Begrippen
Waarom AI soms foute cijfers geeft — en wat u eraan kunt doen
Sales, finance en operations bedoelen vaak iets anders met 'klant' of 'omzet'. Zonder gedeelde definities gokt AI — en klinkt het antwoord toch overtuigend. Zo pakt u dat aan, zonder groot IT-project.
Het probleem kent u waarschijnlijk al
U vraagt in een vergadering naar 'omzet deze maand'. Sales pakt het CRM erbij, finance het boekhoudpakket, operations een Excel. Drie tabellen, drie antwoorden — en niemand liegt bewust.
Stel dat u dezelfde vraag aan ChatGPT of een andere AI stelt, gekoppeld aan al die bronnen. Dan krijgt u ook drie smaken antwoord — alleen klinkt het nu alsof het zeker klopt. Dat is geen model-fout alleen. Het is een betekenis-fout: niemand heeft vastgelegd wat 'omzet' in uw bedrijf precies telt.
Daarvoor bestaat een begrip dat in vakartikelen 'semantische laag' heet. In gewone taal: een gedeeld woordenboek voor uw belangrijkste begrippen, zodat mens en AI hetzelfde bedoelen.
Wat is een semantische laag — zonder jargon
Onthoud dit
Een semantische laag is geen extra software die u per se moet kopen. Het is vooral afsprache: wat bedoelen wij met klant, order, marge, regio — en welke spreadsheet of map is de bron als er twijfel is?
- Woordenboek: sales zegt 'prospect', finance 'tegenpartij' — leg vast dat het om dezelfde relatie gaat (of juist niet).
- Rekenregels: telt retour omzet mee? Is BTW eruit? Vanaf welke datum is iemand 'actieve klant'?
- Bron van waarheid: welk systeem wint als CRM en boekhouding verschillen?
- Wie mag wat zien: mag HR-documenten in dezelfde AI-zoekopdracht als sales-cijfers?
Waarom dit extra belangrijk is met AI
| Wat u regelt | Wat het oplevert | Voorbeeld uit de praktijk |
|---|---|---|
| Eenduidige begrippen | Minder discussie in vergaderingen | Iedereen gebruikt dezelfde definitie van 'doorlooptijd' |
| Nette documenten + versies | AI vindt het juiste stuk tekst | Verlofregels 2026, niet die van 2023 |
| Centrale AI-werkplek | Controle wie wat mag vragen | Finance apart van marketing; optioneel strengere data-instellingen |
Moet u meteen een duur data-platform?
De valkuil
Elk team 'even snel' eigen Excel of eigen AI-account. Dan bent u over een half jaar verder van huis: meer tools, nog steeds geen eensgezind antwoord op 'hoeveel omzet'.
Vijf stappen die u deze maand kunt zetten
- Kies een onderwerp waar pijn zit — bijvoorbeeld marge, pipeline of openstaande posten. Niet 'AI voor het hele bedrijf'.
- Schrijf op een A4 wat de tien belangrijkste woorden betekenen (klant, order, omzet, regio …). Laat sales en finance meekijken.
- Wijs een bron aan als er verschil is tussen systemen.
- Ruim de map op waar AI uit mag lezen: juiste versie, duidelijke bestandsnamen.
- Test met een echte vraag uit uw werk — en controleer het antwoord handmatig. Tel mee, vergelijk met uw cijfers.
Waar One Space AI inspringt
“AI zonder gedeelde afspraken over betekenis is snel. AI met die afspraken kost even werk — en scheelt verrassingen richting klant, accountant of toezichthouder.”
Naar aanleiding van Schwanke, Enterprise Knowledge
Veelgestelde vragen
Is dit iets voor ons als we geen data-team hebben?
Juist dan. U hoeft geen data engineers in dienst. Begin met afspraken over woorden en bronnen — dat kan in een gedeeld document. Techniek komt later, als de pilot waarde laat zien.
Helpt dit als we al ChatGPT of Copilot gebruiken?
Ja. Losse AI-tools weten niet wat u met 'klant' bedoelt. Centrale afspraken plus een beheerde werkplek voorkomen dat elke medewerker zijn eigen versie van de waarheid bouwt.
Is dit hetzelfde als ons RAG-artikel op de blog?
Gerelateerd, maar eenvoudiger gezegd: RAG gaat over eerst het juiste document zoeken, dan antwoord geven. De semantische laag gaat over weten wat woorden en cijfers bij u betekenen. Beide horen bij betrouwbare antwoorden.
Garantie dat AI nooit meer fout gaat?
Nee — en wie dat belooft, is onrealistisch. U verkleint wel een grote bron van fouten: tegenstrijdige definities en rommelige bronnen. Blijf kritieke beslissingen altijd door een mens laten checken.