Bijna niemand wil het over data-architectuur hebben. Iedereen wil automatiseren, een groeiende groep wil iets met AI. Maar de laag eronder? Daar schuurt het vaak nog. Het klinkt als iets voor banken en ziekenhuizen. Dat is een misverstand dat veel geld kost.
Het patroon
Operations kiest een nieuw CRM. Marketing voegt een mailtool toe. Finance houdt vast aan het ERP dat er al stond. Ergens draait een Excel waar drie mensen handmatig data in plakken, en dat bestand heet inmiddels v17_FINAL_use_this_one.
Dan komt het automatiseringsproject. Of de AI-pilot. En dan blijkt het: het CRM weet niet wie de klant is die in het ERP zit. De e-mail marketing tool stuurt aanbiedingen naar mensen die vorige week hebben opgezegd. De chatbot beantwoordt vragen op basis van een productcatalogus van zes maanden oud.
Waarom dit je eerste stap moet zijn
Automatiseren zonder dat je data op orde is, is een huis bouwen zonder fundering.
En dan AI. AI is geen magie, het is een rekenmachine die patronen herkent in de data die je erin stopt. Geef je rommel als input, dan krijg je in 90% van de gevallen rommel als output.
De bedrijven die nu het meeste uit AI halen zijn niet de bedrijven met de slimste prompts of de duurste licenties. Het zijn de bedrijven die hun data op orde hebben. Eén single source of truth, schoon, toegankelijk. Daarbovenop kun je vervolgens bouwen wat je wilt. Zonder die laag bouw je slecht demo's die maar tijdelijk werken.
Wat een data-laag eigenlijk is
Een data-laag is de plek waar al je systemen hun gegevens naartoe sturen, en waar iedereen die data nodig heeft het uit haalt. Eén plek waar de waarheid ligt over wie je klanten zijn, wat ze hebben gekocht, wat er open staat, wat er op voorraad ligt etc.
Voor een MKB-bedrijf praat je over weken tot een paar maanden. Niet over twee jaar en zeven cijfers, dat is corporate-territorium. Het verschil zit niet in de techniek, maar in de scope. Je hoeft niet alles tegelijk te willen.
De rekensom die niemand maakt
Twee bedrijven. Allebei 100 man. Allebei dezelfde ambitie.
Bedrijf A koopt een AI-tool, koppelt het aan de bestaande systemen via wat simpele integraties, en gaat live. Drie maanden later draaien er vier koppelingen die regelmatig stukgaan. Elke nieuwe automatisering kost meer tijd om te bouwen dan de vorige, want alles zit aan elkaar geknoopt. De AI-output is wisselend betrouwbaar, dus het team blijft altijd alles nalopen.
Bedrijf B doet eerst iets ‘saais’. Drie tot vier maanden werken aan een data-laag. Geen flitsende demo, niet meteen een LinkedIn-post waardig. Daarna bouwen ze hun eerste automatisering. Die werkt. De tweede gaat sneller, want de data ligt al klaar. De AI-tool die ze later implementeren werkt op schone, actuele gegevens.
Bedrijf A heeft niets bespaard door de data-laag over te slaan. Ze moesten 'm later alsnog bouwen, met meer pijn en meer technical debt eromheen.
Wat je vandaag kunt doen
Voor je je volgende SaaS tool aanschaft of je volgende AI-pilot start, drie vragen die je intern moet kunnen beantwoorden.
Waar ligt jullie klantdata nu? Als het antwoord "op meerdere plekken" is, automatiseer je straks langs een probleem, niet eroverheen.
Welk systeem is leidend? Als drie afdelingen drie verschillende antwoorden geven, heb je geen source of truth. Je hebt dan drie versies van de waarheid en niemand die weet welke klopt.
Als jullie morgen een AI-agent zouden willen die op jullie data werkt, welke data zouden jullie 'm geven? Als je daar een uur over moet nadenken, heb je je antwoord.
Tot slot
Welke AI-leverancier over twee jaar marktleider is, weten we bij Mokube ook niet. Welke tools je dan gebruikt, weet jij nu nog niet. Wat we wel weten is dat de bedrijven die hun data op orde hebben, elke nieuwe technologie kunnen inzetten zonder opnieuw te bouwen. De rest begint elke keer opnieuw, of blijft achter.
De data-laag is je eerste investering. Niet je laatste.
Benieuwd waar jullie staan? Plan een gesprek. Wij brengen je data-architectuur in kaart en zeggen je eerlijk waar je moet beginnen. Niet wat je moet kopen.
