvoudige toepassingen, dan zou ik zeggen, begin met de vraag wat je moet hebben en ga van daaruit bouwen. Hoe kijk je tegen die wet aan? Ja, dat is een interessant vraagstuk. Ik kan niet heel die wet doorgronden. Ik heb hem niet gelezen, maar ik heb er wel nodige presentaties over gezien en vraagstukken bij gehad. Ik vind hem wel spannend, Als ik heel eerlijk ben. Want hij is al van start. En augustus volgend jaar wordt er ook op gehandhaafd. En de zorg die ik eigenlijk heb voor veel ondernemingen is. We kijken natuurlijk snel terug naar de handhaven van andere wetgevingen. Waar volgens mij niet zo heel vaak heel erg is opgetreden. Daar kon je makkelijk wegkomen met zaken. En het moest wel heel geruchtmakend zijn. Wilde een autoriteit daar jou op aanspreken en jou een boete geven bijvoorbeeld. Ik denk dat het met de EU-AI-act anders gaat zijn. Omdat de problemen waar we tegenaan lopen, die kunnen wel eens veel sneller opkomen. En veel sneller ook exploderen. En jij zei het net in onze voorbereiding, dat ik toen graag opschrijf. Je zei ook, ja, er gaat straks een hoop mis. En vanaf augustus volgend jaar is dat ook meteen zichtbaar als het misgaat. En dan moet je ook verantwoording afleggen. En dan loop je ook meteen kans op die boetes die er in te komen. Dus ik vind het best een spannende. En wat ik daar graag aan zou willen toevoegen is dat ik zie, als je kijkt naar die data management capabilities van jij net vroeg, naarmate we verder gaan in de tijd, wordt het gat wat overbrugt moet worden, volgens mij exponentieel groter. Net in de auto luisterde ik naar een artikel over die Xpeng, het Xpeng het merk van de auto's. Oh ja, ja. Die hebben de robot van me laten zien. Het leek verdacht veel alsof er een man of een vrouw in dat pak zat. Maar dat maakte ze open, zat echt een robot in. En dat reken ik dan ook maar even toe aan de toekomst die we voor ons zien met AI-gebruik, met IT-gebruik. Het gaat zo onvoorstelbaar snel. En we zijn allemaal zo bezig met die ontwikkelingen. Maar ondertussen aan de achterkant op het gebied van data management. Met al die capabilities en het kunnen aantonen dat we alles beheersen. Daar gaat de tijd dringen. Het gaat echt wel heel veel energie kosten. Niet alleen in technologie, maar ook in het beter begrijpen van je processen en het aanpassen van die processen daarop. Maar ook, niet onbelangrijk, in de datageletterdheid van je mensen. Twee jaar geleden sprak ik nog met de Chief Digital van een verzekeringsmaatschappij. Die zei, dat is voor ons wel een uitdaging, want wij hebben mensen die komen binnen en die doen hun jas uit, hun schoenen uit en hun pantoffels aan. En die gaan in een bureau zitten en die gaan heerlijk aan de slag. En die doen fantastisch werk. Maar hoe ga ik die meekrijgen in die ontwikkelingen die eraan komen van digitalisering? Dus ook op mensenvlak moet er nog wel wat gebeuren. En die tijd wordt steeds korter. Maar de relevantie is steeds groter. Als ik misschien wat mag prikkelen. Want hoeveel data management is er straks nog nodig als de AI gewoon heel goed om kan gaan met de ongestructureerde data? Dat zien we nu met metaal. misschien vervuilde data data die die overal en nergens vandaan kan halen als we een paar stappen vooruit kijken hoeveel datamanagement hebben we dan eigenlijk nog nodig? Ik denk dat we nog steeds die datamanagement nodig gaan hebben alleen dat we ons daar zelf wat minder mee gaan bemoeien als mensen. Sterker nog, ik denk dat we die menselijke factor voor een groot gedeelte uit willen gaan halen wij voorzien er zelf in de data product management laag een belangrijke rol waarbij je straks dataproducten gaat krijgen dat kan bijvoorbeeld een agent zijn maar dat kan ook een dataset voor rapportages zijn of wat dan ook maar dat dat eigenlijk straks geautomatiseerd gaat plaatsvinden en dat kunnen agents doen en die gaan dan controleren op alle safeguards die er zijn guardrails gebruikte je in ons voorgesprek ook al dat soort dingen dat daar gekeken wordt naar hoeveel doe ik aan de governance hoeveel doe ik aan de gestelde datakwaliteit hoeveel zie ik in mijn lineage is die bekend is de privacy geregeld de security geregeld. Dat dat automatisch zonder tussenkomst van mensen geregeld gaat worden. En dan krijgen de mensen die hun pantoffeltjes aantrekken het wel heel erg lastig. Ja, dat zou kunnen. Ik zie regelmatig sprekers op grote congressen die dan naar het publiek roepen van AI is going to take your jobs to the next level. Ik durf daar nog geen voorspelling over te doen. Ik weet niet hoe of wat deze mensen dan gaan doen op het moment dat dat gebeurt. Lijkt me wel spannend voor ze. Nou, absoluut. Als het dan gaat om datageletterdheid of zoals wij het noemen, de menselijke component hierin, dan is dat natuurlijk ook een heel belangrijk onderwerp. Want mensen voelen dat wel. dat er wat aan staat te komen. En denkt daarover na, van ja, wat betekent dat voor mij? En dat is echt wel een verschuiving, want eerst was je natuurlijk in die zin een soort van koning op een troon. Want jij wist precies wat er in die data zat, hoe dat gestructureerd was. Qua job security zat je heel veilig. Maar dat is wel veranderd. Ik weet niet per se of het als het om datamanagement gaat, of het nu al veranderd is. Want nu is er nog een ongekende zoektocht naar mensen met skills om dit te kunnen doen. Hoe dat naar de toekomst verandert, Ja, durven we geen uitspraak over het? Nee, dat snap ik. Maar mind you, er zijn wel onderwerpen zoals, dat vind ik echt een ondergeschoven kindje nog, data lineage, technische data lineage ook. Ik kom heel veel organisaties tegen waar dat gewoon nog niet geregeld is, überhaupt nog niet in zicht is, wat toch wel heel complexe materie is en waar we voorlopig denk ik ook nog wel menselijke vaardigheden en kennis bij nodig zullen. Ja, niet iedereen is thuis in deze wereld. Dus technische data lineage. Ja, data lineage, dat is eigenlijk het proces om in kaart te brengen hoe data door jouw organisatie stroomt. Dus je wordt ergens klant, iemand legt jouw gegevens vast, je adres en je naam enzovoort. En uiteindelijk wordt die data ook gebruikt in processen of in rapporten. Het inzichtelijk maken hoe die data dan stroomt door jouw organisatie is heel belangrijk. Want daarmee kun je kijken van als daar iets verandert in die data van jou, waar gaat dat impact hebben? En andersom kun je kijken als er iets gebeurd is, een rapport dat niet meer werkt, kun je via datalinage precies zien waar het misgegaan is. Root course analysis noemen we dat, maar gewoon een benadering van waar en wat is er misgegaan. Eigenlijk net als bijvoorbeeld onze vlees of zuivel, dat we echt helemaal terug kunnen naar de specifieke koe waar de melk uitgekomen is. De koe die u ziet waar het eig gelegd is inderdaad. Ja, precies. En dat is dan die lineage waar je het over hebt. Ja, dat is wel een van de moeilijkere onderwerpen in data management. Dat is nog steeds heel erg moeilijk om verschillende redenen. En hoe zou AI daarbij aan bij kunnen dragen dan? Ja, als je kijkt naar, wij hebben het dan over de waardelaag, data impact management. Daarachter komt voor ons de data product management laag. Dat is de laag waar jouw data producten worden neergezet. Dus als jullie bijvoorbeeld een AI product maken, dan gaan wij ervan uit dat daar een product komt te staan wat helemaal gecheckt is en alle voorwaarden waaraan het moet voldoen. Dus wetgeving, security wat ik net al zei, PII, privacy informatie is daarop gecheckt Maar dat heeft uiteindelijk nog steeds een connectie naar de onderliggende datamanagementlaag. Wat was de vraag? Hoe AI je bij kan dragen aan die datalimages? Wat wij nu zien en wat wij volgen is dat er in de internationale markt wel spelers zijn die daar al op inspelen. Want wat je straks gaat krijgen is dat jij stelt een vraag aan de data via een LLM. Gewoon in mensen taal en die kan dat interpreteren en die gaat terugkomen met een antwoord. en als je het dan hebt over wat jij zegt transparantie, uitlegbaarheid, betrouwbaarheid of vertrouwen ook in dat antwoord wat er dan terugkomt dan is het belangrijk dat dat meegeleverd gaat worden AI gaat daar een rol in spelen want die gaat die context van het antwoord wat terugkomt gaat AI ook meeleveren dus die agent die jou gaat antwoorden die gaat ook zeggen van ik heb op basis van de regelgeving even gecontroleerd dat de PII klopt, ik heb de datakwaliteit even gecontroleerd ik heb de lineage voor je meegeregeld Dus de context van het antwoord dat jij straks gaat krijgen, dat gaat hij voor jou meenemen om dat vertrouwen in die data te kunnen leveren. En er zijn platformen, vendoren of leveranciers, die zich daar nu echt op inzetten om dat te kunnen gaan doen. Ja, wat mooi. En die volgen wij dus weer, want dat is ons business model. We willen dat soort partijen heel vroeg op te pakken. Dat doen wij ook in overleg met de ondernemingen waarvoor wij werken. Dat zijn vooral heel veel corporates, enterprise bedrijven. Die ook met dat soort zaken naar ons toe komen. Die gaan we dan volgen, die partijen, om ze op een gegeven moment te contracteren. Als we denken dat het echt winnaars zijn voor de Beneluxmarkt, voor de Nederlandse markt. Ja, snap ik. We hebben een vast onderdeel. Dus uit ons kaartspel wil ik jou graag namelijk een stelling voorleggen. Spannend. Maar dan ga ik eerst eventjes de kaarten schudden. Ja. MUZIEK Zo even de bril erbij op, anders kan ik het niet lezen. Nou, het gaat ook over toekomstvisies en speculaties. En de stelling is, binnen nu en één jaar hebben wij generatieve AI in productie. En ze aan jou? Hebben jullie generatieve AI in productie? Nou, wij niet bij Systemation. Wij zijn kleine ondernemingen. Wij gebruiken AI zoals iedereen dat doet om stukken tekst op te blazen. Zodat een ander weer kan samenvatten. Maar onze Vendoren zeker wel. En daar kan ik je ook een voorbeeld van geven. Dus een van de partijen die wij vertegenwoordigen is een data quality oplossing. Die gebruiken AI al een stap verder dan dat. Daar kun je gewoon in mensentaal zeggen. Ik heb een bepaalde wens ten aanzien van de kwaliteit van een set data. En ik wil weten hoe het daarmee gesteld is. En dat typ je gewoon in. En de agent gaat gewoon op pad om dat te vertalen naar een data kwaliteitsregel. Dat is een stukje programmeerwerk. En die vuurt hij af op de data. Dat zijn al heel belangrijke veranderingen. Die aansluiten op wat jij eerder ook vroeg. Hoe gaat ons dat helpen? Dat wordt zoveel makkelijker. Sterker nog, we hebben nu over Gen AI. Ik denk dat we Agentic AI ook al heel snel zullen gaan zien in dit soort toepassingen. En hoe zie je dat voor je? Hoe bedoel je dat? De Agentic AI, hoe gaat dat helpen? Nou ja, kijk, Gen AI is nog het genereren eigenlijk. Die werken met ons, die agents. En in Agentic gaan ze zelfstandig werken, die agenten. Of die agents, daar hoef je niet meer naar om te kijken, bij wijze van spreken. Ik heb al een keer gesproken met een CDO die zich er echt oprecht zorgen over maakte, hoe die dat straks gaat managen. Ja. Je krijgt dan, je krijgt eigenlijk een soort taal die die agents met elkaar moeten gaan spreken. Want je hebt een agent die taak 1 heeft en een agent die taak 2 heeft. Hoe zorg je er nou voor dat je met elkaar kunt praten? Maar belangrijker ook nog, als je nou eens honderd van die agents hebt. Die vervangen mensen, taken. Wie wordt dan de baas van die agent? En hoe ga je dat dan vanuit manager richting de rest van de organisatie? Maar dat agentic, dat wordt ook wel belangrijk. Die agents gaan gewoon zelfstandig taken uitvoeren en met elkaar communiceren en dat werk uitvoeren. En ook die stap gaat al heel snel. En als we het dan hebben over wat jij net die data lineage noemde. Hoe hou je dan nog bij welke data waar doorheen gestroomd is? Wat er is veranderd? Ja, want die agents worden allemaal getraind op bepaalde kennis. En daar ligt weer data onder. En daar moet je dan wel begrip van hebben wat daaronder zit. Wat ik net al zei, dat gaat steeds sneller die behoeften. En de tijd die we hebben om dat gat te sluiten, dat wordt eigenlijk steeds korter. Ja. Ik ben nog wel benieuwd, voor jou persoonlijk, zijn er dingen waar je wakker van ligt rondom deze technologie? AI-technologie? Ja. Nou, waar ik wel eens over nadenk, waar iedereen over nadenkt, wat gaat de rol van mensen uiteindelijk worden? En gaat dit echt heel veel banen van mensen wegnemen? En wat gaat dat voor ons betekenen? Maar ook kennis. Omdat iedereen is waarschijnlijk wel bekend met het hallucineren van AI. We gebruiken allemaal ChatGPT of Copilot. En ik vraag me af hoeveel mensen daar dan controleren wat eruit komt. Of dat ze het gewoon klakkeloos aannemen. Ik sprak gisteren een familielid die bij een grote scholengemeenschap werkt. En gewoon eigenlijk de opdracht krijgt om veel Copilot te gebruiken. Want dan gaat onze productiviteit omhoog. Weet je dan ook hoe die productiviteit eruit ziet en wat dat betekent? Ja, eigenlijk niet. Maar als het gaat om het vervangen van jobs. Ik neem even een fictief voorbeeld, de advocatuur. Je kan heel veel werkzaamheden van junior medewerkers in die wereld laten uitvoeren door AI straks. Heel snel, heel eenvoudig. Normaal als iemand van een law school komt, dan gaat die persoon eerst junior zijn. en die gaat dan voor mijn part eerst files uit de kelder halen en voorbereiden voor een advocaat. En daarna mag je misschien die dingen doorlezen en een advies schrijven. Ik ben niet helemaal bekend in die wereld. Maar op die manier wordt deze advocaat uiteindelijk de senior. Maar als AI dit gaat doen voor de senior, hoe gaan we dan ooit nog seniors krijgen? Want die juniors worden niet meer opgeleid als seniors. En in heel veel vakgebieden gaat misschien die kennis allemaal zitten in die agents, maar vergeten we dus mensen op te leiden om uiteindelijk in die seniorrollen terecht te komen. Dus dat zijn dingen waar ik volgens mij denk, hoe gaan we dat dan oplossen? Ja, dat is een goede vraag. Ik heb het antwoord ook niet. We hebben het hier intern ook. Qua software bouwen worden we natuurlijk ook geraakt. Maar ik vind het ook wel een mooie ontwikkeling. Maar het vraagstuk van Junior, Media of Senior, die hebben we hier ook. Dus daar zijn we ook aan het puzzelen van hoe doe je dat? Hoe lang mogen mensen wel of geen AI gebruiken in het begin? Hoe sluiten straks nog de scholen aan? Dus de HBO's, de WO's op het gebied van softwareontwikkeling. Zijn er straks andere eigenschappen gewoon nodig? Vaardigheden? Het is aardig dat je de laatste zegt. We hadden het voorheen. Ik heb een zoon die vrijdag zijn bul krijgt van de Erasmus Universiteit. Is nu bezig met zijn master Business Information Management. Je ziet gelukkig dat het curriculum bij die universiteiten ook daarop aangepast is. Zij kunnen er ook kiezen uit onderwerpen als van leiderschap in de nieuwe wereld van AI. Of de impact van AI op organisaties en hoe die organisatie moet gaan voorgeven. Dus daar gelukkig bij de nieuwe generatie wordt er al op voorgesorteerd. Ja, en uiteindelijk in ons vak bijvoorbeeld. softwareontwikkeling bestaat eigenlijk niet uit het maken van regels code. Het gaat uiteindelijk om analytische vaardigheden en het juiste oplossing vinden bij het businessprobleem waar we eigenlijk mee begonnen hebben. Dus je hebt een businessprobleem, je wil waarde creëren en een deel zit dan in de technologie en daar komen wij dan mee kijken. Dus daar gaat waarschijnlijk ook een verschuiving plaatsvinden. Misschien is straks wel het effect dat dat er veel meer mensen kunnen programmeren. Dus nu moeten we uit een hele kleine vijver vissen. Er zijn al heel veel mensen die zijn aan het vibe-code, met alle gevolgen van die. Nu moet jij misschien wat uitleggen. Vibe-code? Oh, vibe-code is dat je dus aan je taalmodel, dus je hebt een idee voor een stukje software, en dan kan je dat nu ook op gaan vragen. En in één keer, je kon niet programmeren, maar door vragen te stellen en door fouten die je eruit krijgt, ook weer te voeden aan het systeem, krijg je uiteindelijk een functioneel werkend stukje software. Hoe die technisch in elkaar zit, dat daar allerlei privacyvraagstukken in zitten, beveiliging niet goed is, dat soort zaken. Maar mensen kunnen functioneel in één keer iets voor elkaar krijgen. Maar daarmee kunnen ze misschien wel hun gedachten scherpen in het analyseren van een probleem. Dus misschien verschuift dan... Noemen we dat niet een klein beetje de translatorrol van dag en dag? Ja, bijvoorbeeld. En uiteindelijk zullen er ook, volgens mij zijn dat nu een van de best betaalde banen in Amerika. De mensen die in alle ... kunnen prompten in, die goed weten wat ze moeten vragen aan een agent of een AI-oplossing, om er een goed resultaat uit te krijgen over. Want je kunt heel snel een vraagje stellen, maar dan is de kans dat het antwoord eruit komt en dat dat niet helemaal goed is of niet helemaal aansluit, dat het ook veel groter dan wanneer je een heel duidelijke instructie geeft. Precies. En als we die dan bijvoorbeeld koppelen aan iemand die technisch heel vaardig is. Misschien gaat het dan sneller. Maar dat zal de toekomst uit moeten wijzen. Daarbij is dan het agentic gedeelte natuurlijk ook weer wel heel spannend. Want als het om gen AI gaat, waarbij AI met ons werkt en wij zelf nog moeten prompten. Als straks die agents zelfstandig gaan werken en denken, dan hebben we daar eigenlijk geen zicht meer op of wat daarin gaat. Nee, wij bouwen zeg maar al in die zin agentic. We spinnen een aantal agents op die het werk gewoon uitvoeren. En gaat het er inderdaad om? Hoe hou je die eigenlijk? Het is een soort van wilde stier. En wij worden de rodeo-rijders die die wilde stier een beetje in bedwang moeten houden. En hoe controleren we het dan? Dan kijk ik weer op mijn papiertje naar jullie Aigency. Hoe hou je dat dan transparant, uitlegbaar, betrouwbaar? Hoe houdt de gebruiker het vertrouwen erin? of nemen we het maar voor lief straks? Dat zijn best wel hele grote vraagstukken. Kijk, ik kom uit nog dat we met machine learning bezig waren. Dus dan hebben we het over 4GPT, voor generatieve AI. En daar was uitlegbaarheid een heel belangrijk onderdeel. Dat als je een model zelf getraind had, dat je dan ook de uitkomsten die er komen, dat dat uitlegbaar is, dat je ook weet wat de volgende stap zou zijn. Ik gebruik heel vaak het voorbeeld van een model, Omdat dat voor iedereen heel makkelijk is. En die gaf namelijk de kans op nabloedingen bij mensen die bloedverdunners gebruiken. En als jij dat in een zeer ernstige vorm hebt, kan je gewoon doodbloeden. Dus dat model gaf het risico aan van nabloedingen. En als dat niet uitlegbaar is, wat de reden is waardoor je zo'n verhoogd risico hebt. En daar kan je dus ook geen actie ondernemen. Ja, misschien dat je kan zeggen van binnen nu en twee weken kan je doodbloeden. Van ik ga misschien veel te kroeg in. Maak je je bloed trouwens nog dunner. Maar echte acties. Dit model was dan getraind op 140, 150 verschillende variabelen. Dus er zijn echt wel knopjes waar je aan kan draaien. Kijk, aan je leeftijd kan je niet draaien. Maar aan andere knopjes kan je wel draaien. Dan is het wel fijn als een model zegt. Deze variabelen. Die hebben de meeste impact gehad. Op de voorspelling. Dat je een zeer ernstige nabloeding krijgt. En dan kan je dus als arts. Als patiënt. Kan je actie ondernemen. Vertalen we dit nu naar die taalmodellen. Daar ben ik ook heel vaak onderzoek. En dat soort dingen aan het lezen. Er bestaat eigenlijk nog niet een uitlegbaarheid. over hoe zij tot een resultaat komen. Je hebt de chain of thought. Dat je aan de taalmodel vraagt. Doe nou eens een denkstappen. Werkt dit uit een denkstappen? Maar die antwoorden die je dan krijgt, die stappen, wil niet zeggen dat hij die intern ook al zodanig uitvoert. Dus de uitlegbaarheid met grote taalmodellen is nog een behoorlijk onontgonnen gebied. Een heel eenvoudig voorbeeld voor mezelf. Ik heb een boek op mijn nachtkastje liggen waar ik nu mee bezig ben. De titel ontgaat me even. Het voorwoord is van Alexander Klubbing. Dan heb je het hele voorwoord gelezen. En dan zegt hij, het zal je niet verrassen, dit is door AI geschreven. Maar dan laat hij ook wel zijn prompt zien. En dat is ook al een A4'tje. Dat is er blijkbaar nodig om dat voorwoord eruit te halen. Maar in de eerste hoofdstukken laten ze ook dezelfde vraag stellen ze dezelfde tools En dan zie je ook al de verschillende antwoorden die eruit komen. Uit dezelfde vraag komen totaal verschillende antwoorden natuurlijk. Ja, en zo zit die technologieën in elkaar. Dus ook als je aan ChatGPT tien keer dezelfde vraag krijgt, krijg je tien keer een ander antwoord. Of je moet een guardrail, een vangrail moet je raken en dan krijg je altijd hetzelfde antwoord die zegt van, je mag geen antwoord op geven. Maar dat heeft te maken met dat er willekeurig is geïnjecteerd in het model. Anders krijgen we namelijk hele saaie teksten eruit. Ja, ja. We hebben nog een hoop te doen. Ja, zeker. Als je nou tips zou mogen meegeven aan CDO's. Wat zouden jouw belangrijkste tips zijn rondom het onderwerp van AI? Nou, kijk, ik zit natuurlijk niet op de inhoud als het gaat om de technologie van AI, maar wel op dat voorbereidende stuk. Ja, heel belangrijk. Ik zou zeggen, beste CDO, maar dat is ook mijn oproep aan de CEO en de CFO, zorg dat je aan tafel komt en dat je de regie neemt in dat speelveld van alle stakeholders. Dat is het allerbelangrijkste wat ze op dit moment kunnen doen. Dus niet alleen maar aan die datakant blijven zitten en bezig zijn met het ontwikkelen van producten proposities. Maar zorg dat je aan die tafel komt van de C-suite, want daar hoor je echt terecht. Aan die tafel. Ja, mooi. Is er een vraag die ik niet gesteld heb, die je wel had verwacht? Of gehoopt? Nee, eigenlijk niet. Want ik zei aan het begin, het is natuurlijk een beetje spannend als je komt met een propositie van value first, AI second, dat je met een AI kenner gaat praten. Dus nee, dat is eigenlijk niet voorbij gekomen voor mij. Eigenlijk wel jammer dat ik daar eigenlijk mee eens ben met het hele value first en AI second. Ik sluit namelijk de korte columns ook altijd af van AI is onmisbaar waar het past. Maar het moet wel passen. Dus het is niet een hamer voor iedere oplossing. Nee, dat klopt. Het begint inderdaad bij doelstellingen. soms helpt technologie erbij. En binnen die technologie helpt soms AI erbij. En waarbij we dan ook misschien moeten zeggen, want dat begonnen we in het begin ook, blijf ook wel vooral proberen natuurlijk. Dus het is niet zo dat je geen AI moet doen, want er is geen business case. Soms is het ook belangrijk om gewoon lekker te freewheelen en dat met de business te delen. Dit kan ook, dat moeten we niet vergeten. Nee, maar dan zou ik er wel aan willen toevoegen dat je dan ook leerdoelen eigenlijk neerzet. Want dat is dan je waarde. Dus dan is je waarde het leren. Dus dan ga je daar kijken van wat wil je leren. Tot welk niveau. En dan mik je dus ook op die leerdoelen. En dat is dan wat anders. Dan is dat je zegt van nu gaan we voor de business ontwikkelen. Ja, dat klopt. En dat zou je eventueel ook een waarde kunnen geven natuurlijk. In datzelfde stramien. Precies. Die boom van... Ik moet er nu eens aan denken. Die boom van waarde. Want daar hebben we het niet over gehad. De kostenkant kun je ook inzichtelijk maken. Als je weet welk dataproduct levert aan welke use cases, dan kan een bepaald dataproduct wel heel veel belangrijker zijn dan een ander dataproduct dat maar aan één use case levert. Maar dus value first, AI second. En wil je nog even aangeven wie er komt spreken op het outvie en wanneer het is? Het is 2 december in Utrecht. Ik ga er nu voor de derde keer naartoe. En ook bewust omdat het een heel goed inhoudelijk event is. Niet met honderd kraampjes van leveranciers, maar gewoon echt inhoud voor de CDO. Dus ben je CDO, head of data, head of governance, ga daar echt naartoe. Want al jouw peers zijn daar ook. Wij zijn daar samen met een van de vendoren die we vertegenwoordigen. Die heet Mindfuel. En hun CEO, Nadiem van Heidebrand. Die gaat daar spreken. En dat is echt een begeisterde kerel. Jonge vent. Heel veel energie. Pet je op, maar weet van de route aan de rand. Kijk, klinkt goed. Dankjewel Kees. Dankjewel. Leuk dat je weer luisterde naar deze aflevering. Vergeet je niet te favor... Zo, ik ga weer... Vergeet je niet te abonneren op je favoriete podcast app. En dan mis je geen aflevering. Tot de volgende keer hoor.