In het vorige artikel beloofde ik erop terug te komen: goede data voorbereiden wordt een van de belangrijkste vaardigheden van de komende jaren. Die belofte los ik hier in. Want nu steeds meer collega's zelf met data aan de slag gaan, bepaalt de kwaliteit van die data wat ze eruit halen.
Steeds meer collega's werken zelf met data
De taakverschuiving uit het vorige artikel heeft een gevolg dat weinig aandacht krijgt. Als een communicatieadviseur zelf een analyse draait, een beleidsmedewerker zelf cijfers doorspit, of een teamleider zelf een overzicht bouwt, dan werken ze allemaal met data die iemand anders heeft klaargezet. En daar gaat het vaak mis. Niet omdat de AI tekortschiet, maar omdat de data er niet klaar voor is.
TNO zag hetzelfde in onderzoek bij vier organisaties die AI invoerden: datakwaliteit bleek telkens de harde randvoorwaarde. Onvolledige of rommelige input leidde onvermijdelijk tot output waar niemand iets aan had. Hoe slim het model ook is, het kan niet werken met wat er niet in zit.
Wat goed voorbereide data is
Goed voorbereide data herken je aan drie dingen. De structuur is consistent: dezelfde soort informatie staat elke keer op dezelfde plek, met duidelijke veldnamen. De context reist mee: waar komt de data vandaan, van wanneer is hij, wat zit er wel en niet in. En hij is leesbaar voor AI: een net gestructureerd bestand in plaats van een screenshot, een pdf van een scan of een losse mail met bijlagen.
Dat klinkt als IT-werk, maar dat is het niet. Degene die de data kent, kan hem het beste voorbereiden. Een omgevingsanalist weet welke bronnen betrouwbaar zijn en welke kanttekening bij een cijfer hoort. Een KCC-teamleider weet wat een categorie in het klantcontactsysteem echt betekent. Die kennis moet mee met de data, anders trekt de collega die ermee verder gaat de verkeerde conclusies.
Wat dit betekent voor specialisten
Voor specialisten verandert hiermee wat ze opleveren. Neem opnieuw de omgevingsanalist. Het klassieke product is een uitgeschreven rapport met duiding: hier is onze conclusie. Het nieuwe product komt daarnaast: een goed voorbereide dataset waar collega's zelf vragen aan kunnen stellen. Het rapport beantwoordt de vraag van vandaag, de dataset ook die van volgende week.
Dat is geen verlies van positie, eerder het omgekeerde. Wie de datasets levert waar de hele organisatie op werkt, bepaalt de basis waarop iedereen z'n conclusies trekt. Vergelijk het met de vorige artikelen over regie: je legt je vakkennis vast op een plek waar anderen er automatisch mee werken. Bij schrijven zijn dat agent skills met je richtlijnen, bij data zijn dat goed voorbereide bestanden met je bronnenkennis erin.
Waar je morgen mee kunt beginnen
Je hoeft hier geen datawarehouse voor op te tuigen. Begin bij de data die je zelf al doorgeeft. Lever je een media-overzicht, een vragenlijstuitkomst of een wekelijkse rapportage aan collega's? Kijk er dan één keer kritisch naar. Staat alles in een vaste structuur? Kan iemand zonder jouw toelichting zien wat elke kolom betekent? Zou een AI-assistent er direct mee kunnen rekenen, of moet er eerst iemand knippen en plakken?
Eén verbeterslag aan een terugkerend bestand betaalt zich elke week opnieuw uit. En let op wat er niet in hoort: persoonsgegevens die niemand nodig heeft, haal je eruit voordat je iets deelt.
De collega die over vijf jaar het verschil maakt, is niet per se degene die het mooiste rapport schrijft. Het is degene wiens data zo goed is voorbereid dat de hele organisatie erop verder kan. Wil je hiermee oefenen, kijk dan bij onze trainingen.
Bron: TNO, AI in de praktijk: effecten op de productiviteit en kwaliteit van arbeid in vier organisaties (mei 2026).
