Agents

Kunstmatige intelligentie vergroot fouten in gegevens in plaats van ze te herstellen

16 november 2026 · 2 min leestijd

a car dashboard with a screen
Mark Chan / Unsplash

Een groot aantal organisaties kampt met een gebrek aan betrouwbare gegevens bij de implementatie van kunstmatige intelligentie. Hoewel veel leiders in gegevensbeheer aangeven klaar te zijn voor deze technologie, erkennen zij tegelijkertijd dat hun huidige gegevens een obstakel vormen.

Uit een onderzoek van Precisely en het LeBow College of Business van de Drexel University onder 565 professionals blijkt dat 88 procent van de leiders in gegevensbeheer zich klaar acht voor kunstmatige intelligentie. Echter geeft 43 procent toe dat hun gegevens momenteel een belemmering vormen. In 2024 stelde slechts 12 procent dat hun gegevens voldoende kwaliteit en toegankelijkheid hadden, terwijl 67 procent hun eigen gegevens niet volledig vertrouwde voor het nemen van beslissingen.

In januari 2026 laat hetzelfde onderzoek zien dat het optimisme is gestegen, maar de problemen blijven bestaan. Bijna de helft van degenen die beweren klaar te zijn, geeft in dezelfde enquête toe dat dit niet het geval is. Dit creëert een kloof tussen vertrouwen en daadwerkelijke voorbereiding, wat in de techniek wordt aangeduid als technische schuld.

Het automatiseren van processen corrigeert fouten niet, maar schaalt ze juist op. Waar een mens bij defecte gegevens twijfelt en corrigeert, leert een model van kunstmatige intelligentie de fout, generaliseert deze en past deze met grote snelheid toe. Bij agenten die acties uitvoeren, verplaatst de fout zich van rapportages naar de operationele uitvoering.

Volgens Gartner beschikt 63 procent van de organisaties niet over de juiste praktijken voor gegevensbeheer voor kunstmatige intelligentie, of zij weten niet of ze deze hebben. De verwachting is dat bedrijven tegen het einde van 2026 maar liefst 60 procent van de projecten voor kunstmatige intelligentie zullen staken die niet worden ondersteund door voorbereide gegevens. Dit gebeurt ondanks miljardeninvesteringen in generatieve en agentische kunstmatige intelligentie, waarbij de meeste organisaties geen meetbaar rendement behalen omdat de systemen niet passen in echte werkstromen of contexten.

Bedrijven identificeren het beheer en de kwaliteit van gegevens voor training en inferentie als de belangrijkste remmende factoren, in plaats van het model zelf. Andere problemen zijn het gebrek aan contextuele attributen, privacy en onvoldoende gegevens om vooroordelen te voorkomen. Een formele strategie voor gegevensbeheer maakt echter een verschil: 71 procent van de organisaties met zo'n programma heeft een hoog vertrouwen in hun gegevens, tegenover 50 procent van de organisaties zonder programma. Van de eerste groep verwacht 32 procent een positief rendement binnen 6 tot 11 maanden.

De Europese regelgeving voor kunstmatige intelligentie vereist bovendien praktijken voor gegevensbeheer en kwaliteit voor systemen met een hoog risico, zoals systemen voor kredietverstrekking of personeelsselectie.