AI vliegt in het duister: waarom grote bedrijven hun eigen data niet meer begrijpen

Het onderschatte AI-risico: waarom datachaos bedrijven miljoenen kan kosten

De hype rondom kunstmatige intelligentie maakt steeds meer plaats voor een ontnuchterende realiteit in de top van het bedrijfsleven. Hoewel de taalmodellen van OpenAI, Google en anderen steeds krachtiger worden, faalt het productieve gebruik ervan in de praktijk vaak door een enorm, maar vaak genegeerd probleem: interne datachaos. Wanneer contracten, chatgeschiedenissen, e-mails en spreadsheets ongestructureerd verspreid liggen over talloze afdelingen en systemen, staan ​​zelfs de meest intelligente AI-agenten machteloos of raken ze volledig in de war. Juist in deze kwetsbaarheid ontstaat een snelgroeiende markt van miljarden dollars. Gespecialiseerde startups en gevestigde techreuzen bouwen zogenaamde semantische datalagen – het nieuwe, centrale besturingssysteem voor bedrijfsdata. Maar deze technologie brengt niet alleen enorme efficiëntiewinsten en revolutionaire betaalmodellen met zich mee, maar ook concrete risico's op het gebied van cybersecurity en afhankelijkheid. Dit artikel duikt diep in de architectuur van de AI-toekomst en onderzoekt wat deze transformatie betekent voor de economie – van grote bedrijven tot middelgrote ondernemingen.

Dit is hiermee gerelateerd:

• Unframe AI | AI-klare data. Gebouwd op basis van de systemen die u al gebruikt.

Uit een oud probleem ontstaat een markt van miljarden dollars

Het debat rond kunstmatige intelligentie in het bedrijfsleven is de afgelopen twee jaar fundamenteel veranderd. Waar de focus aanvankelijk lag op welk taalmodel de beste antwoorden opleverde, staat nu een veel pragmatischer aspect centraal: de kwaliteit, actualiteit en toegankelijkheid van de data waarmee deze modellen moeten werken. Een enquête onder honderd senior data- en technologiemanagers van bedrijven met een omzet van meer dan twee miljard dollar en meer dan vijfduizend werknemers schetst een ontnuchterend beeld. Bijna alle respondenten – om precies te zijn 99 procent – ​​worstelen met het definiëren van consistente bedrijfsstatistieken voor verschillende tools en afdelingen. Bijna 80 procent van de datateams besteedt meer dan de helft van hun tijd aan het voorbereiden van data in plaats van er daadwerkelijk inzichten uit te halen. Deze cijfers laten zien dat semantische inconsistentie niet langer een marginaal probleem is, maar juist de basis vormt van het besturingssysteem waarop veel grote bedrijven nog steeds draaien.

Een nieuwe categorie aanbieders vult precies dit gat op en positioneert zich als een schakel tussen de gefragmenteerde realiteit van bedrijven en de eisen van moderne AI-systemen. Hun belofte is om alle databronnen van een bedrijf – van e-mails en contracten tot ERP- en CRM-systemen – te consolideren in een continu gesynchroniseerde, beheersbare laag. Het succes van deze belofte blijkt uit het geval van de Californisch-Israëlisch-Duitse startup Unframe, die binnen twaalf maanden na de officiële marktintroductie al meer dan honderd miljoen dollar aan contracten binnenhaalde. De meest recente financieringsronde van vijftig miljoen dollar, geleid door Highland Europe, bracht het totale opgehaalde bedrag op honderd miljoen dollar. Zulke groeicijfers zijn een opmerkelijk signaal van een reële, en niet slechts beweerde, behoefte in een marktsegment dat pas een paar jaar bestaat.

Waarom traditionele data-architecturen AI belemmeren

Om de implicaties van deze ontwikkeling te begrijpen, is het de moeite waard om te kijken naar de historische functie van datawarehouses. Decennialang waren deze geoptimaliseerd voor één enkel doel: retrospectieve rapportage. Kwartaalcijfers, verkoopstatistieken, key performance indicators voor het management – ​​dit alles kon naar behoren worden weergegeven met behulp van periodiek bijgewerkte, sterk gestructureerde databases. Kunstmatige intelligentie, met name agentgebaseerde systemen die zijn ontworpen om zelfstandig beslissingen te nemen of acties te initiëren, vereist echter iets fundamenteel anders. Het heeft operationele informatie nodig die in realtime actueel is en gekoppeld aan daadwerkelijke bedrijfsprocessen. Een AI-agent die een beslissing in de supply chain moet ondersteunen, kan niet werken met data die drie weken oud is en uitsluitend is voorbereid voor retrospectieve analyse.

Deze discrepantie wordt verergerd door een ander structureel probleem. Schattingen van grote technologiebedrijven suggereren dat tot wel 90 procent van de bedrijfsgegevens ongestructureerd is en verspreid over documenten, chatgeschiedenissen, supporttickets, facturen en agenda-items. Deze enorme hoeveelheid informatie valt grotendeels buiten het bereik van traditionele, op spreadsheets gebaseerde dataopslagplaatsen en was simpelweg ontoegankelijk voor traditionele analysetools. Zonder een uniforme semantische laag die zowel gestructureerde als ongestructureerde content consistent weergeeft, blijft het vrijwel onmogelijk om informatie uit diverse bronnen te consolideren en deze als betrouwbare context aan een AI-model aan te bieden.

Een apart benchmarkproject dat de datavolwassenheid voor generatieve AI beoordeelt, komt tot een structureel vergelijkbare conclusie, zij het met een andere weging. In deze studie noemde 59 procent van de ondervraagde managers datakwaliteit en -consistentie als de grootste hindernis voor het productieve gebruik van generatieve AI, gevolgd door gefragmenteerde datalandschappen (50 procent) en problemen met gegevensbeveiliging en privacy (eveneens 50 procent). Opvallend is ook dat slechts 13 procent van de bedrijven die al generatieve AI gebruiken, kan voorkomen dat gevoelige gegevens, zoals klant- of werknemersinformatie, ongefilterd in taalmodellen terechtkomen. Dit wijst op een governancekloof die veel verder reikt dan technische compatibiliteitsproblemen en direct leidt tot problemen op het gebied van gegevensbescherming en wettelijke aansprakelijkheid.

Het bedrijfsmodel achter de nieuwe datalaag

Het fundamentele principe dat aanbieders zoals Unframe nastreven, kan worden beschreven in vier functionele stappen. Ten eerste worden bedrijfssystemen, applicaties, dataopslagplaatsen, bestanden en API's verbonden met het platform. Vervolgens worden deze heterogene bronnen getransformeerd tot één enkele, beheersbare datalaag die van toepassing is op de gehele organisatie. De derde stap omvat continue synchronisatie met de bronsystemen, zodat de datalaag geen verouderde momentopname wordt, maar de werkelijke status van de organisatie weerspiegelt. Pas in de vierde stap wordt deze basis gebruikt om kunstmatige intelligentie, analyses en automatisering aan te drijven – allemaal gebouwd op dezelfde consistente basis.

Conceptueel gezien lijkt deze aanpak op een soort digitale tweeling van de organisatie, maar niet primair voor het simuleren van fysieke processen. In plaats daarvan dient het om klanten, producten, contracten en transacties in een consistente weergave in kaart te brengen. De economische aantrekkingskracht van een dergelijk model ligt in het feit dat elke nieuwe AI-toepassing niet helemaal vanaf nul hoeft te beginnen om toegang te krijgen tot relevante bedrijfsgegevens. Elke toepassing maakt in plaats daarvan gebruik van dezelfde, reeds opgeschoonde en verrijkte basis. Dit kan de kosten van elk volgend AI-project aanzienlijk verlagen, omdat het meest complexe en vaak onderschatte onderdeel van een AI-project – data-integratie en -opschoning – slechts eenmaal hoeft te worden uitgevoerd.

Unframe omschrijft zijn aanbod als modulaire, herbruikbare bouwstenen die kunnen worden samengevoegd tot oplossingen op maat, zonder dat voor elk gebruiksscenario een apart model hoeft te worden getraind. Het zogenaamde Framery functioneert als een open platformlaag die kan worden gekoppeld aan elk Software-as-a-Service-aanbod, API, database of bestandsformaat, ongeacht of de infrastructuur in de cloud, on-premises of in een hybride omgeving wordt beheerd. Voor Europese, en met name Duitse, bedrijven is een ander aspect van groot belang: het platform werkt onafhankelijk van een specifieke aanbieder van taalmodellen, wat betekent dat er geen binding is met een bepaalde aanbieder. Bovendien wordt expliciet geadverteerd met naleving van de Europese Algemene Verordening Gegevensbescherming (AVG) en de EU-wetgeving inzake kunstmatige intelligentie. Gegevens zouden standaard de systeemgrenzen van de klant niet mogen verlaten, tenzij hier expliciet om wordt gevraagd.

Resultaatgerichte prijsstelling als vertrouwenssignaal in een wantrouwende markt

Een bijzonder onthullend aspect van de bedrijfsstrategie schuilt in het prijsmodel. In tegenstelling tot traditionele softwareleveranciers die licentiekosten in rekening brengen ongeacht het daadwerkelijke voordeel, hanteert Unframe een resultaatgericht factureringsmodel. Klanten betalen alleen wanneer een oplossing aantoonbaar werkt en resultaten oplevert. Deze beslissing is geenszins toevallig, maar een direct antwoord op diepgewortelde scepsis in directiekamers. Zoals de medeoprichter van het bedrijf publiekelijk heeft verklaard, zijn bedrijven het zat om te investeren in oplossingen die in de overgrote meerderheid van de gevallen falen. Daarom eisen ze een model waarbij betaald wordt voor daadwerkelijk succes.

Deze constatering sluit aan bij de bredere ervaring van veel bedrijven die al jaren experimenteren met zogenaamde proof-of-concept-projecten zonder deze in productiesystemen te integreren. Een aanzienlijke achterstand aan veelbelovende AI-toepassingen, talloze pilotprojecten, en toch vrijwel niets dat daadwerkelijk in de dagelijkse bedrijfsvoering wordt gebruikt – dit vat het uitgangspunt samen voor veel bedrijven die zich tot deze nieuwe categorie aanbieders wenden. De economische kern van deze belofte ligt in het verschuiven van het risico van een mislukt project van de klant alleen naar (gedeeltelijk) het risico van de aanbieder zelf. Dit verandert de stimulansstructuur fundamenteel en is waarschijnlijk een van de belangrijkste redenen voor de waargenomen groeidynamiek, met name de eerder genoemde netto-omzetretentie van 400 procent, wat betekent dat bestaande klanten hun uitgaven gemiddeld binnen een jaar hebben verviervoudigd.

Wie de klanten zijn en wat dat zegt over de mate van marktvolwassenheid

De genoemde referentieklanten schetsen een interessant beeld van de verschillende sectoren. Onder de genoemde bedrijven bevinden zich de vastgoedbedrijven Cushman & Wakefield en Avison Young, het cybersecuritybedrijf Armis en de Zwitserse uitgeverij NZZ. Daarnaast worden toepassingen beschreven voor luchtvaartmaatschappijen om de personeelsplanning te optimaliseren en voor retailers om verkoopacties te plannen. Deze spreiding over vastgoed, media, beveiliging, luchtvaart en detailhandel suggereert dat dit geen niche-oplossing is voor één enkele sector, maar eerder een sectoroverschrijdend infrastructuurprobleem dat zich kennelijk voordoet in zeer uiteenlopende economische contexten.

Ook interessant is de geografische en organisatorische structuur van het bedrijf. Unframe met het hoofdkantoor in Cupertino, Californië, en extra vestigingen in Tel Aviv en Berlijn, belichaamt een trans-Atlantische of transcontinentale opzet die typisch is voor de technologiesector, waarbij Amerikaans kapitaal, Israëlische technologische ontwikkeling en nabijheid tot de Europese markt worden gecombineerd. Voor een bedrijf met een Duitse focus is het bijzonder relevant dat de operationele medeoprichter expliciet vanuit Berlijn werkt en dat het bedrijf herhaaldelijk heeft deelgenomen aan Europese digitale evenementen zoals de Mind the Tech-conferentie in Berlijn. Dit duidt op een weloverwogen strategische focus op de Europese markt, die vanwege strengere eisen op het gebied van gegevensbescherming en een over het algemeen voorzichtiger houding ten opzichte van de ongecontroleerde overdracht van bedrijfsgegevens aan Amerikaanse cloudproviders, andere eisen stelt dan de Noord-Amerikaanse markt.

Het concurrentielandschap en de wedloop tussen de techreuzen

De beschreven trend beperkt zich geenszins tot gespecialiseerde startups. Ook gevestigde technologiebedrijven hebben het probleem van gefragmenteerde bedrijfsdata als een belangrijk groeigebied aangemerkt. Dell Technologies heeft samen met Nvidia een AI-dataplatform ontwikkeld met als doel tientallen jaren aan gefragmenteerde bedrijfsdata om te zetten in bruikbare inzichten. Een senior productmarketingmanager bij Dell stelde terecht dat de oplossing voor het dataprobleem niet alleen het opslagniveau moet aanpakken, maar de gehele pipeline moet omvatten, van data-invoer en -beheer tot -orkestratie, zodat de data uiteindelijk op betrouwbare wijze de rekenkracht van de grafische processors bereikt.

IBM benadrukte in zijn beoordeling van de belangrijkste datatrends voor 2026 dat bedrijven zonder een geconvergeerd platform dat uniforme toegang biedt tot gestructureerde en ongestructureerde data, niet in staat zullen zijn om analyses en autonome automatisering met de vereiste snelheid en betrouwbaarheid te implementeren. Deze beoordeling van een van 's werelds oudste en grootste IT-bedrijven onderstreept dat dit geen nicheprobleem is voor kleine leveranciers, maar een fundamentele structurele uitdaging die wordt gezien als een kritieke bottleneck in de hele sector. IBM benadrukt expliciet dat geen enkele leverancier dit probleem alleen kan oplossen, aangezien de integratie van gedistribueerde data en de ontwikkeling van de noodzakelijke infrastructuur voor autonome AI-systemen een breed ecosysteem van partners en technologieën vereist.

Deze analyse werpt belangrijk licht op de daadwerkelijke concurrentiedynamiek. Er ontstaat geen markt waarin één winnaar de hele waardeketen domineert, maar eerder een veelheid aan aanbieders met verschillende focuspunten, sommige complementair, andere concurrerend met elkaar. Gespecialiseerde aanbieders zoals K2View richten zich expliciet op operationele, productieklare data-architecturen, terwijl infrastructuurbedrijven zoals Dell en Nvidia de onderliggende rekenkracht leveren en platformaanbieders zoals Unframe de kloof overbruggen tussen ruwe data en inzetbare AI-toepassingen.

Beheerd AI-platform - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• Beheerd AI-platform

Goed bestuur als onderschatte concurrentiefactor

Een aspect dat vaak over het hoofd wordt gezien in het publieke debat over kunstmatige intelligentie is de kwestie van governance – dat wil zeggen, controle over wie toegang heeft tot welke data, hoe deze wordt verwerkt en hoe specifieke AI-beslissingen eraan kunnen worden gekoppeld. Uit het eerdergenoemde onderzoek onder honderd data managers blijkt dat 87 procent van de respondenten meer transparantie eist over hoe kunstmatige intelligentie hun data gebruikt en interpreteert. Dit is een opmerkelijk hoog percentage en suggereert dat vertrouwen in de betrouwbaarheid van AI-systemen geen bijzaak is, maar juist een cruciale voorwaarde voor een bredere acceptatie ervan binnen organisaties.

De prioriteiten voor de middellange termijn van de ondervraagde bedrijven voor de komende drie tot vijf jaar bevestigen dit beeld. Schaalbaarheid over verschillende databronnen wordt door 92 procent als prioriteit genoemd, de overdraagbaarheid van data en key performance indicators (KPI's) door 83 procent, en governance en observeerbaarheid van kunstmatige intelligentie door 82 procent. Deze drie prioriteiten zijn nauw met elkaar verbonden. Zonder schaalbare datastructuren die consistent zijn over systeemgrenzen heen, kan geen betrouwbare governance worden opgezet, en zonder governance blijft elke schaalvergroting verbonden aan aanzienlijke juridische en reputatierisico's, met name met betrekking tot de Europese Algemene Verordening Gegevensbescherming (AVG) en de nu van kracht zijnde AI-wetgeving van de Europese Unie.

Dit is met name belangrijk voor Duitse en Europese bedrijven, aangezien het regelgevingskader aanzienlijk strenger is dan in de Verenigde Staten of een groot deel van Azië. Europese bedrijven die een datalaag voor kunstmatige intelligentie implementeren, moeten vanaf het begin nadenken over hoe persoonsgegevens worden beschermd, hoe verwerkingsprocedures worden gedocumenteerd en hoe beslissingen van AI-systemen transparant kunnen worden gemaakt in geval van een geschil. Aanbieders die deze eisen vanaf het begin in hun architectuur integreren, bijvoorbeeld door data volledig binnen hun eigen systeem te houden, verkrijgen een structureel voordeel ten opzichte van concurrenten die voornamelijk afhankelijk zijn van Amerikaanse cloudinfrastructuren met minder strenge regelgeving.

Economische gevolgen voor Duitse mkb-bedrijven

Hoewel de tot nu toe genoemde referentieklanten voornamelijk grote, internationaal opererende bedrijven zijn, rijst de terechte vraag naar de relevantie van dit onderwerp voor Duitse mkb's, die traditioneel de ruggengraat van de Duitse economie vormen. Op het eerste gezicht lijkt de situatie voor kleinere bedrijven minder dramatisch, omdat ze vanzelfsprekend minder systemen en kleinere hoeveelheden data hebben. Bij nader onderzoek blijkt echter dat mkb's die in de loop der jaren organisch zijn gegroeid en diverse losse oplossingen hebben geïmplementeerd voor boekhouding, voorraadbeheer, klantrelatiebeheer en communicatie, te maken hebben met een structureel vergelijkbaar fragmentatieprobleem – alleen op kleinere schaal.

De cruciale economische vraag is daarom niet of het probleem bestaat, maar of een investering in een uniforme datalaag economisch te rechtvaardigen is gezien de beperkte IT-budgetten. De opkomst van resultaatgerichte prijsmodellen, zoals die door Unframe zijn geïntroduceerd, zal hier waarschijnlijk een belangrijke rol spelen, aangezien dit model het financiële risico voor kleinere bedrijven aanzienlijk verlaagt. Tegelijkertijd kan worden aangenomen dat slankere, meer gespecialiseerde oplossingen zich zullen vestigen voor middelgrote bedrijven in plaats van de uitgebreide platforms die zijn ontworpen voor multinationals met een omzet van miljarden dollars. De fundamentele logica dat een consistente, continu gesynchroniseerde datalaag een voorwaarde is voor elke zinvolle AI-toepassing, blijft echter geldig, ongeacht de omvang van het bedrijf.

Risico's en open vragen met betrekking tot de nieuwe datalaag

Hoewel deze ontwikkeling aanzienlijke aandacht verdient, mogen de bijbehorende risico's niet over het hoofd worden gezien. Het migreren van het volledige bedrijfsdatalandschap naar een uniforme, centrale laag creëert onvermijdelijk een uiterst aantrekkelijk doelwit voor cybercriminelen. Een succesvolle inbreuk op deze centrale datalaag kan veel verdergaande gevolgen hebben dan een inbreuk op een enkel, geïsoleerd systeem, omdat het direct toegang kan verschaffen tot klant-, contract- en financiële gegevens van het hele bedrijf. De beveiligingsarchitectuur van dergelijke platforms moet daarom uitzonderlijk robuust zijn en bedrijven moeten kritisch onderzoeken hoe gedetailleerde toegangsrechten worden beheerd en welke encryptiestandaarden worden geïmplementeerd bij de keuze van een leverancier.

Een ander, strategischer risico schuilt in de afhankelijkheid van één enkele platformaanbieder. Hoewel Unframe expliciet benadrukt dat het niet gebonden is aan een specifiek taalmodel, vormt de onderliggende datalaag zelf nog steeds een aanzienlijke structurele afhankelijkheid. Mocht een bedrijf besluiten over te stappen naar een andere aanbieder, dan is de migratie van een bedrijfsbrede datalaag die in de loop der jaren is gegroeid waarschijnlijk een aanzienlijke onderneming, vergelijkbaar met de bekende uitdagingen bij het overstappen naar grote ERP-systemen. Dit soort vendor lock-in-effect wordt door de aanbieders zelf natuurlijk zelden aangepakt, maar het zou wel moeten worden meegenomen in de evaluatie van elke strategische beslissing.

Ten slotte blijft de vraag naar de daadwerkelijke kwaliteit van de resultaten bestaan. Zelfs de meest geavanceerde datalaag kan niet garanderen dat de daaruit voortvloeiende AI-beslissingen foutloos zijn. Vooral bij autonome, agentgebaseerde systemen die zelfstandig acties initiëren, blijft de vraag naar aansprakelijkheid in geval van fouten onbeantwoord. Als een AI-agent een onjuiste zakelijke beslissing neemt op basis van een gebrekkig gesynchroniseerde datalaag – bijvoorbeeld door een contractbepaling verkeerd te interpreteren of een foutieve beslissing in de toeleveringsketen te nemen – rijst direct de vraag naar aansprakelijkheid, een vraag die tot nu toe zowel contractueel als wettelijk onvoldoende is aangepakt.

Een nuchtere beoordeling van de daadwerkelijke vooruitgang

Een kritische beoordeling van deze ontwikkeling vereist voorzichtigheid ten aanzien van overdreven beloftes van een wondermiddel. Het idee dat kunstmatige intelligentie binnen enkele dagen binnen een bestaande bedrijfsomgeving kan worden geïmplementeerd en productieklaar gemaakt, is wellicht waar voor specifieke, duidelijk gedefinieerde toepassingen, maar voor de overgrote meerderheid van complexe bedrijfsprocessen is het waarschijnlijk een aanzienlijke simplificatie van de werkelijkheid. Ervaring met eerdere golven van digitale transformatie, zoals de introductie van cloudinfrastructuur of de implementatie van ERP-systemen, laat zien dat zelfs technisch geavanceerde oplossingen regelmatig falen als gevolg van weerstand binnen de organisatie, onvoldoende datakwaliteit in de bronsystemen en een gebrek aan bereidheid tot verandering bij het personeel.

Tegelijkertijd is de onderliggende diagnose onmiskenbaar correct. De fragmentatie van bedrijfsdata is reëel, empirisch goed gedocumenteerd en vormt inderdaad een van de belangrijkste knelpunten voor het productieve gebruik van kunstmatige intelligentie. De vraag is daarom minder of een uniforme, AI-compatibele datalaag zinvol is, maar eerder welke specifieke aanpak het meest economisch haalbaar is voor een bepaald bedrijf met zijn unieke historische systeemlandschap, risicotolerantie en beschikbare budget. Voor bedrijven die tot nu toe hebben geaarzeld om dit probleem aan te pakken, bieden de marktontwikkelingen van de afgelopen twee jaar een belangrijke aanwijzing: wie blijft experimenteren met geïsoleerde, ongecoördineerde pilotprojecten, zal op middellange termijn achterop raken bij concurrenten die vroegtijdig hebben geïnvesteerd in een consistente datafundament.

Het doorbreken van datasilo's: de weg naar interoperabele AI voor bedrijven

De ontwikkeling in de komende jaren zal in belangrijke mate afhangen van de vraag of er uniforme standaarden voor interoperabiliteit tussen verschillende datalagen en AI-platformen worden vastgesteld. Als de industrie erin slaagt open protocollen te ontwikkelen die ervoor zorgen dat verschillende aanbieders van datalagen en AI-modellen naadloos kunnen samenwerken, zou dit de bestaande afhankelijkheidsrisico's aanzienlijk verminderen en de concurrentie intensiveren, wat gunstig is voor de klanten. Eerste stappen in deze richting zijn al zichtbaar, bijvoorbeeld door de ondersteuning van open interfaceprotocollen die integratie met bestaande, interne AI-assistenten mogelijk maken zonder dat deze volledig vervangen hoeven te worden.

Voor Duitse bedrijven, die van oudsher nogal terughoudend zijn in het omarmen van nieuwe digitale technologieën, maar wel een gegevensbeschermingscultuur hebben die internationaal gezien strikt en in veel opzichten voorbeeldig is, biedt deze ontwikkeling een interessante strategische kans. Aanbieders die vanaf het begin voldoen aan de Europese compliance-eisen in hun architectuur, kunnen een aanzienlijk voordeel behalen op het gebied van vertrouwen, met name in Duitstalige landen, ten opzichte van puur Amerikaanse aanbieders, waarvan de gegevensverwerkingspraktijken traditioneel minder transparant zijn en onderworpen aan minder strenge regelgeving. Duitse bedrijven die vroegtijdig een consistente, governance-proof datalaag opzetten, zullen niet alleen een technologisch, maar ook een concurrentievoordeel op het gebied van regelgeving behalen. Dit voordeel zal naar verwachting de komende jaren steeds waardevoller blijken naarmate de praktische implementatie van de Europese AI-wetgeving verder vordert.

Konrad Wolfenstein

Ik sta graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen via wolfenstein∂xpert.digital of

U kunt me bellen op +49 7348 4088 965 .

LinkedIn