Eén bron van waarheid voor mensen en AI is één gedeelde verzameling bedrijfsdefinities, elk met een aangeduide eigenaar, waaruit zowel rapporten als AI-tools putten. Daarvoor heb je afgesproken definities van de belangrijkste begrippen nodig, een koppeling van elke definitie naar de rapporten en data die ze gebruiken, en één plek die zowel mensen als AI kunnen raadplegen. Een kennisgraaf is niet nodig om te starten, maar is sterk aanbevolen zodra meerdere teams en AI-tools van die definities afhangen.
In het kort
- Eén bron van waarheid voor mensen en AI begint bij afgesproken bedrijfsdefinities, elk met een aangeduide eigenaar, niet bij een nieuw dataplatform.
- Een kennisgraaf is niet nodig voor een eerste toepassing, maar is sterk aanbevolen in grotere omgevingen, waar veel rapporten en AI-tools dezelfde onderling verbonden definities nodig hebben.
- Dezelfde definitie moet vanuit één plek zowel de rapportlezer als de AI-assistent bereiken. Anders groeien de twee uit elkaar.
Waarom één bron van waarheid vaak twee keer mislukt
De meeste bedrijven hebben dit al eens geprobeerd voor hun rapportering. Een datawarehouse, een gecertificeerde dataset, een begrippenlijst op SharePoint. Toch bleven mensen discussiëren over de cijfers, omdat de data wel gecentraliseerd waren, maar de betekenis niet.
AI maakt die kloof sneller zichtbaar. Een projectmanager vraagt bijvoorbeeld aan de bedrijfsassistent hoeveel actieve klanten het bedrijf heeft. De assistent vindt drie kolommen met ‘klant’ in de naam en kiest er één. Sales, Finance en het dashboard voor de raad van bestuur tellen actieve klanten elk op een andere manier. Niemand heeft ongelijk. Er is gewoon geen afspraak gemaakt.
In de praktijk heeft een bron van waarheid voor AI precies nodig wat een bron van waarheid voor mensen altijd al nodig had: definities waarvoor iemand verantwoordelijk is, gekoppeld aan de data die ze beschrijven en leesbaar op de plek waar de vraag wordt gesteld.
Hebben we een kennisgraaf of ontologie nodig voor we AI in het bedrijf inzetten?
Niet noodzakelijk. Maar in grotere omgevingen is een kennisgraaf sterk aanbevolen. Een kennisgraaf legt bedrijfsbegrippen en hun onderlinge relaties vast: deze KPI, de definitie ervan, de eigenaar en de rapporten die de KPI gebruiken. Een ontologie voegt formele regels toe over wat die entiteiten zijn en hoe ze met elkaar in verband mogen staan. AWS biedt binnen Amazon Bedrock Knowledge Bases GraphRAG op basis van Neptune Analytics aan als optie, niet als vereiste.
Voor één of twee AI-agents kan je de context vaak rechtstreeks in de configuratie vastleggen en de kennisgraaf achterwege laten. Dat werkt zolang de scope beperkt blijft en één team het geheel onderhoudt.
Bij grotere omgevingen ligt dat anders. Zodra meerdere chatbots, agents en teams van dezelfde begrippen afhangen, moet elke vastgelegde kopie handmatig worden bijgewerkt. Daardoor gaan de kopieën van elkaar afwijken. Met een kennisgraaf kunnen ze allemaal dezelfde centrale bron raadplegen. Het ontwerpdoel is om een definitie één keer te wijzigen en die wijziging via de aangesloten toepassingen beschikbaar te maken. Of en wanneer rapporten en chatbots de nieuwe versie gebruiken, hangt onder meer af van de koppelingen, verversing en caching. Een kennisgraaf legt bovendien relaties expliciet vast die in een vlakke lijst moeilijker te beheren zijn: welke KPI van welke andere KPI afhangt, welke rapporten een meetwaarde gebruiken en wie waarvoor verantwoordelijk is.
Er is wel een kanttekening. Een kennisgraaf modelleert de betekenis die je al hebt. Als ‘actieve klant’ in drie teams drie verschillende dingen betekent, bevat de graaf straks drie versies, of één verkeerde. Maak daarom eerst afspraken over de begrippen waarop beslissingen steunen en bouw de kennisgraaf op die begrippenlijst. In de praktijk groeien beide samen.
Wat is een semantische laag voor AI, en hebben we die nodig vóór GenAI?
De term betekent verschillende dingen, afhankelijk van wie hem gebruikt.
- In tooling voor meetwaarden is een semantische laag de berekeningslogica die in code is vastgelegd, zodat elke tool omzet op dezelfde manier kan berekenen.
- In Power BI bevat het semantische model de tabellen, relaties en meetwaarden die rapporten en Copilot raadplegen.
- Vanuit een bedrijfsperspectief is het een laag die bedrijfsconcepten met elkaar verbindt: deze KPI, de definitie ervan, de eigenaar en de rapporten waarin de KPI voorkomt. Het gaat hier niet om berekeningscode. Zie het als een bedrijfsbrein: de plek waar je vastlegt en verbindt wat je bedrijf met zijn begrippen bedoelt, zodat mensen en AI dezelfde betekenis kunnen raadplegen.
Heb je zo’n laag nodig vóór GenAI? Je hebt de bedrijfsbetekenis nodig vóór GenAI. Of die in code, in een semantisch model of in een begrippenlijst staat, is minder belangrijk dan de vraag of ze afgesproken is, een eigenaar heeft en bereikbaar is voor AI. Een bedrijfsbegrippenlijst is vaak de eerste stap.
Wat is een contextlaag voor AI-agents, en hoe verschilt die van een datacatalogus?
‘Contextlaag’ is een recentere term. Meestal gaat het om de informatie die een AI-agent naast een vraag krijgt om die correct te kunnen beantwoorden: wat een begrip betekent, welke dataset gebruikt moet worden, wie de eigenaar is en of de data geschikt zijn voor het beoogde gebruik.
Een datacatalogus is traditioneel voor mensen gebouwd: een inventaris van data-assets met beschrijvingen, eigenaars en data lineage, die je via een eigen portaal doorzoekt. De inhoud overlapt sterk. Het verschil zit vooral in de lezer en de manier waarop de informatie wordt aangeboden. Een catalogus bedient mensen via een zoekfunctie. Een contextlaag bedient agents via een interface die ze kunnen aanroepen.
De nuttige vraag is dus niet welk label je koopt. Wel of de definities die je medewerkers lezen dezelfde zijn als de definities die je AI raadpleegt.
Semantische laag, contextlaag, catalogus en kennisgraaf vergeleken
Deze benaderingen zijn geen concurrenten. De meeste bedrijven gebruiken er uiteindelijk meerdere. Wat telt, is waar de afgesproken betekenis staat en wie die kan raadplegen.
| Benadering | Wat bevat ze? | Voornaamste lezer | Wie onderhoudt ze? | Goede eerste stap voor AI? |
|---|---|---|---|---|
| Semantische laag in code | Berekeningslogica voor meetwaarden | BI-tools en ontwikkelaars | Data-engineers | Als berekeningslogica het grootste knelpunt is |
| Semantisch model in Power BI | Tabellen, relaties en meetwaarden | Rapporten en Copilot | Modelbouwers | Als het al bestaat: voeg beschrijvingen toe |
| Bedrijfsbegrippenlijst of datacatalogus | Definities, eigenaars en koppelingen naar data-assets | Mensen | Data-eigenaars en datastewards | Ja, als AI er ook toegang toe heeft |
| Contextlaag | Betekenis, gebruik, eigenaarschap en kwaliteit voor agents | AI-agents | Afhankelijk van de inrichting | Ja, als de laag gevoed wordt met definities die een eigenaar hebben |
| Kennisgraaf of ontologie | Entiteiten en relaties, bij een ontologie ook formele regels | Toepassingen en AI | Specialisten | Optioneel om te starten, sterk aanbevolen op grotere schaal |
Wat heeft een datacatalogus nodig om een bedrijfschatbot te ondersteunen die vragen over onze data beantwoordt?
De meeste catalogi zijn gebouwd voor mensen die in een portaal zoeken. Controleer vijf zaken als je een chatbot wilt ondersteunen.
- Definities in gewone taal voor de begrippen waarover mensen vragen stellen, niet alleen technische kolombeschrijvingen.
- Een aangeduide eigenaar per definitie, zodat de chatbot kan aangeven bij wie je terechtkan als een antwoord onzeker is.
- Koppelingen naar de plekken waar elke definitie wordt gebruikt: de achterliggende rapporten, meetwaarden en datasets.
- Een kwaliteitsstatus, zodat de chatbot kan signaleren wanneer er bekende problemen zijn met de data achter een antwoord.
- Een interface die AI-tools kunnen aanroepen, zoals een API of een MCP-server, met toegangscontrole die rekening houdt met wie welke informatie mag zien.
Twee begrippen zijn hier nuttig. Retrieval-augmented generation, zoals Microsoft en AWS het beschrijven, haalt relevante inhoud uit je eigen bronnen op en geeft die samen met de vraag aan het model mee. Het Model Context Protocol (MCP) is een open standaard, in 2024 geïntroduceerd door Anthropic, om AI-assistenten met externe tools en data te verbinden. Beide kunnen een bron van waarheid ontsluiten. Geen van beide creëert die bron.
Zo pak je het aan: kies, definieer, wijs toe, verbind en ontsluit
- Kies (Pick): begin met de begrippen waarop beslissingen steunen, zoals de KPI’s in managementrapporten en de woorden waarover mensen vragen aan AI stellen.
- Definieer (Define): schrijf per begrip één heldere zin, inclusief wat er niet onder valt.
- Wijs toe (Own): duid per begrip één persoon aan die de definitie mag wijzigen.
- Verbind (Link): koppel elke definitie aan de rapporten, meetwaarden en datasets die ze gebruiken. In grotere omgevingen kan een kennisgraaf die relaties op één plek vastleggen.
- Ontsluit (Serve): maak dezelfde definitie beschikbaar voor mensen in hun rapporten en voor AI-tools via één interface.
Begin met betekenis, schaal met verbindingen
Eén bron van waarheid voor mensen en AI is geen nieuw platform. Het is de vertrouwde ambitie om per begrip één gedeelde betekenis beschikbaar te maken voor elke lezer. Spreek de definities af, duid de eigenaars aan en zorg dat het rapport en de assistent dezelfde tekst kunnen raadplegen. Verbind die definities vervolgens in een kennisgraaf naarmate meer teams en AI-tools ervan afhangen. Je kan zonder kennisgraaf starten. Op grotere schaal is die sterk aanbevolen om één samenhangende versie te beheren en het risico op uiteenlopende definities te verkleinen.
Veelgestelde vragen
Kan een datacatalogus de bron van waarheid voor AI zijn?
Ja, als die afgesproken definities met eigenaars bevat en AI-tools die kunnen opvragen. Een catalogus die alleen via een eigen portaal toegankelijk is, bedient mensen die actief op zoek gaan, maar niet automatisch assistenten die snel antwoorden moeten geven.
Volstaat RAG om onze AI één bron van waarheid te geven?
RAG haalt informatie op uit de bronnen die je aanwijst. Als het drie tegenstrijdige definities vindt, kan het die alle drie aan het model doorgeven. RAG ontsluit de bron van waarheid, maar creëert die niet.
Kunnen we de kennisgraaf helemaal overslaan?
Voor één chatbot met een beperkte scope kan dat vaak. Zodra meerdere agents en teams dezelfde begrippen gebruiken, is een kennisgraaf sterk aanbevolen. Afzonderlijk vastgelegde kopieën van definities groeien uit elkaar, terwijl een kennisgraaf helpt om één onderling verbonden versie te beheren. Aangesloten toepassingen moeten wijzigingen wel correct ophalen en verwerken.
Waar beginnen we als honderden begrippen nog geen definitie hebben?
Begin met de KPI’s in rapporten voor het management en de raad van bestuur, en met de begrippen waarover mensen nu al vragen aan AI stellen. Definieer die, duid eigenaars aan en breid begrip per begrip uit. Alles vooraf willen modelleren is een veelvoorkomende reden waarom projecten rond begrippenlijsten vastlopen.
Wie moet eigenaar zijn van de bron van waarheid: IT of de business?
De business is verantwoordelijk voor de betekenis, IT voor de technische ontsluiting. Elke definitie heeft één eigenaar aan de businesskant nodig die ze mag wijzigen. IT richt de koppelingen en het versiebeheer zo in dat rapporten en AI-tools dezelfde actuele definitie kunnen raadplegen.