JBS Dev: Imperfecte data en de laatste AI-mijl

Sophie Jansen · 2026-05-12

Joe Rose, president van strategisch technologiebedrijf JBS Dev, wil een hardnekkige mythe rond AI ontkrachten. 'Het idee dat je data perfect moet zijn voordat je met AI aan de slag gaat, is een groot misverstand,' zegt hij. Volgens een recent artikel in AI Fieldbook beweren leveranciers en consultants dat je enorme datalakes en meerjarige transformatieprogramma's nodig hebt. Logisch dat directeuren daar hoofdpijn van krijgen. De werkelijkheid is anders. 'De tools om met slechte data om te gaan zijn nog nooit zo goed geweest,' legt Rose uit. 'Het is bijna ongelooflijk wat een LLM kan begrijpen van een half geschreven prompt.' ### Waarom imperfecte data geen probleem hoeft te zijn Heb je eenmaal zo'n tool, dan kun je die in je voordeel gebruiken - met de juiste waarborgen. De onvoorspelbaarheid van modellen betekent dat je slechte output moet kunnen opvangen. Daar komt de mens om de hoek kijken. Voor tekstuele of categorische data is er een bepaalde veerkracht. 'Mensen zijn gewend aan 'we bouwen het, het werkt, we vergeten het',' zegt Rose. 'Zo werken deze systemen niet.' Rose geeft een voorbeeld van een klant uit de medische sector die wilde overstappen naar een ander facturatiesysteem. De gegevens waren een mix: sommige in PDF, andere als afbeelding; de procedure stond soms op naam van de arts, de artsnaam stond weer in het patiëntdossier, enzovoort. De AI kon de schone data uit een simpele prompt halen, van OCR voor afbeeldingen tot tekstextractie voor PDF's. Vervolgens werden meer agentische benaderingen gebruikt, zoals het vergelijken van een klantrecord met een verzekeringscontract om te zien of het juiste tarief in rekening was gebracht.  ### Automatisering stap voor stap opbouwen '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%, 60%, 80% - en dat langzaam opbouwen.' ### De volgende uitdaging: kosten en draagbaarheid Rose verwacht dat toekomstige discussies over AI gaan over kosten en draagbaarheid. 'Ik denk dat we een verschuiving gaan zien van radicale sprongen in modelcapaciteit naar de vraag: hoe maken we de kosten duurzaam, zodat we niet in hetzelfde tempo datacentra hoeven te bouwen?' 'De laatste mijl is: hoe krijgen we deze dingen op een laptop of telefoon aan de praat in plaats van in een datacenter? De modellen zijn getraind op een enorme hoeveelheid data - eigenlijk elke pagina op het internet en meer. Het is niet alsof er nog bergen nieuwe data zijn die tot een doorbraak zullen leiden.' ### Doe het zelf: stop met dure SaaS Tijdens de AI & Big Data Expo, waar JBS Dev aanwezig is, kijkt Rose uit naar de gesprekken. Hij heeft een controversiële mening: 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 een cloud-omgeving. Begin daarmee, want de cloud-tools - vooral van de grote drie - hebben alles wat je nodig hebt om morgen al agentische workloads te implementeren, zonder nieuwe softwarelicenties of training.' Als dat eenmaal staat, is JBS Dev er voor de volgende stappen. - AI kan imperfecte data verwerken, in tegenstelling tot wat vaak wordt gedacht. - Begin met kleine automatisering en bouw dit langzaam op. - Focus op kostenbesparing en draagbaarheid van AI-modellen. - Gebruik bestaande cloud-tools in plaats van dure SaaS-licenties. 'Het gaat erom dat je begint en leert,' besluit Rose. 'De technologie is er, de rest is doorzettingsvermogen.'