Advertentie
Generatieve AI belooft organisaties snelheid, gemak en nieuwe vormen van automatisering. Maar onder de motorkap groeit een minder comfortabel vraagstuk: wie controleert de data, waar draaien de modellen en wie betaalt uiteindelijk de rekening?
Die vragen stonden centraal tijdens een gesprek met Frank Beerlage van Cloudera. De boodschap was duidelijk: bedrijven die AI serieus willen inzetten, kunnen niet langer volstaan met losse experimenten in publieke cloudomgevingen. De discussie verschuift van het beste model naar de fundamenten eronder: data-architectuur, governance, soevereiniteit en kostenbeheersing.
Soevereiniteit gaat niet alleen over locatie
Volgens Beerlage begint het probleem bij een te groot vertrouwen in de kwaliteit van bedrijfsdata. Bestuurders denken vaak dat hun organisatie de datahuishouding redelijk op orde heeft, terwijl IT-afdelingen in de praktijk veel vaker zien dat data versnipperd, onvolledig of onvoldoende geclassificeerd is. Dat verschil in perceptie wordt riskant zodra organisaties AI-modellen gaan trainen op diezelfde data.
Het klassieke principe “garbage in, garbage out” krijgt daarmee een nieuwe lading. Als de onderliggende data niet betrouwbaar is, kan ook de uitkomst van een AI-model niet zonder meer betrouwbaar zijn. Zeker bij generatieve AI is dat lastig, omdat gebruikers vaak geneigd zijn een vloeiend geformuleerd antwoord automatisch als waarheid te behandelen.
Tijdens het gesprek kwamen voorbeelden voorbij van AI-antwoorden die overtuigend klinken, maar feitelijk niet kloppen. Dat varieert van foutieve reisadviezen tot juridische documenten met onjuiste verwijzingen. De kern van het probleem is steeds hetzelfde: gebruikers zien het antwoord, maar niet welke data, logica of trainingsmethode erachter zit.
De tokenrekening wordt een CFO-probleem
Volgens Beerlage begint het probleem bij een te groot vertrouwen in de kwaliteit van bedrijfsdata. Bestuurders denken vaak dat hun organisatie de datahuishouding redelijk op orde heeft, terwijl IT-afdelingen in de praktijk veel vaker zien dat data versnipperd, onvolledig of onvoldoende geclassificeerd is. Dat verschil in perceptie wordt riskant zodra organisaties AI-modellen gaan trainen op diezelfde data.
Het klassieke principe “garbage in, garbage out” krijgt daarmee een nieuwe lading. Als de onderliggende data niet betrouwbaar is, kan ook de uitkomst van een AI-model niet zonder meer betrouwbaar zijn. Zeker bij generatieve AI is dat lastig, omdat gebruikers vaak geneigd zijn een vloeiend geformuleerd antwoord automatisch als waarheid te behandelen.
Tijdens het gesprek kwamen voorbeelden voorbij van AI-antwoorden die overtuigend klinken, maar feitelijk niet kloppen. Dat varieert van foutieve reisadviezen tot juridische documenten met onjuiste verwijzingen. De kern van het probleem is steeds hetzelfde: gebruikers zien het antwoord, maar niet welke data, logica of trainingsmethode erachter zit.
Open source als tegenwicht voor lock-in
In dat debat positioneert Cloudera zich nadrukkelijk als open-sourcegebaseerd dataplatform, niet als leverancier van eigen AI-modellen. Het bedrijf levert de beheerlaag waarop organisaties data, governance, beveiliging en AI-workloads kunnen organiseren. Modellen kunnen vervolgens uit de open-sourcewereld komen en in een gecontroleerde omgeving draaien.
Dat onderscheid is belangrijk. Bedrijven hoeven volgens Beerlage niet voor elke toepassing het grootste of duurste model te gebruiken. Soms is een kleiner, gespecialiseerd model voldoende. Door modellen dichter bij de eigen data te draaien, houden organisaties beter zicht op kosten, prestaties en toegang tot gevoelige informatie.
De aanpak sluit aan bij een bredere Europese discussie over digitale autonomie. Europese cloudspelers, telco’s en datacenterpartijen bouwen aan alternatieven voor volledig Amerikaanse cloudafhankelijkheid. Tegelijk is de realiteit dat organisaties niet van de ene op de andere dag afscheid nemen van bestaande hyperscaleromgevingen. De uitdaging zit dus in hybride controle: kunnen bewegen zonder alles opnieuw te moeten bouwen.
Van AI-hype naar AI-realiteit
De centrale boodschap is dat AI geen losstaand technologieproject is. Wie AI organisatiebreed wil inzetten, moet opnieuw kijken naar data-eigenaarschap, datakwaliteit, toegangsrechten, auditability en kosten. Dat geldt zeker voor sectoren waarin data de kern van het bedrijfsmodel vormt, zoals banken, pensioenfondsen, verzekeraars, telecombedrijven en overheden.
Daarmee verschuift de discussie van “we moeten iets met AI” naar “kunnen we AI verantwoord opschalen?”. Proof-of-concepts zijn relatief eenvoudig te starten. Productieomgevingen voor duizenden medewerkers of honderdduizenden klanten vragen om een andere orde van denken.
Het is geen boodschap die even aantrekkelijk klinkt als de belofte van directe productiviteitswinst. Toch kan juist die pas op de plaats nodig zijn om verder te komen. Want als AI onbetrouwbaar, onbeheersbaar en onbetaalbaar wordt, verdwijnt de ruimte om ermee te innoveren. De organisaties die nu hun datafundament op orde brengen, bepalen straks waarschijnlijk hoe ver AI daadwerkelijk kan groeien.