Het is dinsdagochtend en het MT bespreekt de evaluatie van de AI pilot. De financieel directeur vraagt de assistent hoeveel actieve klanten jullie hebben. Er komt 1.840 uit. De commercieel directeur heeft in zijn eigen rapport 2.310 staan. Beide getallen zijn correct berekend en toch kan niemand aan tafel zeggen welk getal klopt. Het model doet precies wat het moet doen. Wat ontbreekt is AI context.
Dat is de kern van deze blog. Een AI pilot mislukt zelden op het model. Hij mislukt op wat het model niet over jouw organisatie weet. Onderzoek van MIT NANDA uit 2025 laat zien dat maar 5 procent van de AI toepassingen die bedrijven op maat laten bouwen in productie komt. Het onderzoek keek naar meer dan 300 implementaties in de eerste helft van 2025.
Ligt het aan het model?
De eerste reflex na een tegenvallende pilot is bijna altijd dezelfde. We kiezen een beter model. We schrijven langere instructies. We vragen een andere leverancier. De onderzoekers van MIT NANDA zien de oorzaak ergens anders. Volgens hen ligt het minder aan de kwaliteit van het model en meer aan de uitvoering. Ze noemen werkprocessen die niet aansluiten en systemen die context en feedback niet vasthouden.
Terug naar het MT. Een duurder model rekent sneller met dezelfde twee definities van actieve klant. Het antwoord wordt daar niet juister van. Het klinkt alleen zekerder.
Welke context mist AI over jouw organisatie?
Een taalmodel kent de wereld maar niet jouw bedrijf. Het weet wat een klant in het algemeen is. Het weet niet dat bij jullie een klant pas telt als er in de afgelopen twaalf maanden een factuur is verstuurd. Het weet dat finance en sales verschillende rollen hebben. Het weet niet dat bij jullie de CFO ook eindverantwoordelijk is voor de prijsstrategie. En het weet niet welke van jullie zeventien systemen leidend is voor contractwaarde en welke drie elkaar al jaren tegenspreken.
Zonder die context gaat het model raden. Soms gaat dat goed. Vaak gaat het net verkeerd genoeg om een manager naar een verkeerde conclusie te leiden. Juist omdat het antwoord zo overtuigend klinkt.
Waarom lost betere documentatie het niet op?
De klassieke oplossing is beter documenteren. Er komt een begrippenlijst of een datacatalogus of een wikipagina met definities. Dat werkt een kwartaal. Daarna veroudert het omdat niemand er eigenaar van is en niemand merkt dat de werkelijkheid verschuift. Je eindigt met een map vol documentatie die niemand meer opent.
Documentatie staat los van de systemen die hij beschrijft. Hij is naslagwerk en geen waarheid. Een assistent die zijn context uit een verouderd document haalt geeft verouderde antwoorden. Een agent die beslist op basis van onduidelijke definities neemt onduidelijke beslissingen.
Hoe leg je AI context vast zodat hij klopt?
De oplossing is geen nieuw document. Afspraken over je data krijgen dezelfde status als afspraken over software. In de softwarewereld heten ze tests. In de datawereld spreken we van data contracts of werkafspraken. Drie eigenschappen maken het verschil.
- Eén vindplaats. Elke afspraak staat op precies één plek. Mensen en AI weten hem allebei te vinden.
- Een eigenaar. Per afspraak is één persoon verantwoordelijk. Verandert de werkelijkheid dan past die eigenaar de afspraak aan.
- Automatische controle. De afspraak is een regel die je kunt toetsen. Breekt een systeem de afspraak dan weet je het meteen.
Zo ziet dat eruit voor de vraag uit het MT.
In de MT-vergadering had de assistent dan één getal gegeven. Met de definitie erbij en de bron waar het vandaan komt. Het gesprek gaat dan over wat het getal betekent en niet meer over welk getal klopt.
Is jouw organisatie klaar voor AI?
Loop deze acht vragen door voordat je een AI pilot start. Doe het voor de begrippen die in de pilotvraag zitten. Elk nee is een plek waar het model gaat raden.
Wat kun je morgen al doen?
Hier heb je geen nieuw systeem voor nodig. Vaak zitten er maar een paar begrippen in één vraag.
Waar Spreash helpt
In Spreash® leg je deze context één keer vast in de digitale blauwdruk van je organisatie. Definities en eigenaren en bronnen staan op één plek. Werkafspraken controleren zichzelf en melden zich als een bron ervan afwijkt. Via de API haalt je AI die context live op zodat elk antwoord rust op één waarheid. Hoe dat werkt lees je in de release van november 2026.
Wat kost onduidelijke context jouw organisatie?
Wil je weten wat onduidelijke definities en ontbrekend eigenaarschap jou nu kosten? De rekentool geeft in twee minuten een indicatie op basis van je organisatiegrootte en branche.
Leg het fundament onder je AI strategie
Op donderdag 26 november laten we in een half uur zien hoe je werkafspraken inricht en koppelt aan je AI. Of start vandaag met een gratis testomgeving.