AI websites bouwen: mythes over data en de laatste stap

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, wil een van de hardnekkige mythes over 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. ### De realiteit over imperfecte data Volgens een recent artikel in AI Fieldbook suggereren leveranciers en consultants – niet verrassend – dat je enorme data lakes en meerjarige datatransformatieprogramma's nodig hebt. Directeuren krabben zich dan ook achter de oren. De werkelijkheid is iets anders. "De tools zijn nog nooit zo goed geweest om met slechte kwaliteit data om te gaan," zegt Rose. "Het is bijna opmerkelijk wat een LLM kan begrijpen van een half ingetypte prompt." Dat klinkt logisch. Als je zo'n tool tot je beschikking hebt, is het de moeite waard om die in je voordeel te gebruiken – met de juiste waarborgen. De inherente onvoorspelbaarheid van modellen vraagt om een aanpak voor foutieve output, en daar komt de mens in de loop om de hoek kijken. Voor tekstuele of categorische data is er veerkracht ingebouwd. "Mensen zijn gewend aan 'we bouwen het, het werkt, we vergeten het'," zegt Rose. "Maar zo werken deze systemen gewoon niet."  ### Voorbeeld uit de medische sector Rose geeft een voorbeeld van een klant in de medische sector die wilde migreren naar een ander facturatie- en afstemmingssysteem. De dossiers waren een mix: sommige in PDF, andere als afbeelding; de procedure stond soms in de naam van de arts, de artsennaam stond in de patiëntnaam, enzovoort. De generatieve AI kon met een simpele prompt de schone data identificeren – van OCR op afbeeldingen tot tekstextractie uit PDF's. Daarna werden meer agentische benaderingen gebruikt, zoals het vergelijken van een klantrecord met een verzekeringscontract om te controleren of het juiste tarief in rekening was gebracht. "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 wat je wilt doen is zeggen: we begonnen met 20% automatisering, daarna 40%, dan 60%, 80%, en dat in de loop van de tijd laten groeien."  ### De volgende stap: kosten en draagbaarheid Voor de toekomst verwacht Rose dat discussies over deze modellen zich gaan richten op 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 data centers hoeven te bouwen in het tempo dat we nu doen?" "De laatste stap is: hoe krijgen we deze dingen op een laptop of telefoon te draaien in plaats van in een data center? De modellen zijn getraind op een enorme dataset – in feite elke pagina op internet en nog wat. Het is niet alsof er nog heel veel data is die niet al in de modellen zit en 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 wil 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 wel een cloud-omgeving, en dat is waar ik zou beginnen. 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." Zodra dat op zijn plek is, staat JBS Dev klaar voor de volgende stappen van de reis.