"Onze data is nog niet klaar voor AI"

Ik hoor het minstens twee keer per maand. Een directeur van een intermediair, ergens halverwege een kennismakingsgesprek, die zegt: "Klinkt goed, maar onze data is nog niet klaar voor AI." En dan stopt het gesprek. Niet formeel, maar in de praktijk wel. Er wordt een intern traject opgestart om "eerst de data op orde te brengen." Dat traject duurt een jaar. Soms twee. En dan belt niemand meer terug.

Ik snap het. Het voelt verantwoord. Eerst het fundament, dan het gebouw. Maar het is een drogreden.

Perfecte data bestaat niet

Wij werken inmiddels met tientallen intermediairs. Niet een van hen had "perfecte data" toen we begonnen. Wat ze wel hadden: klantgegevens in een AMS, polisdata van verzekeraars, en wat schadehistorie. Rommelig? Soms. Onvolledig? Vaak. Onbruikbaar? Bijna nooit.

Ons eerste model voor een klant hebben we gebouwd op data die de IT-manager zelf "een puinhoop" noemde. Drie maanden later voorspelde dat model met 78% nauwkeurigheid welke klanten binnen zes maanden zouden opzeggen. Niet perfect. Maar een stuk beter dan de huidige methode, namelijk: niets.

Het echte probleem zit ergens anders

Ik ben eerlijk: de data-smoes is vaak een proxy voor iets anders. Onzekerheid over wat AI concreet oplevert. Angst dat adviseurs het niet gaan gebruiken. Of simpelweg geen eigenaar die zegt: dit gaan we doen.

Dat is ook logisch. De meeste AI-pilots in de sector stranden niet op technologie. Ze stranden omdat er geen duidelijke businessvraag onder zit. "We willen iets met AI" is geen businessvraag. "Wij willen weten welke van onze 3.000 klanten de komende maanden dreigen op te zeggen" -- dat is er een.

Begin klein. Begin verkeerd.

Het advies dat ik geef aan elke directie die twijfelt: begin. Niet met een groot transformatieprogramma. Niet met een data warehouse-project. Begin met een vraag die je nu al hebt en data die je nu al hebt.

Onze aanpak is bewust modulair. Geen big bang, geen complete IT-vervanging. We koppelen aan wat er al staat -- ANVA, CCS, MSS, maakt niet uit -- en bouwen daar een voorspellende laag bovenop. Binnen weken, niet maanden.

Het grootste risico is niet dat je data niet perfect is. Het grootste risico is dat je concurrent al begonnen is terwijl jij nog aan het opruimen bent.

Over adoptie

Er is nog iets dat ik kwijt wil. De mooiste AI ter wereld is waardeloos als adviseurs hem niet gebruiken. Ik heb genoeg dashboards gezien die na de lancering precies nul keer zijn geopend.

Daarom bouwen wij geen dashboards. We bouwen triggers. Een adviseur opent 's ochtends zijn systeem en ziet: deze vijf klanten verdienen vandaag aandacht, om deze reden, met dit gesprekspunt. Dat is geen extra werk. Dat is beter werk.

De technologie is het makkelijke deel. Het moeilijke is gedragsverandering. En die begint niet bij een perfect datamodel. Die begint bij een eerste adviseur die belt met een klant die hij anders was vergeten.