AI website bouwen: mythes over imperfecte data ontkracht

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, wil graag een hardnekkige mythe doorbreken over het 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 realiteit over datakwaliteit Vendors en consultants suggereren vaak dat je enorme datalakes en meerjarige datatransformatieprogramma's nodig hebt. Logisch, want dat is goed voor hun business. Maar de werkelijkheid 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 half ingetypte prompt." Dat klinkt misschien te mooi om waar te zijn, maar het klopt wel. Als je zo'n krachtige tool hebt, is het zonde om die niet te gebruiken – mits je de juiste waarborgen inbouwt. De onvoorspelbaarheid van modellen betekent dat je slechte output moet kunnen opvangen. Daar komt de mens in de loop om de hoek kijken. 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 waren PDF, andere een afbeelding; de procedure stond soms onder de naam van de arts, de artsennaam stond weer in het patiëntendossier, enzovoort. Gen AI kon met een simpele prompt de schone data eruit halen: van OCR voor afbeeldingen tot tekstextractie voor PDF's. Vervolgens werden agentische technieken ingezet, 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 in de loop nodig. Maar je wilt zeggen: 'we begonnen met 20% automatisering, daarna 40%, dan 60, 80%', en dat geleidelijk opbouwen."  ### De toekomst: kosten en draagbaarheid Rose verwacht dat de komende discussies over AI-modellen draaien om kosten en draagbaarheid. "Ik denk dat je een verschuiving gaat 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 draaiende in plaats van in een datacenter? De modellen zijn getraind op een enorme hoeveelheid data – eigenlijk elke pagina op internet en nog veel meer. Er is niet nog een berg extra data die niet al in de modellen zit en die tot een doorbraak kan leiden." ### Doe het zelf: stop met SaaS Op de AI & Big Data Expo, waar JBS Dev deelneemt, kijkt Rose uit naar de gesprekken. Een controversiële mening die hij zal verkondigen: 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 daar zou ik beginnen. De cloudtools – vooral van de grote drie – hebben alles wat je nodig hebt om morgen agentische workloads te implementeren, zonder nieuwe softwarelicenties en nieuwe training." Zodra dat staat, is JBS Dev er om je te helpen met de volgende stappen van de reis.