AI heeft geen perfecte data nodig: de misvatting die bedrijven jaren kost – Maak een einde aan de migratiemythe

Einde van eindeloze voorbereiding: hoe AI eindelijk echte toegevoegde waarde levert

Kunstmatige intelligentie heeft een enorm potentieel, maar in de praktijk ontaardt het vaak in een dure illusie. De reden is even simpel als fataal: bedrijven transformeren hun ambitieuze AI-initiatieven onbewust in gigantische, resource-intensieve datamigratieprojecten. Het oorspronkelijke doel om snel en meetbaar bedrijfsresultaat te behalen, verandert in een langdurige strijd om de perfecte data-infrastructuur en naadloze consolidatie in centrale datawarehouses. Terwijl miljarden worden geïnvesteerd in de voorbereiding, blijft tweederde van de bedrijven steken in de pilotfase – en de daadwerkelijke waardecreatie blijft achterwege.

Dit artikel onthult waarom het star vasthouden aan een 'infrastructuur-eerst'-strategie regelmatig tot mislukking leidt en waarom een ​​volledige datamigratie niet per se nodig is voor succesvolle AI. Het schetst een broodnodige paradigmaverschuiving: wie vanuit concrete bedrijfsresultaten plant en vertrouwt op gefedereerde data-toegang hoeft niet te wachten op de voltooiing van jarenlange IT-megaprojecten. Leer hoe u data kunt bewaren waar deze is, AI alleen de specifieke context kunt bieden die het nodig heeft en meetbaar succes kunt behalen door middel van gerichte 'snelle winsten' in zeer korte tijd. Het is tijd om de focus te verleggen van pure dataperfectie naar pragmatische waardecreatie met AI.

Dit is hiermee gerelateerd:

• UNFRAME.AI: Datamigratie was nooit het doel. De resultaten van AI wel.

Ontsnappen aan de dataval: AI bekijken vanuit het perspectief van het resultaat

De grootste bedreiging voor AI is datamigratie

AI-projecten mislukken meestal niet vanwege de technologie zelf, maar omdat ze ontaarden in louter IT-infrastructuurprojecten. De consolidatie van alle data wordt ten onrechte als een verplichte vereiste beschouwd.

Denken vanuit het resultaat (reverse engineering)

In plaats van te vragen hoe alle data voor AI voorbereid moet worden, is de essentiële vraag: welke specifieke data-context heeft AI hier en nu nodig om een ​​concreet bedrijfsresultaat te leveren?

Context in plaats van kopiëren (Federated Access)

AI heeft niet het volledige datawarehouse nodig. Technologieën zoals gefedereerde data-toegang, datavirtualisatie en RAG (Retrieval-Augmented Generation) maken het mogelijk om data in de bronsystemen te bewaren en de context pas op het moment van de query samen te stellen. Dit bespaart enorm veel tijd en kosten.

Parallelle werking in plaats van stilstand

Langdurige datamigratie (ETL-processen voor rapportage, historie, enz.) kan en zal waarschijnlijk doorgaan. Het AI-initiatief hoeft hier echter niet op te wachten, maar kan parallel toegang krijgen tot de bestaande, gedistribueerde data.

Flexibiliteit wint het van perfectionisme

Het opzetten van een alomvattend dataschema is inefficiënt. Domeingeoriënteerde, gebruiksspecifieke contextmodellen (vergelijkbaar met de data mesh-aanpak) zijn aanzienlijk veelbelovender.

De kracht van "snelle successen"

Om het vaak aangetaste vertrouwen van belanghebbenden terug te winnen, moeten AI-projecten snel een rendement op investering (ROI) aantonen. Een ideale eerste toepassing (hoge frequentie, meetbare basis, bestaande data) levert binnen enkele weken tastbare resultaten op, waardoor verdere investeringen gerechtvaardigd zijn.

Waarom bedrijven miljarden investeren in infrastructuur in plaats van eindelijk toegevoegde waarde te leveren

De digitale transformatie van de afgelopen jaren heeft een paradoxaal patroon opgeleverd dat alle sectoren doorkruist. Bedrijven investeren aanzienlijke bedragen in kunstmatige intelligentie (AI), maar in de meeste gevallen blijft de daadwerkelijke waardecreatie achter bij de verwachtingen. De reden hiervoor ligt zelden in de technologie zelf, maar in de manier waarop organisaties de overstap naar AI maken. In plaats van zich te richten op meetbare bedrijfsresultaten, veranderen AI-initiatieven geleidelijk in enorme data-infrastructuurprojecten die een eigen leven gaan leiden en hun oorspronkelijke doel uit het oog verliezen. Wat begon als een strategisch initiatief om AI te benutten, eindigt vaak in jarenlange datamigratie zonder zichtbaar rendement op de investering.

Volgens de prognose van Gartner uit december 2025 zullen de wereldwijde uitgaven aan kunstmatige intelligentie in 2025 oplopen tot ongeveer 1,8 biljoen dollar en naar verwachting groeien tot 4,7 biljoen dollar in 2029. Tegelijkertijd laat de McKinsey Global Survey 2025 over de stand van zaken rond AI zien dat 88 procent van de ondervraagde bedrijven AI al in ten minste één bedrijfsfunctie gebruikt, maar dat bijna twee derde zich nog in de experimentele of pilotfase bevindt. Slechts ongeveer zes procent van de bedrijven kwalificeert zich als zogenaamde AI-toppers, waarbij meer dan vijf procent van de EBIT toe te schrijven is aan AI. Deze cijfers illustreren een fundamentele discrepantie tussen het geld dat in AI wordt geïnvesteerd en de waarde die uiteindelijk wordt gegenereerd. Een analyse van deze discrepantie onthult een structureel probleem dat veel verder reikt dan technische kwesties.

Hoe het infrastructuurproject het AI-initiatief heeft opgeslokt

De logica die bedrijven in deze situatie brengt, lijkt op het eerste gezicht plausibel. AI heeft data nodig. Die data is verspreid over talloze systemen. Dus moet die data geconsolideerd worden. Consolidatie vereist migratie. Migratie vereist transformatie. Transformatie vereist governance. Governance vereist programma's voor datakwaliteit. Elke afzonderlijke beslissing in deze keten is op zichzelf redelijk. Maar samen veranderen ze een AI-initiatief in een data-infrastructuurprogramma dat jaren duurt voordat er ook maar één AI-resultaat zichtbaar wordt.

Dit fenomeen is opvallend duidelijk in de data. Volgens het Data Migration Report 2025 van Caylent gaf slechts zes procent van de ondervraagde bedrijven aan hun meest complexe migratieprojecten op schema te hebben afgerond. Bijna de helft van de respondenten ondervond meer dan vijf uur downtime tijdens kritieke migraties, wat leidde tot problemen met de klantervaring, omzetverlies en operationele vertragingen. Een analyse van meer dan 500 bedrijfsreviews laat zien dat ongeveer 73 procent van de datamigratieprojecten mislukt door ontoereikende planning, gebrekkige governance en een gebrek aan platformspecifieke expertise. Tijdsoverschrijdingen van gemiddeld 150 procent zijn geen uitzondering, maar eerder regel.

Deze migratieprojecten ontwikkelen een eigen dynamiek. Ze trekken toegewijde teams aan, genereren hun eigen key performance indicators (KPI's) en krijgen hun eigen sponsors op bestuursniveau, die hun reputatie verbinden aan de voltooiing van het project. De oorspronkelijke AI-toepassingen worden uitgesteld naar de volgende fase, vervolgens naar de periode na de migratie, en uiteindelijk verdwijnen ze geruisloos uit de planningsbesprekingen. Niemand heeft op deze uitkomst gerekend. Het is het gevolg van duizend kleine beslissingen, die op zichzelf te rechtvaardigen zijn, maar die samen leiden tot een strategische verkeerde allocatie van middelen en aandacht.

Een typisch scenario illustreert het probleem. De kwartaalbespreking begint zoals de afgelopen twee jaar. Het datatransformatie-team presenteert de voortgang. De migratie is voor 73 procent voltooid. De datakwaliteit is in zes domeinen verbeterd. De datawarehouse-architectuur heeft de laatste audit doorstaan. De opdrachtgever knikt instemmend bij de voortgangsoverzichten. Dan stelt iemand de vraag die iedereen probeert te vermijden: Wanneer gaat de AI live? Er valt een stilte. Iemand noemt fase twee. Iemand anders wijst op afhankelijkheden. De oorspronkelijke planning, die AI-gestuurde inzichten binnen achttien maanden beloofde, is een voetnoot geworden in een data-infrastructuurproject dat een eigen leven is gaan leiden.

Het miljardenproject vol onvoltooide voorbereidingen

De economische dimensie van dit probleem is aanzienlijk. Gartner voorspelt dat tegen het einde van 2026 meer dan 60 procent van de AI-projecten van organisaties zonder AI-geschikte data zal mislukken en worden stopgezet. De Harvard Business Review schat het totale faalpercentage voor AI-projecten op 80 procent, bijna het dubbele van het faalpercentage voor IT-projecten zonder AI. Volgens een onderzoek uit 2025 van S&P Global Market Intelligence had 42 procent van de bedrijven het merendeel van hun AI-initiatieven stopgezet, een dramatische stijging ten opzichte van slechts 17 procent het jaar ervoor. De gemiddelde organisatie verwierp 46 procent van haar AI-proofs of concept voordat ze zelfs maar in productie gingen.

Gartner voorspelt ook dat minstens 30 procent van de generatieve AI-projecten na de proof-of-conceptfase zal worden stopgezet vanwege slechte datakwaliteit, ontoereikende risicobeheersing, oplopende kosten of onduidelijke zakelijke waarde. De Informatica CDO Insights Survey 2025 identificeert duidelijk de grootste obstakels voor AI-succes: datakwaliteit en -volwassenheid (43 procent), gebrek aan technische volwassenheid (eveneens 43 procent) en een tekort aan gekwalificeerd personeel (35 procent).

Deze cijfers illustreren een fundamenteel misverstand dat in veel organisaties heerst. Het probleem is niet dat AI-toepassingen mislukken. Het probleem is dat migratie de taak op zich is geworden, in plaats van een middel tot een doel. Het consolideren van alle data in een centraal datawarehouse is een doel op zich geworden, terwijl de oorspronkelijke zakelijke waarde naar de achtergrond verdwijnt. Ondertussen explodeert de investering in AI-geschikte data. Gartner voorspelt dat de markt voor AI-data zal groeien van $ 134 miljoen in 2024 naar $ 14,6 miljard in 2029, wat neerkomt op een samengestelde jaarlijkse groei van 155 procent. Het geld stroomt, maar het gaat de verkeerde kant op als data-aanvoer wordt benaderd als een monolithisch, voorbereidend project in plaats van een iteratief proces.

Denk in termen van het resultaat, in plaats van te plannen vanuit het perspectief van de infrastructuur

De alternatieve aanpak begint met een fundamenteel andere vraag. In plaats van te vragen hoe data voor AI voorbereid moet worden, zou men moeten vragen welke context AI nodig heeft om een ​​specifiek bedrijfsresultaat te behalen. Deze omkering van perspectief verandert de gehele projectarchitectuur.

De meeste AI-toepassingen vereisen context uit drie tot vijf systemen, niet een volledig gemigreerde dataportfolio. De contextvereisten zijn specifiek. Een AI voor contractanalyse heeft contracten, wijzigingen, partijen en verplichtingen nodig. Het heeft niet het volledige datawarehouse nodig. Een AI voor klantenservice heeft interactiegeschiedenissen, productgegevens en dossiergegevens nodig. Het heeft niet elke tabel in elk bronsysteem nodig.

Het minimaal vereiste datapad is bijna altijd smaller dan de omvang van het migratieproject. Migratie is geoptimaliseerd voor elke denkbare toekomstige query. AI heeft de juiste context nodig voor specifieke gebruiksscenario's in het hier en nu. Deze twee vereisten zijn fundamenteel verschillend, en ze als gelijkwaardig beschouwen is precies het mechanisme waarmee infrastructuurprojecten AI-initiatieven verslinden.

Als je vanuit het AI-resultaat terugwerkt, kom je er vaak achter dat de benodigde data al beschikbaar is. Deze hoeft niet verplaatst te worden. Het is voldoende om de data te koppelen, te organiseren voor het specifieke gebruiksscenario en beschikbaar te maken tijdens de uitvoering. Effectief AI-datamanagement begint met dit inzicht: definieer eerst het resultaat en vind vervolgens het eenvoudigste pad naar de context die dat resultaat mogelijk maakt.

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

Gefedereerde gegevenstoegang als architectonisch alternatief model

AI zonder datamigratie is geen snelle oplossing. Het is een andere architectuur die weerspiegelt hoe AI daadwerkelijk werkt in productieomgevingen. Deze aanpak wordt gekenmerkt door drie fundamentele principes.

Ten eerste verbindt federatieve toegang AI met de bronsystemen waar de data zich bevindt, zonder dat voorafgaande centralisatie nodig is. CRM-data blijft in het CRM-systeem. Documenten blijven in de documentopslag. Operationele data blijft in het ERP-systeem. De AI-laag heeft toegang tot al deze data zonder te hoeven wachten op synchronisatie. Dankzij federatieve data-toegang blijven de gegevens op hun oorspronkelijke locatie, worden virtualisatietechnieken gebruikt om een ​​uniform overzicht te bieden en kunnen realtime inzichten op aanvraag worden verkregen. In tegenstelling tot datawarehousing, waarbij data fysiek naar een centrale locatie wordt verplaatst, elimineert federatieve toegang de risico's en kosten die gepaard gaan met dataduplicatie en verbetert het de operationele efficiëntie.

Ten tweede definiëren contextmodellen die specifiek zijn afgestemd op de toepassing van elk AI-systeem wat elke AI-toepassing precies nodig heeft. In plaats van een universeel schema te bouwen dat alles probeert te omvatten, definieert het systeem de specifieke entiteiten, relaties en signalen die relevant zijn voor elke individuele toepassing. Dit principe sluit aan bij het concept van een data mesh-architectuur, waarbij domeingerichte teams onafhankelijk hun eigen data beheren en op maat gemaakte governance-standaarden hanteren die aansluiten op specifieke bedrijfsvereisten.

Ten derde assembleert runtime assembly de context op het moment van de beslissing, in plaats van vooraf via batchverwerking. Wanneer de AI een vraag moet beantwoorden, compileert ze de relevante context uit alle bronnen, waar die context zich ook bevindt. Geen synchronisatievertraging. Geen verouderde momentopnamen. Actuele data, geassembleerd op aanvraag. Dit principe heeft een technologische volwassenwording doorgemaakt met de opkomst van Retrieval Augmented Generation (RAG). RAG-architecturen stellen AI-systemen in staat om relevante externe informatie op te halen op het moment van de query en deze in de context te integreren, in plaats van uitsluitend te vertrouwen op vooraf getrainde kennis. Medio 2026 zal meer dan 66 procent van de generatieve AI-implementaties in het bedrijfsleven gebruikmaken van RAG-architecturen.

De praktische implementatie van deze architectuur is duidelijk zichtbaar in de praktijk van bedrijfsomgevingen. SAP's Federated Machine Learning Library maakt bijvoorbeeld gebruik van de datafederatiearchitectuur van SAP Datasphere om op intelligente wijze SAP- en niet-SAP-gegevens beschikbaar te stellen voor machine learning, zonder dat replicatie of gegevensverplaatsing nodig is. Bedrijven zoals Downer, een van de grootste geïntegreerde dienstverleners van Australië, hebben een gefedereerd data- en AI-platform geïmplementeerd dat gedecentraliseerde flexibiliteit combineert met gecentraliseerd beheer. Hierdoor kunnen bedrijfsonderdelen onafhankelijk innoveren en tegelijkertijd naadloos en veilig bedrijfsgegevens delen.

Vergelijking tussen datavirtualisatie en batchverwerking

De keuze tussen gefedereerde toegang via datavirtualisatie en traditionele ETL-gebaseerde consolidatie is geen binaire keuze, maar eerder een kwestie van afstemming op de vereisten van de betreffende workload. Datavirtualisatie levert snellere responstijden op bij het opvragen van kleinere, gedistribueerde datasets. Echter, bij toenemende datavolumes en complexe transformatievereisten kan ETL efficiënter zijn vanwege de mogelijkheid om grote datasets te verwerken met behulp van vooraf gedefinieerde transformatieregels.

De fundamentele afweging is dat datavirtualisatie fysieke consolidatie inruilt voor logische integratie. Je krijgt actuelere data, omdat query's rechtstreeks toegang hebben tot de bronsystemen, en je vermijdt de kosten en complexiteit van het kopiëren van alle data naar één datawarehouse. Tegelijkertijd word je afhankelijk van de beschikbaarheid en prestaties van elk onderliggend systeem. Voor zware analytische query's in de petabyte-range presteren datawarehouses met vooraf berekende aggregaties en kolomopslag tien keer of meer beter dan gefedereerde query's over netwerken.

De slimme oplossing is om beide benaderingen complementair te gebruiken. ETL verwerkt gestructureerde, historische data voor rapportages en zorgt voor consistentie. Datavirtualisatie maakt snelle toegang tot live of gedistribueerde data mogelijk voor tijdgevoelige query's. Bij de integratie van een nieuwe databron kan het aanpassen van ETL-workflows dagen of weken duren. Datavirtualisatie maakt de directe integratie van tijdelijke of experimentele databronnen mogelijk. Deze hybride aanpak optimaliseert prestaties, kosten en flexibiliteit in gelijke mate.

De kortste weg naar meetbare AI-resultaten

De economische logica achter de resultaatgerichte aanpak is overtuigend. De gemiddelde duur van een AI-project volgt een bekend patroon: drie maanden planning, zes maanden ontwikkeling, zes maanden testen, drie maanden implementatie, in totaal achttien maanden tot het rendement op de investering (ROI). Volgens Gartner bereikt gemiddeld slechts 48 procent van de AI-projecten de productiefase, en duurt het traject van AI-prototype naar productie acht maanden. Slechts 35 procent van de AI-projecten bereikt zelfs de fase van productiegereedheid.

Maar er is nog een andere weg. Volgens een onderzoek van IDC levert 92 procent van de succesvolle AI-implementaties binnen twaalf maanden een positief rendement op. 40 procent van de bedrijven rapporteert zelfs een positief rendement binnen zes maanden. De sleutel ligt in het kiezen van de juiste initiële toepassing en het vermijden van al te ambitieuze infrastructuurvoorbereidingen.

Het raamwerk voor een snel rendement op investeringen in AI is gebaseerd op vier principes. De ideale eerste use case kenmerkt zich door een hoge frequentie; de ​​betreffende taak wordt dagelijks of wekelijks uitgevoerd. Er is een duidelijke basislijn en de huidige prestaties kunnen worden gemeten. Er zijn al gegevens beschikbaar en de use case is beperkt afhankelijk van andere systemen. Als aan deze criteria wordt voldaan, kunnen meetbare resultaten binnen enkele weken worden behaald.

De impact van dergelijke snelle successen reikt veel verder dan het directe financiële rendement. Een telecomprovider implementeerde een AI-chatbot voor de vijf meest gestelde klantvragen over facturering. Binnen 60 dagen loste de oplossing 35 procent van de vragen op zonder menselijke tussenkomst, verkortte de gemiddelde oplostijd van 24 uur naar 10 minuten en verbeterde de klanttevredenheid met 22 procent. Een middelgrote fabrikant implementeerde AI-gestuurd voorspellend onderhoud op een kritieke productielijn. Het 45-daagse pilotproject leverde een reductie van 62 procent in ongeplande stilstand op, een besparing van $ 157.000 aan vermeden productieverlies en een reductie van 28 procent in onderhoudskosten. De AI-assistent van Klarna loste tweederde van alle klantvragen via chat op in de eerste maand en verkortte de gemiddelde oplostijd van elf minuten naar minder dan twee minuten.

Waarom vertrouwen van belanghebbenden de meest waardevolle valuta is

Deze snelle successen vervullen een functie die verder gaat dan louter kostenbesparingen. Ze herstellen het vertrouwen van belanghebbenden, dat in de loop der jaren is afgenomen door infrastructuurprojecten zonder zichtbare resultaten. Snelle successen leveren snel en tastbaar bewijs dat AI zakelijke waarde creëert. Dit vergroot het vertrouwen van besluitvormers, vermindert de weerstand tegen de implementatie en maakt de weg vrij voor grotere investeringen in AI.

Snelle successen creëren positieve feedbackloops die de acceptatie van AI versnellen. Initieel succes genereert enthousiasme en middelen voor bredere implementatie. Uitbreiding van de implementatie creëert extra waarde en leidt tot leerprocessen binnen de organisatie. Deze leerervaring maakt geavanceerdere toepassingen en grotere voordelen mogelijk. De grotere voordelen rechtvaardigen een verhoogde investering in AI-capaciteiten.

De gegevens van McKinsey onderstrepen dit mechanisme. Bedrijven die uitblinken in AI – de zes procent van de bedrijven met een meetbare bijdrage van AI aan de winst vóór belastingen – hebben drie keer meer kans dan andere bedrijven om aan te geven dat hun organisatie van plan is AI in te zetten voor transformatieve veranderingen. Deze bedrijven hebben bijna drie keer meer kans dan andere bedrijven om hun werkprocessen fundamenteel te herzien, en deze doelbewuste herziening van werkprocessen levert een van de sterkste bijdragen aan het behalen van meetbare zakelijke impact. Bedrijven die uitblinken, zetten AI regelmatig in voor meer bedrijfsfuncties dan hun concurrenten en hebben drie keer meer kans om het gebruik van AI-agenten uit te breiden.

Parallelle werking in plaats van sequentiële afhankelijkheid

Het migratieproject hoeft niet te worden stopgezet. Het kan ook andere doeleinden dienen dan AI. Rapportage aan regelgevende instanties, historische analyses of managementdashboards op de interne roadmap vereisen wellicht geconsolideerde data. De investering in het leggen van deze basis is voor deze doeleinden zeker niet verspild.

Maar AI hoeft niet te wachten tot de migratie is voltooid. De twee kunnen parallel lopen. De migratie gaat door volgens zijn eigen schema voor de beoogde doeleinden. AI levert nu al resultaten, op basis van de data die vandaag beschikbaar is.

De pragmatische aanpak begint met het identificeren van twee tot drie AI-toepassingen die meetbare zakelijke waarde opleveren. Vervolgens wordt de specifieke data-context in kaart gebracht die voor elke toepassing nodig is. Daarna wordt onderzocht of deze context direct toegankelijk is zonder dat migratie nodig is. Ten slotte wordt de AI getest op het kortst mogelijke datapad.

Deze aanpak sluit aan bij de bevindingen van Gartner-analist Haritha Khandabattu, die een geleidelijke verschuiving beschrijft van generatieve AI als centrale focus naar de fundamentele randvoorwaarden die een duurzame AI-implementatie ondersteunen, waaronder AI-geschikte data en AI-agenten. Investeringen verschuiven van een infrastructuurgerichte strategie naar een data- en capaciteitsgerichte architectuur. Organisaties die data-gereedheid als een bijzaak beschouwen, behoren waarschijnlijk tot de 94 procent die nooit verder komt dan de pilotfase.

De reorganisatie van de beleggingslogica

De uitgavengegevens van Gartner onthullen een fundamentele verschuiving in de investeringsstrategie. Hoewel AI-infrastructuur met 965 miljard dollar in 2025 nog steeds verreweg de grootste uitgavencategorie is, bedraagt ​​de groei met 29 procent per jaar relatief bescheiden. De versnelling vindt elders plaats: AI-data groeit met 155 procent per jaar, AI-cyberbeveiliging met 74 procent en AI-modellen met 68 procent. Het geld volgt de knelpunten, niet de krantenkoppen.

Binnen de markt voor AI-data zijn de groeifactoren nog duidelijker. De generatie van synthetische data groeit met 178 procent per jaar, van 41 miljoen dollar naar 6,8 miljard dollar in 2029. AI-ready datasets – dat wil zeggen, vooraf samengestelde data die gestructureerd zijn voor AI-workflows – groeien met 136 procent per jaar. Bedrijven zijn bereid te betalen voor een snellere implementatie. Dit is een duidelijk signaal dat de markt snelle data-gereedheid belangrijker vindt dan een langzame, uitgebreide migratie.

De winnende organisaties, die de waarde van deze transformatie daadwerkelijk plukken, investeren in de mogelijkheden die AI-systemen op bedrijfsniveau laten werken: data-gereedheid, governance, integratie en beveiliging. Ze draaien de gebruikelijke bestedingsverhoudingen om en besteden 50 tot 70 procent van hun tijd en budget aan data-gereedheid – dat wil zeggen, extractie, normalisatie, governance-metadata, kwaliteitsdashboards en bewaarcontroles. Deze data-gereedheid wordt echter niet gezien als een monolithisch migratieproject, maar eerder als een iteratief, op gebruiksscenario's gebaseerd proces.

Van data-perfectionisme naar AI-pragmatisme

De belangrijkste conclusie van deze analyse kan worden samengevat in één principe: het doel was nooit een perfecte infrastructuur. Het doel was om resultaten te behalen met AI, en gelukkig vereist dit geen volledige dataconsolidatie. Teams die dit inzien, beschouwen migratie niet langer als een voorwaarde, maar gaan AI-resultaten zien als de maatstaf die er echt toe doet.

De cijfers spreken voor zich. 88 procent van de bedrijven gebruikt AI, maar slechts een derde is begonnen met de grootschalige implementatie ervan. 73 procent van de migratieprojecten mislukt door implementatieproblemen, niet door de technologie zelf. 42 procent van de bedrijven zal tegen 2025 het grootste deel van hun AI-initiatieven hebben stopgezet. Tegelijkertijd laten de meest succesvolle zes procent zien dat de weg naar succes ligt in ambitieuze doelen, herontworpen workflows en snelle schaalvergroting, en niet in het voltooien van migratieprojecten.

Dit vormt een duidelijke oproep tot actie voor CIO's en CTO's. De vraag is niet langer hoe alle data geconsolideerd kan worden voordat AI geïmplementeerd kan worden. De vraag is welke specifieke datacontext nodig is voor de volgende AI-toepassing en hoe deze context zo snel en kosteneffectief mogelijk geleverd kan worden. Gefedereerde toegang, toepassingsspecifieke contextmodellen en runtime-assemblage zijn de architecturale tools die deze aanpak mogelijk maken. Ze vervangen het paradigma van volledige voorbereiding door het paradigma van iteratieve waardecreatie.

Bedrijven die AI niet zien als een secundaire begunstigde van infrastructuurprojecten, maar als een drijvende kracht die de datavereisten bepaalt, zullen het snelst van de pilotfase naar de opschalingsfase doorstromen. Het migratieproject kan doorgaan, maar de AI hoeft niet te wachten.

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