AI en onvolmaakte data: de laatste mijl naar duurzame kosten

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, wil graag een mythe ontkrachten over werken met generatieve en agentische AI-systemen. "Het is een veelvoorkomend misverstand dat je data perfect moet zijn voordat je dit soort workloads kunt uitvoeren," legt hij uit. ### De mythe van perfecte data Vendors en consultants suggereren vaak dat je enorme datalakes en jarenlange datatransformatieprogramma's nodig hebt. Dat is logisch vanuit hun perspectief, maar het klopt niet helemaal. De werkelijkheid is anders. "De tools zijn nog nooit zo goed geweest als nu om met slechte kwaliteit data om te gaan," zegt Rose. "Het is bijna opmerkelijk wat een LLM kan begrijpen van een halfgeschreven prompt." Het werkt eigenlijk vrij simpel. Als je zo'n krachtige tool hebt, kun je die inzetten met de juiste veiligheidsmaatregelen. De onvoorspelbaarheid van modellen betekent wel dat je slechte output moet kunnen opvangen. Daar komt de mens in beeld. Voor tekstuele of categorische data is er een zekere veerkracht. "Mensen zijn gewend aan 'we bouwen het, het werkt, we vergeten het,'" zegt Rose. "Maar zo werken deze systemen niet." ### Een praktijkvoorbeeld uit de medische sector Rose geeft een voorbeeld van een klant in de medische sector. Het doel was om over te stappen naar een ander factuurvereveningssysteem. De dossiers waren een mix: sommige in PDF, andere als afbeelding. Soms stond de procedure onder de naam van de arts, of stond de naam van de arts in het veld voor de patiënt. De generatieve AI kon de schone data halen uit een simpele prompt: van OCR voor afbeeldingen tot tekstextractie voor PDF's. Vervolgens werden agentische benaderingen gebruikt, zoals het vergelijken van een klantrecord met een verzekeringscontract om te controleren of het juiste tarief werd berekend. "Je begint verschillende use cases op elkaar te stapelen," zegt Rose. "Dat betekent niet dat alles perfect gaat - je hebt nog steeds een mens nodig. Maar wat je wilt doen is zeggen: 'we begonnen met 20% automatisering, daarna 40%, 60%, 80%' en dat zo in de loop van de tijd laten groeien." ### De verschuiving naar duurzame kosten Rose verwacht dat toekomstige discussies over deze modellen zullen gaan over kosten en draagbaarheid. "Ik denk dat je een verschuiving gaat zien weg van radicale sprongen in modelcapaciteit, en meer richting 'hoe maken we de kosten duurzamer zodat we niet datacenters hoeven te bouwen in het tempo dat we nu doen?'" zegt hij. "De laatste mijl is 'hoe krijgen we deze dingen op een laptop of telefoon te draaien in plaats van in een datacenter?' De modellen zijn getraind op een enorme hoeveelheid data - eigenlijk elke pagina op het internet en nog wat. Het is niet alsof er nog heel veel data is die niet al in de modellen zit en die tot een doorbraak kan leiden." ### Doe het zelf in plaats van SaaS Op de AI & Big Data Expo, waar JBS Dev aan meedoet, kijkt Rose uit naar de gesprekken. Een controversiële mening die hij zal geven: stop met kopen van SaaS-vendors als je het zelf kunt doen. "Het is niet zo moeilijk als het klinkt," zegt hij. "Bijna iedereen heeft wel een cloud-aanwezigheid. Daar zou ik beginnen, want de cloud-tools, vooral van de grote drie, hebben alles wat je nodig hebt om morgen met agentische workloads te beginnen, zonder nieuwe softwarelicenties of training." ### Belangrijke punten om te onthouden: - Perfecte data is niet nodig om te starten met AI-workloads - Gebruik de kracht van LLM's om met rommelige data om te gaan - Houd altijd een mens in de loop voor kwaliteitscontrole - Begin met automatisering op 20% en groei naar 80% of meer - Cloud-tools bieden alles wat je nodig hebt zonder extra SaaS-kosten Zodra die basis op orde is, staat JBS Dev klaar voor de volgende stappen van de reis.