Wanneer AI-initiatieven, van copilots tot meer geavanceerde Agentic AI-systemen, geen businessimpact opleveren, is de eerste conclusie vaak dat er iets mis is met de data. Zeker wanneer er al fors is geïnvesteerd in data lakes, platforms, datawarehouses en dashboards.
Slecht databeheer in een AI-omgeving kan inderdaad leiden tot onnauwkeurige antwoorden, hallucinaties en een algemeen gebrek aan vertrouwen vanuit de business. Maar de uitdaging is vaak breder dan dat.
Eenvoudig gezegd: AI draait niet alleen op data. AI heeft organisatiekennis nodig. En dat is niet iets wat u zomaar in een systeem kunt laden om er vervolgens niet meer naar om te kijken. Die kennis heeft structuur, context, duidelijk eigenaarschap en voortdurend onderhoud nodig om relevant te blijven.
Op basis van NTT DATA’s ervaring met enterprise AI-projecten volgen hier acht manieren om organisatiekennis voor AI te laten werken.
1. Gebruik organisatiekennis om AI-prestaties te verbeteren
Stel dat een wereldwijde financiële dienstverlener een interne AI-copilot inzet ter ondersteuning van relationshipmanagers. De databasis is solide: schone klantdata, geïntegreerde productsystemen en een modern dataplatform. Waarom heeft die copilot dan toch moeite met eenvoudige vragen als: “Welke producten zijn relevant voor dit klantsegment?”
Het probleem is dat er geen betekenis aan de data is gekoppeld. Het AI-systeem heeft geen toegang tot een algemeen geaccepteerde definitie van “klantsegment”, begrijpt de relaties tussen producten en use cases niet en mist context over de bredere businessregels van de organisatie.
Door een kennislaag toe te voegen, wordt de data verrijkt met betekenis, context en relaties.
De kern: data vertelt wat er is gebeurd. Kennis vertelt AI wat het betekent en wat de volgende stap is.
2. Creëer gedeelde betekenis voordat u AI opschaalt
Omdat zowel mensen als AI-systemen data consistent moeten interpreteren, is semantische standaardisatie een van de eerste obstakels die organisaties moeten overwinnen.
In een telecombedrijf kunnen verschillende teams bijvoorbeeld uiteenlopende definities hanteren voor “actieve klant”. Zodra zij vervolgens AI-gedreven analytics over de hele organisatie gaan gebruiken, krijgt elk team een ander antwoord op dezelfde vraag.
Dit ongewenste resultaat kan worden voorkomen door gedeelde betekenis vast te leggen in een semantische laag, met gemeenschappelijke begrippenlijsten, gestandaardiseerde metrics en definities die tussen systemen worden gedeeld.
De kern: als uw organisatie het niet eens is over definities, zal uw AI dat ook niet zijn.
3. Combineer knowledge graphs en vector search
Moet u voor optimaal databeheer investeren in knowledge graphs, of volstaan vectordatabases? Stel dat een zorgorganisatie vector search gebruikt voor een klinische assistent. In eerste instantie werkt die goed, omdat de assistent documenten kan ophalen uit grote hoeveelheden ongestructureerde data. Maar zodra u vraagt om complianceregels te interpreteren of behandelprotocollen toe te passen, worden de antwoorden minder betrouwbaar. Alleen informatie ophalen is niet genoeg wanneer precisie en redeneervermogen belangrijk zijn.
Wanneer u een knowledge graph introduceert, modelleert u de relaties tussen patiënten, behandelingen en regelgeving. De assistent begrijpt nu hoe zaken met elkaar verbonden zijn. De antwoorden worden verklaarbaar, wat cruciaal is voor compliance, en de assistent kan met veel meer vertrouwen omgaan met uitzonderingssituaties.
Vectoren geven flexibiliteit bij rommelige, ongestructureerde content. Knowledge graphs brengen structuur, context en een laag voor betrouwbaar redeneren. U heeft beide nodig.
De kern: AI-ondersteunde kennis is van nature hybride.
4. Behandel kennis als een product met een levenscyclus
Een fabrikant kan een solide kennisbank bouwen voor onderhoudsprocedures, en die zal waarschijnlijk een tijd goed werken. Maar zodra processen veranderen, blijft AI verouderde instructies aanbevelen, tot frustratie van operators.
De fout is om kennis als iets statisch te behandelen. Kennis gedraagt zich veel meer als software: ze heeft versiebeheer, updates, tests en continue verbetering nodig. Zie het als het beheren van een dynamische asset. Dat betekent:
- Zowel gedocumenteerde knowhow als de ongeschreven expertise van medewerkers vastleggen
- Kennis structureren met duidelijke semantiek en classificatie
- Kennis integreren in pipelines, graphs en embeddings
- Kennis activeren via search, agents en retrieval-augmented generation (RAG)
- Kennis onderhouden met voortdurende kwaliteitscontroles, updates en zorgvuldige archivering
De kern: kennis die niet wordt onderhouden, wordt een risico.
5. Leg impliciete kennis vast, anders verliest u concurrentievoordeel
Een deel van de meest waardevolle kennis binnen uw organisatie staat nergens op papier. Die kennis komt naar voren in de manier waarop ervaren medewerkers beslissingen nemen, in de shortcuts die ze gebruiken, in hun gesprekken en in de gewoontes die ze in de loop der jaren hebben opgebouwd.
Neem een logistiek bedrijf waar de beste planners consequent beter presteren dan AI, omdat zij vertrouwen op instinct en heuristieken die zijn gebaseerd op jarenlange ervaring. Hoe kan het bedrijf die impliciete kennis vastleggen en terugvoeren in het systeem?
- Process mining: analyseer echte uitvoeringsdata om patronen en beslispaden te ontdekken die verborgen zitten achter formele processen.
- AI-ondersteunde transcriptie van beslissingen: leg besluitvorming realtime vast en structureer die door gesprekken, calls en notities om te zetten in bruikbare kennis.
- Gestructureerde feedbackloops: creëer eenvoudige en consistente manieren waarop experts AI-output kunnen corrigeren en verfijnen, zodat het systeem in de loop van de tijd van hen leert.
Het vastleggen van dit type kennis is complex en vraagt om de juiste combinatie van tools, governance en domeinexpertise. Maar de businesswaarde is reëel.
De kern: als kennis alleen in de hoofden van medewerkers zit, zal AI die nooit leren.
6. Ontwerp retrieval voor AI, niet voor mensen
Traditioneel kennismanagement is ontworpen voor mensen. Maar AI “zoekt” niet zoals wij dat doen. AI brengt precies genoeg context samen om de volgende stap te zetten.
Wanneer een retailer bijvoorbeeld een chatbot implementeert bovenop een eenvoudige vorm van document search, is de kans groot dat die lange, irrelevante antwoorden geeft. Dat komt doordat volledige documenten worden opgehaald in plaats van specifieke informatie te vinden en te presenteren op basis van de context.
Om dit op te lossen, moet de retrieval-laag opnieuw worden ontworpen met de volgende elementen:
- RAG: haal alleen de meest relevante informatiefragmenten op en gebruik die om het antwoord van AI te onderbouwen, in plaats van te vertrouwen op volledige documenten.
- Hybrid search met keywords, semantiek en graphs: combineer exacte matches, betekenisgebaseerde retrieval en relatiebewuste zoekopdrachten om zowel precisie als context te krijgen.
- Context-aware filtering: filter resultaten op basis van de situatie: wie stelt de vraag, wat probeert die persoon te doen en wat is op dat moment relevant? Zo ziet AI alleen wat er echt toe doet.
De kern: het doel is niet toegang tot kennis, maar AI-ready kennisontsluiting.
7. Maak governance operationeel
Governance is geen optie in enterprise AI, zeker niet in sterk gereguleerde sectoren zoals financiële dienstverlening en zorg.
Neem een bank die een AI-implementatie beoordeelt. Als er geen manier is om te traceren waar de data vandaan komt, hoe die is gebruikt of hoe verschillende kenniscomponenten met elkaar verbonden zijn, komt het project tot stilstand.
Door knowledge graphs en governanceframeworks te implementeren, kan de bank antwoorden terugleiden naar hun bronnen, begrijpen hoe beslissingen tot stand komen en onderweg de juiste risico- en complianceregels toepassen.
De kern: geen governance betekent geen vertrouwen — en geen adoptie.
8. Begin klein, maar ontwerp vanaf dag één voor schaal
Proberen om kennismanagement in één keer door de hele organisatie heen te “repareren” werkt bijna nooit. Het is te breed en te abstract.
Een betere aanpak is om te beginnen met een use case met hoge waarde, zoals customer support of operationele processen, en van daaruit verder te bouwen. Richt u op herbruikbare onderdelen, zoals ontologieën, kennispipelines en retrievalpatronen. Zodra die hun waarde bewijzen, kunt u ze uitbreiden naar andere domeinen.
Een nutsbedrijf kan bijvoorbeeld beginnen met een afgebakend probleem: natuurlijke taal vertalen naar SQL voor operationele data. Door het systeem te baseren op duidelijke ontologieën, deterministische logica en zorgvuldig toegepaste large language models (LLM’s), ontstaat iets betrouwbaars in plaats van weer een demo.
De kern: denk groot, begin klein en schaal snel op.
Agentic AI legt de lat hoger
Agentic AI voegt aanzienlijke kracht toe aan AI-systemen, maar vergroot ook de belangen. De strategie voor organisatiekennis moet de basis bieden om deze systemen betrouwbaarder en beter verklaarbaar te maken.
Zodra u ontologieën en gestructureerde kennis gebruikt om gebruikersintentie deterministisch vast te stellen, en een large language model (LLM) alleen aanroept wanneer dat nodig is terwijl de output wordt begrensd door context en regels, wordt de kennislaag in feite het brein — meer nog dan het taalmodel zelf.
Dat gebeurt wanneer u niet langer op het model vertrouwt om alles zelf uit te zoeken. Gebruik ontologieën en gestructureerde kennis om intentie te bepalen waar dat kan. Zet een LLM in wanneer dat waarde toevoegt, en houd het model ook dan verankerd in de juiste context en beperkingen. Op dat moment doet de kennislaag het meeste zware werk. Het model wordt een component, niet het centrum van het systeem.
Het belangrijkste inzicht is dit: AI is een kennisprobleem, geen modelprobleem. Behandel kennis als een echte asset en de rest valt steeds beter op zijn plaats.