Waarom AI businesscontext niet kan verzinnen (en jij wel)
AI lijkt tegenwoordig overal een antwoord op te hebben. Vraag het naar patronen, verbanden of afwijkingen en het rolt ze moeiteloos voor je uit. Vraag het naar businesscontext, en je krijgt steeds vaker te horen dat “AI dit vanzelf begrijpt”. Dat klinkt aantrekkelijk. Want wie wil er nu nog vergaderen over definities als een algoritme het ook kan doen?
Toch zit hier precies de nuance. AI kan context herkennen, afleiden en suggesties doen, maar betekenis ontstaat niet vanzelf. Zeker niet op businessniveau. En dat is geen tekortkoming van AI — dat is simpelweg hoe organisaties werken.
Wat bedoelen we eigenlijk met businesscontext?
Op businessniveau gaat context over ogenschijnlijk simpele vragen. Wat is een klant? Wat verstaan we onder omzet? Wanneer is een casus afgesloten? Welke definitie geldt hier: juridisch, commercieel of operationeel? En minstens zo belangrijk: waar is dat begrip eigenlijk geïmplementeerd in data, rapportages en processen?
In de praktijk blijken dit zelden eenduidige vragen. Een “klant” kan in het ene domein een persoon zijn, in het andere een contract en in een derde een combinatie van beide. En omzet? Dat hangt af van timing, correcties, uitzonderingen en beleidskeuzes die ooit zijn vastgelegd — of juist niet.
Businesscontext vraagt daarom om samenhang tussen begrippen, hun definities, hun technische implementaties, hun gebruik in rapportages en AI-modellen, en de governance die bepaalt welke variant leidend is. Zonder die samenhang ontstaat interpretatie. En interpretatie is precies waar misverstanden beginnen.
Waar haalt AI die context dan vandaan?
AI werkt niet in een vacuüm. Het baseert zich op wat beschikbaar is via connectoren. De meest waardevolle bron is zonder twijfel een goed onderhouden business glossary of semantisch model. Hier staan expliciete definities, relaties tussen begrippen, eigenaarschap en status vastgelegd. Dit is geen luxe; het is het ankerpunt voor betekenis. Zonder glossary is semantiek per definitie instabiel.
Daarnaast kan AI veel leren van transformatielogica in SQL, dbt-modellen en ETL-ketens. Het herkent filters, aggregaties en tijdsdimensies en kan daaruit afleiden dat iets “op omzet lijkt”. Maar hier zit meteen de beperking: AI ziet wat er gebeurt, niet waarom. Het herkent patronen, geen intentie. Of het hier gaat om bruto-, netto-, geboekte of gefactureerde omzet blijft zonder expliciete labeling giswerk.
BI-artefacten vormen een derde bron. Dashboards, maatdefinities, labels en gebruikspatronen geven AI inzicht in hoe data wordt gebruikt. Het kan zien welke definities dominant zijn en waar afwijkingen bestaan. Maar populariteit is geen autoriteit. Dat iets vaak wordt gebruikt, betekent niet dat het correct is. AI kan signaleren, niet legitimeren.
Ook data quality-regels leveren context. Validaties zoals “orderdatum mag niet in de toekomst liggen” of “klant moet een geldig identificatienummer hebben” geven impliciete informatie over businessregels. Maar zolang deze regels niet expliciet zijn gekoppeld aan businessbegrippen, blijft de context fragiel en moeilijk herleidbaar.
Hoe maakt AI hier één geheel van?
Moderne metadata-platformen combineren deze bronnen via contextconstructie. Glossary-termen fungeren als anker. Lineage, SQL en BI-metadata verrijken het beeld. AI detecteert conflicten tussen definities en kent een mate van zekerheid toe aan de afgeleide context.
Belangrijk detail: dit is probabilistisch. Geen waarheid, maar waarschijnlijkheid. Dat is prima voor ondersteuning, maar riskant als beslissingen hier blind op worden gebaseerd. AI zegt in feite: “Dit lijkt erop”, niet “Dit ís het”.
Waar liggen de harde grenzen?
De grootste beperking is dat business-intentie niet observeerbaar is. Beleidskeuzes, juridische interpretaties, strategische afspraken en tijdelijke uitzonderingen leven buiten datasets. Ze staan in notulen, mails en hoofden van mensen. AI ziet gedrag, geen besluitvorming.
Daarnaast zijn concepten zonder expliciete naam onzichtbaar. Als hetzelfde begrip in verschillende domeinen anders heet, kan AI hooguit vermoeden dat ze verwant zijn. Zonder semantische koppeling blijft het gokken. En gokken is zelden een solide basis voor governance.
Impliciete definities zijn bovendien instabiel. Een kleine wijziging in SQL of naming kan de hele afgeleide context laten kantelen. Zonder expliciete vastlegging is betekenis niet reproduceerbaar. En wat niet reproduceerbaar is, is niet bestuurbaar.
Wat betekent dit architectonisch?
AI kan businesscontext versterken, verbinden en toetsen. Maar het kan niet bedenken wat niet expliciet is vastgelegd. Organisaties die AI serieus willen inzetten, moeten investeren in heldere begrippen, in koppelingen tussen definitie en implementatie, in eigenaarschap en in een governance proces dat wijzigingen beheersbaar maakt.
AI fungeert daarbovenop als versneller, kwaliteitscontrole en detectiemechanisme. Het maakt inconsistenties zichtbaar die anders verborgen blijven. Maar het fundament blijft menselijk werk. Of zoals een ervaren data-architect het ooit samenvatte: “AI is briljant in het vinden van fouten, maar verrassend slecht in het nemen van verantwoordelijkheid.”
AI fungeert daar bovenop als versneller, kwaliteitscontrole en detectie-mechanisme. Het maakt inconsistenties zichtbaar die anders verborgen blijven. Maar het fundament blijft mensenwerk. Of zoals een ervaren data-architect het ooit samenvatte: “AI is briljant in het vinden van fouten, maar verrassend slecht in het nemen van verantwoordelijkheid.”
De nuchtere conclusie
Connectoren geven AI zicht op structuur, gedrag en gebruik. Maar business betekenis ontstaat pas wanneer organisaties die betekenis expliciet maken. AI kan die semantiek verbinden met de technische realiteit, toetsen op consistentie en helpen bij schaal en snelheid.
Zonder die expliciete vastlegging blijft “AI-context” vooral een slimme suggestiemachine. Nuttig, soms indrukwekkend, maar niet gezaghebbend. Of, om het luchtig te houden: AI kan je helpen de route te plannen, maar als niemand weet waar de bestemming ligt, kom je nog steeds nergens aan.
En precies daar blijft de rol van mensen — en goede data-professionals — onverminderd belangrijk.
