De verleiding is groot. Bedrijven, IT-verantwoordelijken en businessafdelingen willen vandaag allemaal “iets met AI”. Daarbij gaat de discussie vaak meteen over de keuze van het model. Wordt het ChatGPT, Claude, Gemini of Copilot? Of kiest men toch beter voor een open source-model? Volgens Frank Beerlage, directeur van Cloudera in de Benelux, is dat echter niet de juiste eerste vraag.
Wie AI ernstig wil inzetten, moet niet beginnen bij het model, maar bij de data. Waar bevindt die data zich? Wie heeft er toegang toe? Is de kwaliteit voldoende? Kan de organisatie data verplaatsen wanneer dat juridisch, technisch of financieel nodig blijkt? En kan data die verspreid staat over eigen datacenters, colocatieomgevingen, Europese cloudproviders en hyperscalers toch beheerd worden alsof het één samenhangend geheel is?
“Het begint met de architectuur, niet met de modellen”, zegt Beerlage in een gesprek met Belgium Cloud. “De discussie moet gaan over waar de data staat en wie eigenaar is van die data.”
De AI-realiteit komt dichterbij
Volgens Beerlage staan veel organisaties op een kantelpunt. De eerste golf van generatieve AI draaide vooral om experimenteren. Medewerkers probeerden nieuwe tools uit, afdelingen startten pilots en managementteams zagen vooral hoe snel nieuwe mogelijkheden beschikbaar kwamen. Maar nu steeds meer AI-projecten richting productie evolueren, worden ook de onderliggende problemen duidelijker.
Beerlage vat die risico’s samen in drie woorden: onbetrouwbaar, onbeheersbaar en onbetaalbaar. Niet omdat AI op zich geen waarde heeft, benadrukt hij, maar omdat de datalaag bij veel organisaties nog niet klaar is voor grootschalig gebruik. “Als we op deze manier doorgaan met AI, dan wordt AI onbetrouwbaar, onbeheersbaar en onbetaalbaar”, stelt hij.
Die analyse sluit aan bij de cijfers uit Cloudera’s Data Readiness Index 2026. Daaruit blijkt dat veel organisaties wel overtuigd zijn van hun datastrategie, maar in de praktijk nog met stevige beperkingen kampen. Zo zegt 85 procent van de ondervraagde IT-leiders dat hun datastrategie duidelijk is gedefinieerd. Tegelijk geeft 79 procent aan dat data-initiatieven worden afgeremd omdat ze niet bij alle nodige data in verschillende omgevingen kunnen. Minder dan één op de vijf respondenten zegt bovendien dat alle data volledig wordt beheerd en onder governance valt.
Het probleem zit onder de motorkap
Aan de voorkant lijkt AI vaak eenvoudig. Een gebruiker stelt een vraag en krijgt vrijwel meteen een antwoord. Maar net die eenvoud kan misleidend zijn. Een AI-model kan een overtuigend antwoord geven, ook wanneer de onderliggende data onvolledig, verouderd of slecht beheerd is. Dat maakt AI in bedrijfsomgevingen risicovol, zeker wanneer medewerkers gevoelige bedrijfsinformatie in publieke AI-diensten invoeren.
Beerlage verwijst daarbij naar het klassieke principe “garbage in, garbage out”. Alleen wordt dat principe in het AI-tijdperk gevaarlijker. De output ziet er vaak zo professioneel en geloofwaardig uit dat gebruikers geneigd zijn het antwoord te vertrouwen, zonder nog goed te controleren waarop het gebaseerd is.
“Wij vuren een vraag af en krijgen een antwoord. Dan denken we dat het antwoord goed is”, zegt Beerlage. “Sterker nog: we kunnen vaak niet meer controleren wat er precies gebeurt. Welke data is gebruikt? Welke logica is toegepast?”
Daarmee komt de discussie automatisch uit bij governance, security en compliance. 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 België kan andere rechten hebben dan een collega in Nederland. En wanneer AI-agents zelfstandig taken uitvoeren of andere agents aansturen, wordt die rechtenstructuur nog belangrijker.
Volgens Beerlage mag dit niet achteraf worden opgelost. Het moet ingebouwd zijn in de datalaag zelf. De vraag is dus niet alleen of een organisatie AI kan inzetten, maar vooral of zij dat gecontroleerd, herleidbaar en veilig kan doen.
Eén datalaag over meerdere werelden
Een belangrijk punt in Beerlage’s betoog is dat de discussie over data vaak te zwart-wit wordt gevoerd. Het gaat niet om de keuze tussen alles on-premise of alles in de publieke cloud. In de praktijk staat data vandaag op allerlei plaatsen: in eigen datacenters, bij colocatiepartijen, in private clouds, bij partners, bij Europese cloudproviders en bij Amerikaanse hyperscalers.
Die hybride realiteit zal niet verdwijnen. Cloudomgevingen blijven nuttig voor snelheid, flexibiliteit en experimenten. Maar organisaties moeten vermijden dat hun data-architectuur zo afhankelijk wordt van één omgeving dat ze later nauwelijks nog kunnen bewegen.
“We willen ook niet alles terug naar binnen halen”, zegt Beerlage. “Eerst hadden we Big Data met alles on-premise. Daarna kwam de tweede golf: alles naar 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, datatoegang, dataverplaatsing en AI. Organisaties moeten data kunnen inzetten waar dat het meest logisch is: lokaal, in een private omgeving, bij een Europese cloudprovider of bij een hyperscaler. Maar ze moeten daarbij wel controle houden over de data, de toegangsrechten 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 elke toepassing heeft het krachtigste model nodig. Soms volstaat een kleiner model. In andere gevallen is een specifiek open source-model “goed genoeg”, zeker wanneer het dichter bij de eigen data draait en beter beheersbaar is.
“Je hebt niet altijd een Rolls-Royce nodig om naar de supermarkt te gaan”, vat hij samen.
Dat betekent niet dat grote commerciële modellen geen waarde hebben. Ze kunnen bijzonder nuttig zijn voor experimenten, algemene taken of specifieke use cases. Maar bij bedrijfskritische processen moet een 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 een uitrol naar honderden of duizenden medewerkers kunnen tokenkosten snel oplopen.
Beerlage verwijst naar een voorbeeld van een wealthmanagementorganisatie met een extern gehoste AI-assistent. Tijdens de pilotfase bleven de kosten relatief beperkt. Maar bij een bredere uitrol naar meer dan duizend gebruikers zou het jaarlijkse tokengebruik oplopen tot miljoenen. Door vergelijkbare functionaliteit in een eigen omgeving te draaien, vielen die tokenkosten weg en werden de totale kosten aanzienlijk lager.
Daarmee wordt AI niet alleen een technologisch vraagstuk, maar ook een thema voor de CFO. In een pilot blijven de kosten vaak overzichtelijk. In productie kan dat snel veranderen. “Zoals veel organisaties AI tot nu toe aanpakken, is de kans groot dat de kosten enorm zullen oplopen”, zegt Beerlage. “Je moet als organisatie heel goed nadenken hoe je hiermee omgaat, anders valt de kosten-batenanalyse snel tegen.”
Niet stoppen met AI, maar volwassen worden
De boodschap van Beerlage is niet dat organisaties moeten stoppen met AI. Integendeel. Hij ziet veel waarde in AI voor uiteenlopende toepassingen: van klantenservice tot pensioeninformatie, van telecomnetwerken tot risicoanalyse en know-your-customerprocessen. Maar hij waarschuwt wel 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 wil openstellen voor duizenden medewerkers, klanten of partners, verandert het verhaal. Dan moet vooraf duidelijk zijn hoe data wordt beheerd, hoe toegangsrechten worden toegepast, hoe prompts worden vastgelegd, hoe modellen toegang krijgen tot data en hoe de omgeving later kan worden aangepast of verplaatst.
“AI voor een proof of concept kunnen we morgen doen”, zegt Beerlage. “Maar willen we AI voor de hele organisatie, dan moeten we echt een architectuur bedenken.”
Die architectuur moet niet alleen technisch doordacht zijn, maar ook autonomie bieden. Organisaties willen kunnen kiezen. Ze willen kunnen werken met Europese cloudproviders, private clouds, colocatieomgevingen, hyperscalers of eigen infrastructuur. Maar ze willen niet dat die keuze achteraf een fuik blijkt te zijn.
Data readiness wordt een bestuursvraagstuk
De Data Readiness Index van Cloudera toont dat veel organisaties de urgentie voelen, maar nog niet volledig klaar zijn. In het onderzoek worden onder meer datakwaliteit, oplopende kosten en gebrekkige integratie in bestaande workflows genoemd als redenen waarom AI-projecten minder rendement opleveren dan gehoopt. Ook datasilo’s, complexe toegangsprocessen en beperkte zichtbaarheid op waar data zich bevindt, blijven grote struikelblokken.
Voor Beerlage betekent dit dat data readiness niet langer een intern IT-project kan zijn. Het hoort op de bestuurstafel thuis. Zeker bij banken, pensioenfondsen, overheden, zorginstellingen en andere datagedreven organisaties is data geen bijzaak, maar de kern van de werking.
“Data is het allerbelangrijkste wat we hebben”, zegt hij. “Dus moeten we ervoor zorgen dat we daar op de juiste manier mee omgaan.”
Dat vraagt ook om een andere manier van denken. Niet: welk AI-model kopen we? Maar wel: welke data hebben we, waar staat die, hoe betrouwbaar is die, wie mag erbij, hoe kunnen we die verplaatsen en hoe zorgen we ervoor dat AI op een veilige en betaalbare manier waarde toevoegt?
Voorbij de hype
AI zal voorlopig hoog op de agenda blijven staan. De technologie ontwikkelt snel, de toepassingen worden concreter en de druk vanuit business en bestuur neemt toe. Maar net daarom is volgens Beerlage een pas op de plaats nodig. Niet om innovatie af te remmen, maar om te vermijden dat organisaties vastlopen zodra AI echt op grote schaal wordt ingezet.
“Een pas op de plaats is geen stap achteruit”, zegt hij. “Het is de tijd nemen om na te denken over wat we aan het doen zijn.”
AI gaat dus niet alleen over modellen, prompts en agents. De echte strategische vraag ligt dieper. 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.
