Imperfecte data? Zo pak je dat aan met AI

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, doorbreekt een hardnekkige mythe over generatieve en agentische AI. 'Het is een misvatting dat je data perfect moet zijn voordat je dit soort workloads kunt draaien', zegt hij. Leveranciers en consultants beweren vaak dat je enorme datalakes en jarenlange transformatieprogramma's nodig hebt. Logisch, want ze verdienen eraan. Maar de werkelijkheid is anders. 'De tools zijn nog nooit zo goed geweest om met rommelige data om te gaan', legt Rose uit. 'Het is bijna wonderbaarlijk wat een LLM kan begrijpen uit een half ingetypte prompt.' ### Waarom imperfecte data geen showstopper is Het klinkt tegenstrijdig, maar juist die imperfectie maakt AI krachtig. Stel je voor: je hebt een stapel oude facturen, sommige in PDF, andere als gescande afbeelding. Soms staat de naam van de arts in het veld van de patiënt. Een klassiek systeem haalt hier zijn haren uit. Maar een generatieve AI pikt het moeiteloos op, met de juiste beveiligingsmaatregelen. Rose geeft een voorbeeld uit de medische sector. Een klant moest overstappen naar een nieuw facturatiesysteem. De data was een puinhoop: gemengde formaten, verkeerde velden. Toch kon de AI met een simpele prompt schone data extraheren. Van OCR op afbeeldingen tot tekstextractie uit PDF's. Daarna volgden agentische benaderingen, zoals het vergelijken van een klantrecord met een verzekeringscontract om te controleren of het juiste tarief werd berekend. 'Je begint met simpele use cases en stapelt ze op elkaar', zegt Rose. 'Het wordt niet meteen perfect – je hebt nog steeds een mens nodig in de loop. Maar je kunt groeien van 20% automatisering naar 40%, 60%, 80%. Dat is de realistische weg.'  ### De volgende stap: kosten en draagbaarheid Rose verwacht dat de discussie rond AI verschuift van modelcapaciteit naar duurzaamheid. 'We gaan radicale sprongen in capaciteit minder zien, en meer focus op: hoe maken we de kosten houdbaar? We kunnen niet doorgaan met datacenters bouwen in hetzelfde tempo.' De echte uitdaging is de 'last mile': AI laten draaien op een laptop of telefoon in plaats van in een datacenter. 'De modellen zijn getraind op een enorme dataset – eigenlijk elke pagina op het internet. Er is niet ineens een schat aan nieuwe data die een doorbraak oplevert.'  ### Doe het zelf: stop met dure SaaS Op de AI & Big Data Expo, waar JBS Dev aanwezig is, heeft Rose een controversiële boodschap: 'Stop met het kopen van SaaS-licenties als je het zelf kunt bouwen. Het is niet zo moeilijk als het klinkt. Bijna iedereen heeft al een cloudomgeving. De tools van de grote drie – AWS, Azure, Google Cloud – bieden alles wat je nodig hebt om morgen agentische workloads te implementeren, zonder extra licenties of training.' ### Praktische tips om te starten - Begin klein: kies een concreet probleem met imperfecte data, zoals het opschonen van klantgegevens. - Gebruik cloud-tools: ze hebben ingebouwde AI-diensten die je direct kunt inzetten. - Houd een mens in de loop: automatiseer stap voor stap, en monitor de output. - Focus op kosten: kies modellen die efficiënt draaien, niet de grootste. JBS Dev helpt bedrijven bij de volgende stappen. Het begint met durven starten, zelfs met rommelige data.