AI Website Bouwen: Mythes over Imperfecte Data Ontkracht

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, wil een van de hardnekkigste mythes over het werken met generatieve en agentische AI-systemen ontkrachten. "Het is een veelvoorkomend misverstand dat je data perfect moet zijn voordat je dit soort workloads kunt uitvoeren," legt hij uit. Volgens een recent artikel in AI Fieldbook suggereren leveranciers en consultants – niet verrassend – dat je enorme datalakes en meerjarige datatransformatieprogramma's nodig hebt. Directeuren staan er dan ook bij te kijken met hun handen in het haar. De realiteit is iets genuanceerder. "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." Dat slaat de spijker op zijn kop. ### Waarom imperfecte data niet het einde van de wereld is Het klinkt logisch: als je zo'n krachtige tool hebt, kun je die in je voordeel gebruiken – mits je de juiste waarborgen inbouwt. De inherente onvoorspelbaarheid van modellen betekent dat je moet kunnen omgaan met slechte output. Daar komt de mens in de lus om de hoek kijken. Voor tekstuele of categoriedata is er veerkracht aanwezig. "Mensen zijn gewend aan 'we bouwen het, het werkt, we vergeten het,'" zegt Rose. "Maar zo werken deze systemen gewoon niet." Neem een voorbeeld uit de praktijk: een klant in de medische sector wilde migreren naar een nieuw factuurvereffeningssysteem. De dossiers waren een mix van PDF's en afbeeldingen. Soms stond de procedure onder de naam van de arts, of stond de artsennaam in het patiëntenveld – een rommeltje. De generatieve AI kon de schone data uit een simpele prompt halen, van OCR voor afbeeldingen tot tekstextractie voor PDF's. Daarna werden meer agentische benaderingen 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 lus nodig. Maar je wilt zeggen: 'we begonnen bij 20% automatisering, daarna 40%, 60%, 80%' en dat langzaam opbouwen."  ### De laatste mijl: van modelcapaciteit naar kostenbeheersing Rose verwacht dat toekomstige discussies over deze modellen gaan over kosten en draagbaarheid. "Ik denk dat je een verschuiving gaat zien van radicale sprongen in modelcapaciteit naar de vraag: hoe maken we de kosten duurzaam, zodat we niet in hetzelfde tempo datacentra hoeven te blijven bouwen?" "De laatste mijl is: hoe krijgen we deze dingen op een laptop of telefoon te draaien in plaats van in een datacentrum? De modellen zijn getraind op een enorme hoeveelheid data – eigenlijk elke pagina op het internet en nog wat. Er is niet ineens een berg nieuwe data die voor een doorbraak gaat zorgen."  ### Doe het zelf: stop met SaaS als je het zelf kunt Op de AI & Big Data Expo, waar JBS Dev aanwezig is, kijkt Rose uit naar de gesprekken. Een controversiële mening die hij wil delen: stop met het kopen van SaaS-licenties als je het zelf kunt doen. "Het is niet zo moeilijk als het klinkt," zegt hij. "Bijna iedereen heeft wel een cloudomgeving. Daar zou ik beginnen, want de cloudtools – vooral van de grote drie – hebben alles wat je nodig hebt om morgen agentische workloads te implementeren, zonder nieuwe softwarelicenties of training." Zodra dat staat, is JBS Dev er om te helpen met de volgende stappen van de reis. Bekijk het volledige interview met Rose hieronder: