AI en imperfecte data: waarom je geen perfecte dataset nodig hebt

Sophie Jansen · 2026-05-12

De meeste bedrijven denken dat ze eerst hun data op orde moeten hebben voordat ze met AI aan de slag kunnen. Maar volgens Joe Rose, president van strategisch technologiepartner JBS Dev, is dat een hardnekkige mythe. 'Het is een veelvoorkomend misverstand dat je data perfect moet zijn voordat je dit soort workloads kunt uitvoeren', legt hij uit. ### De realiteit over imperfecte data Leveranciers en consultants raden vaak aan om enorme datalakes aan te leggen of jarenlange transformatieprogramma's te starten. Logisch, want dat levert hen mooie opdrachten op. Maar de werkelijkheid is anders. 'De tools om met slechte data om te gaan zijn nog nooit zo goed geweest als nu', zegt Rose. 'Het is bijna opmerkelijk wat een LLM kan begrijpen op basis van een half ingevulde prompt.' ### Minder perfectie, meer vooruitgang Een veelgemaakte fout is dat bedrijven denken dat AI-systemen eenmalig worden gebouwd en daarna vergeten kunnen worden. 'Mensen zijn gewend aan: we bouwen het, het werkt, we vergeten het', zegt Rose. 'Maar zo werken deze systemen niet.' De onvoorspelbaarheid van modellen vraagt om een menselijke check. Voor tekstuele data is er gelukkig veerkracht ingebouwd. ### Praktijkvoorbeeld uit de medische sector Rose geeft een concreet voorbeeld van een klant in de medische sector die wilde migreren naar een nieuw facturatiesysteem. De dossiers waren een rommeltje: sommige in PDF, andere als afbeelding. Soms stond de behandeling op naam van de arts, of stond de arts op naam van de patient. Gen AI kon met een simpele prompt de rommelige data opschonen, van OCR voor afbeeldingen tot tekstextractie voor PDF's. Daarna werden agentische benaderingen ingezet, zoals het vergelijken van patientgegevens met verzekeringscontracten om de juiste tarieven te controleren. ### Stap voor stap automatiseren 'Je begint met het stapelen van verschillende use cases op elkaar', zegt Rose. 'Dat betekent niet dat alles meteen perfect is - je hebt nog steeds een mens nodig. Maar je wilt kunnen zeggen: we begonnen met 20% automatisering, toen 40%, daarna 60%, en uiteindelijk 80%. Zo groei je erin.' ### De toekomst: kosten en draagbaarheid Rose verwacht dat de discussie over AI-modellen verschuift van radicale sprongen in mogelijkheden naar kostenbeheersing en draagbaarheid. 'Hoe maken we de kosten duurzamer, zodat we niet in hetzelfde tempo datacenters hoeven te blijven bouwen?' vraagt hij zich af. 'De laatste mijl is: hoe krijgen we deze dingen op een laptop of telefoon aan de praat, in plaats van in een datacenter?' ### Doe het zelf in plaats van SaaS Tijdens de AI & Big Data Expo, waar JBS Dev aanwezig is, komt Rose met een controversiele stelling: stop met het kopen van SaaS-oplossingen als je het zelf kunt doen. 'Het is niet zo moeilijk als het klinkt', zegt hij. 'Bijna iedereen heeft wel een cloud-omgeving, en dat is waar je moet beginnen. De cloud-tools van de grote drie hebben alles wat je nodig hebt om morgen met agentische workloads te starten, zonder nieuwe softwarelicenties of training.' ### Conclusie Perfecte data is geen vereiste om met AI aan de slag te gaan. De tools zijn er, de mogelijkheden zijn er, en met de juiste aanpak kun je stap voor stap automatisering opbouwen. Begin met wat je hebt, gebruik de cloud, en groei van daaruit. JBS Dev helpt je graag bij de volgende stappen.