AI met imperfecte data: de laatste mijl naar kostenbesparing

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, wil een mythe doorbreken 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. ### Waarom perfecte data niet nodig is Leveranciers en consultants suggereren vaak dat je enorme datalakes en meerjarige datatransformatieprogramma's nodig hebt. Dat klinkt als een nachtmerrie voor elke manager. Maar de realiteit is anders. "De tools zijn nog nooit zo goed geweest om met slechte data om te gaan," zegt Rose. "Het is bijna opmerkelijk wat een LLM kan begrijpen van een halfgeschreven prompt." Denk er even over na. Als je zo'n krachtige tool hebt, kun je die in je voordeel gebruiken, mits je de juiste veiligheidsmaatregelen neemt. De inherente onvoorspelbaarheid van modellen vraagt om een menselijke check. Voor tekstuele of categorische data is er al veerkracht ingebouwd. "Mensen zijn gewend aan 'we bouwen het, het werkt, we vergeten het'," zegt Rose. "Maar zo werken deze systemen niet."  ### Praktijkvoorbeeld: medische sector Rose geeft een voorbeeld van een klant in de medische sector die wilde migreren naar een nieuw facturatie- en reconciliatiesysteem. De dossiers waren een rommeltje: sommige in PDF, andere als afbeelding. Soms stond de procedure onder de naam van de arts, of stond de artsennaam bij de patiënt. Gen 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 je wilt zeggen: we begonnen met 20% automatisering, daarna 40%, dan 60, 80%, en dat langzaam laten groeien." ### Toekomst: kosten en draagbaarheid Rose verwacht dat toekomstige discussies over AI-modellen gaan over kosten en draagbaarheid. "Ik denk dat we een verschuiving gaan zien van radicale sprongen in modelcapaciteit naar 'hoe maken we de kosten duurzamer, zodat we niet in hetzelfde tempo datacenters hoeven te bouwen?'," zegt hij. "De laatste mijl is: hoe krijgen we deze dingen op een laptop of telefoon in plaats van in een datacenter? De modellen zijn getraind op een enorme hoeveelheid data – zo ongeveer elke pagina op het internet en meer. Er is niet nog een berg data die niet al in de modellen zit en die tot een doorbraak zal leiden." ### Doe het zelf: stop met SaaS als het kan Op de AI & Big Data Expo, waar JBS Dev aanwezig is, kijkt Rose uit naar de gesprekken. Een controversiële mening die hij zal delen: stop met kopen van SaaS-leveranciers als je het zelf kunt doen. "Het is niet zo moeilijk als het klinkt," zegt hij. "Bijna iedereen heeft een cloudomgeving, en dat is waar ik zou beginnen. De cloudtools, vooral van de grote drie, hebben alles wat je nodig hebt om morgen met agentische workloads te starten, zonder nieuwe softwarelicenties of training." Zodra dat op orde is, staat JBS Dev klaar voor de volgende stappen. - Begin klein: automatiseer 20% van een proces en bouw uit. - Gebruik cloudtools om direct te starten. - Houd een mens in de loop voor kwaliteitscontrole.