In jullie organisatie is een dashboard gerealiseerd met de oorspronkelijk gewenste inzichten. Goedgekeurd, elke maandag ververst en de helft van de tijd kijkt niemand ernaar. Tot in de vergadering de vraag valt die er niet op staat. Waarom wijkt die ene klantgroep sinds maart af van zijn normale patroon? Stilte. En dan het bekende antwoord: “We zoeken het uit, we maken er een nieuw rapport voor.”
Dat antwoord voelt steeds ongemakkelijker. De data is er. Het platform is er. De datamodellen zijn er meestal ook. Toch zitten er tussen vraag en antwoord nog altijd een of meerdere specialisten en een paar dagen doorlooptijd. En daarna volgt nog een ronde: de mensen uit de business die tijd moeten vrijmaken om te controleren of het antwoord klopt.
Daar verandert nu iets. Naast de vertrouwde rapportages, de dashboards en die ene gecureerde Excel-export die iedereen doorstuurt, komt een tweede route. De vraag wordt gewoon in het Nederlands aan het dataplatform gesteld. Databricks noemt het Genie. Microsoft bouwt het als Data Agents in Fabric. De bestaande rapportagelaag vervangt dit niet. Het neemt het werk uit handen en maakt vragen mogelijk die eerder doodliepen op: "Dat zoeken we uit". Sterker nog: AI draagt soms vragen aan waar niemand zelf op was gekomen.
Er is één voorwaarde. En die hebben de meeste organisaties niet op orde. Daar gaat de rest van deze blog over.
Even weg van de tooling. Data-analyse zat decennialang vast op een reeks knelpunten. Die zijn één voor één weggewerkt.
Lange tijd was de opslag van data het probleem. Schijfruimte was duur. Daarom werd alleen bewaard wat zeker nodig was. De rest ging verloren. Begin jaren negentig kostte een gigabyte nog duizenden guldens. Nu is dat een paar cent.
Toen opslag goedkoop werd, verschoof het knelpunt naar rekenkracht. De data was er wel, maar de machine om er iets zwaars mee te doen was te klein of stond in de weg. Traditioneel kwam die rekenkracht namelijk uit dezelfde machine als waar de data op stond. Meer verwerken betekende een grotere doos kopen.
Rond 2014 veranderde dat. Opslag en rekenkracht werden gescheiden, zodat rekenkracht niet langer uit de machine met de data hoefde te komen. De cloud maakte het compleet: rekenkracht werd iets wat je aanzet als dat nodig is en uitzet als het werk klaar is. Databricks, Snowflake en Azure Synapse zijn groot geworden door precies die scheiding: data op goedkope objectopslag, rekenkracht apart en schaalbaar op verzoek.
Opslag opgelost, rekenkracht opgelost, maar de stap van "ik wil dit weten" naar een concreet antwoord uit de data bleef mensenwerk. Schaars mensenwerk. En de reden dat een ad-hocvraag enkele dagen duurt. Zo bekeken komt praten met je data niet uit de lucht vallen. Het is de laatste stap in een reeks. Alles ervoor is al geautomatiseerd. Deze stap was simpelweg het moeilijkst, want taal begrijpen is lastiger dan een schijf bijplaatsen. Dat het nu kan, is geen hype maar een kwestie van volgorde.
Het probleem zelf is trouwens zo oud als de boekhouding. In Mesopotamië, vijfduizend jaar geleden, werd op kleitabletten vastgelegd hoeveel graan en vee bij wie hoorde. Wie wilde weten hoeveel er nog in de silo lag, vroeg het gewoon aan de schrijver die de tabletten kon lezen. Sindsdien is die schrijver vervangen door tabellen, grafieken en dashboards. Nu keren we terug naar de kern: de vraag wordt weer gewoon gesteld. Alleen is de schrijver deze keer een machine die de tabletten zelf leest. Dat maakt de machine de laatste tolk in de keten.
Drie dingen. En alle drie praktisch.
Figuur 1: waarom geen hype
Nu het deel dat in de meeste verkooppraatjes wordt overgeslagen. En het is meteen onze stelling: de meeste organisaties die hier nu mee willen starten, lopen niet stuk op de tooling. Ze lopen stuk op hun eigen datahuishouding.
Neem een simpel geval. Iemand vraagt een agent naar de omzet van vorige maand. Er rolt een vloeiend antwoord uit. Een keurige tabel. Het ziet er professioneel uit. Alleen: is dat omzet op de dag van verkoop of op de dag van facturatie? Zitten de intercompanyboekingen erin? Zijn de credits eraf? De agent heeft één definitie gekozen en die niet genoemd. Het antwoord klopte niet, maar het klónk goed. En niemand controleerde het.
Dat is het echte risico. Niet dat het model geen antwoord geeft, maar dat het een fout antwoord geeft dat overtuigend genoeg is om te geloven.
Het probleem is dus niet taal. Het is context. Weet het systeem dat omzet in jouw organisatie exclusief btw is? Dat "actieve klant" een eigen definitie heeft? Welke tabel de bron van waarheid is en welke troep is? Die kennis leeft niet in het taalmodel. Die moet vooraf zijn vastgelegd in definities waar iedereen zich aan houdt.
Daar hoort een tweede laag bij: wie welke gegevens mag zien. Een agent die geen onderscheid maakt tussen de salarisadministratie en de omzetcijfers, is geen hulpmiddel maar een datalek. Context en toegangsrechten zijn twee verschillende dingen. En je hebt ze allebei nodig.
Ligt dat fundament er niet, dan heb je een sneller kanaal naar verkeerde antwoorden gebouwd. Ligt het er wél, dan ontstaat iets wat dicht in de buurt komt van een collega die het bedrijf kent. En meteen verdampt een flink deel van de validatielast die nu bij de gebruikers ligt.
Dit is precies waarom chatten met je data de dashboards niet vervangt. Datzelfde goed gemodelleerde platform waarop je rapportages draaien, is het fundament waarop een kennislaag pas betrouwbaar wordt. Ze staan op dezelfde grond. Voor vaste KPI's, sturing en de cijfers die iedereen op dezelfde manier moet zien, blijft het dashboard onverslaanbaar. De kennislaag doet het deel dat het dashboard nooit kon: het onvoorziene en de ad-hocvragen.
Figuur 2: kennislaag als fundament
Wil je zien waar dit naartoe gaat, kijk dan naar Databricks. Op hun Data + AI Summit van afgelopen juni was de rode draad in één zin te vangen: context is het nieuwe fundament van elk dataplatform. CEO Ali Ghodsi verwoordde het nog scherper: de meeste enterprise-AI van nu is “gokken met vals vertrouwen”.
Genie is Databricks' antwoord daarop: een gebruiker stelt een vraag in gewone taal. Genie vertaalt die naar een query op de onderliggende tabellen. Dat vertalen op zich is niet bijzonder meer. Elke leverancier kan het inmiddels. Het verschil zit in hoe goed Genie de organisatie begrijpt. Daar zetten ze de grootste stap met Genie Ontology: een laag die automatisch een levende kaart bouwt van wat de data betekent. Niet alleen dat een kolom "omzet" heet, maar ook wat omzet binnen het bedrijf ís, hoe de entiteiten samenhangen, welke definities gelden en welke uitzonderingen er zijn. Die kennis wordt uit tabellen, queries, dashboards en pipelines gehaald. Vervolgens wordt die per begrip gerangschikt naar welke definitie het meest gezaghebbend is.
Figuur 3: Genie input
Figuur 4: Genie response
Dat is precies de kennis die tot nu toe in het hoofd van de senior analist zat. Ligt die eenmaal vast op het platform? Dan krijgt het model het enige wat het zelf niet kan verzinnen: begrip van de eigen werkelijkheid. En dat vastleggen heeft een meetbaar effect. In Databricks' eigen benchmark beantwoordde Genie met die contextlaag 84,5 procent van de vragen in één keer goed. Zonder die context kwam de sterkste generieke agent uit op 52,4 procent (Introducing Genie One). Dezelfde modellen, ander resultaat. Het verschil zat in de context, niet in het model.
Daarnaast werkt Databricks hard aan het wegnemen van het beheer dat bij zo'n gesprekslaag komt kijken: minder handmatig tunen, minder infrastructuur om zelf overeind te houden. De drempel om zo'n laag neer te zetten moet omlaag. Maar let op de valkuil, en dit is waar veel demo's een rad voor ogen draaien: context is niet hetzelfde als correctheid. Genie Ontology rangschikt de meest vertrouwde definitie, maar of het uiteindelijke antwoord klopt, controleert het niet. Dat blijft mensenwerk: de catalogus, de definities, de governance eronder. Minder beheer betekent dus niet minder governance.
Wie in een Microsoft-wereld zit, en dat geldt voor veel organisaties, ziet dezelfde beweging bij Fabric. Ingebed in het ecosysteem waar Power BI, Office en Azure al draaien. Fabric brengt opslag, verwerking en rapportage in één omgeving samen en zet daar Data Agents bovenop die in gewone taal vragen beantwoorden.
En dan komt het interessante: Microsoft doet in de kern precies wat Databricks doet. En gebruikt er zelfs hetzelfde woord voor. Onder de noemer Fabric IQ introduceerde Microsoft een Ontology, een gedeelde laag die de betekenis van data vastlegt. Sales noemt het een “customer”, logistiek een “recipient”, finance een “billing entity”. De ontology tilt die drie op tot één begrip en vertaalt een technisch veld als “status = 0” naar “order geannuleerd”. Dat twee concurrenten los van elkaar bij dezelfde term uitkomen, is veelzeggend. De hele markt convergeert op context als fundament.
De sterkste troef zit in wat er al ligt. Een semantisch model in Power BI ís al vastgelegde context: de maatstaven, de relaties en de definities zitten erin. Fabric kan een ontology rechtstreeks uit die bestaande modellen genereren. En wereldwijd draaien er al tientallen miljoenen van die modellen. Organisaties die hun modellen op orde hebben, hebben dus een echte voorsprong: de context is er al, de agent maakt hem toegankelijk. Wie weinig aandacht aan de semantische laag heeft geschonken, merkt dat direct.
Eén ontwikkeling verraadt waar het echt heen gaat. Microsoft heeft Ontology opengesteld via het Model Context Protocol, zodat niet alleen Fabric-agents maar agents van elke leverancier erop kunnen bouwen. De platformrace van 2026 gaat niet langer over compute of opslag, maar over welk platform de betrouwbaarste gedeelde context aan de meeste agents levert. Precies de verschuiving waar deze blog om draait.
De conclusie is bij beide platformen dezelfde en dat is geen toeval. Of het nu het Databricks-lakehouse is of Fabric: de winnende zet is niet “koop het slimste model”, maar “krijg de context en governance op orde en zet daar een kennislaag op”.
De grote lijn is simpel. Het knelpunt in data-analyse is decennialang opgeschoven: van opslag naar rekenkracht en vervolgens naar de mens die de vraag vertaalt. Die laatste is nu aan de beurt. Praten met data is niet de zoveelste hype, maar het sluitstuk van die reeks.
De dashboards blijven staan. Ze blijven het beste instrument voor de vaste vragen, de KPI's, de sturing. De gesprekslaag pakt de rest: alles wat nu in Excel eindigt of bij een analist op de stapel belandt. Zo verschuift het BI-team van het beantwoorden van losse vragen naar het werk dat blijft renderen: het fundament.
Want daar draait het uiteindelijk om: niet het model, maar het fundament. Een gesprekslaag op een platform zonder goede catalogus en governance geeft overtuigende antwoorden die niet kloppen. Diezelfde gesprekslaag op een goed gemodelleerd, goed beheerd platform geeft een collega die het bedrijf kent. Het verschil zit niet in de chatbot, maar in de grond eronder: het datamodel, de definities, de toegangsregels. Precies het werk dat zich hier dubbel terugbetaalt.
Draait Fabric of Databricks al? Dan is de stap kleiner dan gedacht. De data is er, het platform is er. Wat rest, is de laag die mensen rechtstreeks bij hun antwoorden brengt en de eerlijke check of het fundament die laag aankan.
Terug naar die vergadering. De vraag valt. Die ene over de klantgroep die sinds maart afwijkt. Alleen deze keer volgt er geen stilte. Iemand stelt de vraag hardop aan het platform en het antwoord staat er voordat het agendapunt is afgerond. Geen nieuw rapport. Geen wachttijd. Geen "we zoeken het uit".
Figuur 6: Antwoorden direct aan tafel
De eerste gesprekslaag. Een pilot met Genie of Data Agents op jullie eigen data, gevoed met de vragen die nu op de stapel liggen. Zo zie je binnen een paar weken wat het in jullie praktijk oplevert.
Op donderdag 10 september 2026 geven we samen met Microsoft de workshop: Chat with your data in a day. Tijdens deze workshop ontdek je hoe je je data klaar zet om te bevragen met Microsoft Copilot. Meld je hier voor deze gratis workshop aan!
Heb je andere vragen, die je niet aan je data kan stellen, stuur dan een berichtje naar Vincent, onze klantsuccesregelaar!