AI GOVERNANCE & DATAGEDREVEN WERKEN

Datagedreven werken als fundament voor betrouwbare AI

Gepubliceerd op 18 september 2026

AI maakt de kwaliteit van de organisatorische en gegevenskundige basis niet minder belangrijk. Zij maakt juist sneller zichtbaar waar die basis tekortschiet.

Zonder betrouwbare data, betekenisvolle context, helder eigenaarschap en voldoende kennis kan AI fouten sneller, grootschaliger en overtuigender verspreiden. Datagedreven werken is daarom geen los data-initiatief naast AI Governance, maar een essentiële grondslag voor betrouwbare AI.

Datagedreven is meer dan werken met dashboards

Een organisatie werkt niet automatisch datagedreven omdat zij veel data verzamelt, dashboards gebruikt of algoritmen inzet. Datagedreven werken betekent dat betrouwbare data, informatie en kennis doelgericht worden gebruikt om beslissingen te onderbouwen, resultaten te volgen en gericht te verbeteren.

Data ondersteunt besluitvorming. Zij neemt de verantwoordelijkheid voor die besluitvorming niet over.

Van data naar handelen

Ruwe data krijgt pas betekenis wanneer zij in een context wordt geïnterpreteerd. Informatie wordt kennis wanneer mensen begrijpen wat die informatie betekent, welke aannames eraan ten grondslag liggen en waarvoor zij bruikbaar is. Vervolgens leidt die kennis tot een besluit, handelen en uiteindelijk een resultaat.

Bij iedere overgang kunnen aannames, vertekeningen of betekenisverlies ontstaan. AI gebruikt en beïnvloedt deze hele keten. Daarom moet niet alleen de dataset worden beoordeeld, maar ook de context waarin een uitkomst wordt geïnterpreteerd en toegepast.

Data governance is een bestuurlijke voorwaarde

Data governance gaat niet uitsluitend over databases, datamodellen of technische standaarden. Zij regelt wie beslissingen over data mag nemen en wie verantwoordelijk is voor kwaliteit, betekenis, toegang en gebruik. Voor AI zijn onder meer de volgende onderwerpen relevant:

• data-eigenaarschap en verantwoordelijkheden voor kwaliteit;
• eenduidige definities en betekenis;
• classificatie, toegang en rechtmatig gebruik;
• herkomst, bewerkingen en datalineage;
• actualiteit, representativiteit en volledigheid;
• wijzigingsbeheer en bewaartermijnen;
• gebruik door externe modellen, platforms en leveranciers.

Kwaliteit is afhankelijk van doel en context

Dimensie	Centrale vraag
Juistheid	Komt de data overeen met de werkelijkheid?
Volledigheid	Ontbreken gegevens die voor dit doel relevant zijn?
Actualiteit	Is de data tijdig bijgewerkt?
Consistentie	Betekent dezelfde data overal hetzelfde?
Herleidbaarheid	Zijn herkomst en bewerkingen te reconstrueren?
Representativiteit	Past de data bij de doelgroep en toepassing?
Context	Is duidelijk waarvoor de data wel en niet geschikt is?
Rechtmatigheid	Mag de data voor dit doel worden gebruikt?

Data kan technisch correct zijn en toch ongeschikt voor de beslissing waarvoor zij wordt gebruikt. De gewenste kwaliteit is daarom afhankelijk van het doel, de mogelijke impact en het risico van de AI-toepassing.

Waarom AI aanvullende eisen stelt

AI introduceert aanvullende afhankelijkheden. Trainingsdata kan afwijken van actuele operationele data. Prompts kunnen vertrouwelijke informatie bevatten. Modellen kunnen overtuigende maar onjuiste uitkomsten genereren. Data- en modeldrift kunnen ervoor zorgen dat prestaties in de tijd veranderen. Bij externe AI-services is bovendien niet altijd volledig zichtbaar welke data en modellen worden gebruikt.

Daarom zijn logging, monitoring, feedback, leveranciersafspraken en menselijk toezicht geen sluitstuk, maar onderdeel van de inrichting vanaf het begin.

Van AI capability naar datarisico

Niet iedere AI-capability stelt dezelfde eisen aan data en performance. ITIL® AI Governance onderscheidt zes functionele capabilities: Creatie, Curatie, Verduidelijking, Begrip, Communicatie en Coördinatie. Zij kunnen afzonderlijk voorkomen, maar worden in echte toepassingen vaak gecombineerd.

De relevante keten is: use case → capability → gedrag → risicoblootstelling → governancebehoefte. Creatie vraagt bijvoorbeeld aandacht voor hallucinaties en herkomst; Begrip voor bias, drift en onzekerheid; Coördinatie voor autonomie, beslissingsgrenzen en auditability. Een combinatie van capabilities kan bovendien een groter risico creëren dan iedere capability afzonderlijk.

Prestaties gaat verder dan modelkwaliteit

Datagovernance en prestatiemanagement omvat niet alleen juistheid en volledigheid van data. Ook het gedrag in de praktijk moet worden gevolgd. Override-percentages, refusal patterns, hand-off time, abandonment, klachten, incidenten, drift en workarounds laten zien hoe mensen en AI daadwerkelijk samenwerken. Zulke signalen kunnen governancezwaktes zichtbaar maken die tijdens technische tests niet zijn gevonden.

Daarmee ontstaat een bredere vraag: niet alleen of het model presteert, maar of de combinatie van data, AI, mens en proces aantoonbaar bijdraagt aan de gewenste outcome.

Van data readiness naar AI-readiness

1. Doel: is het beoogde gebruik en de te realiseren waarde duidelijk?
2. Data: zijn kwaliteit, betekenis, context en herkomst bekend?
3. Governance: zijn eigenaarschap en beslissingsrechten geregeld?
4. Beheersing: zijn risico’s, beheersmaatregelen en monitoring ingericht?
5. Mensen: zijn kennis, bevoegdheden en menselijke verantwoordelijkheid aanwezig?

Dat betekent niet dat alle data in de organisatie eerst perfect moet zijn. Begin bij een concrete toepassing. Bepaal welke data nodig is, beoordeel of zij voor dat doel geschikt is, leg beperkingen en restrisico’s vast en verbeter op basis van gebruik en feedback.

De vraag is niet of alle data perfect is. De vraag is of de gebruikte data aantoonbaar geschikt is voor het doel, de context en het risico van de AI-toepassing.

Verder lezen

Lees ook waarom AI Governance meer is dan guardrails en hoe data en governance samenkomen binnen AI Governance binnen ITIL® Version 5. Bekijk voor de bredere samenhang ook de MCS-visie op gericht en verantwoord verbeteren.