Inkoopafdelingen investeren volop in kunstmatige intelligentie om processen te versnellen, kosten te verlagen en beter grip te krijgen op leveranciersrisico’s. Maar een systeem dat zelfstandig leveranciers selecteert of contracten beoordeelt, vraagt om iets anders dan technische adoptie: het vraagt om vertrouwen. Wie bepaalt of een AI-agent de juiste afweging maakt, en op basis van welke data?

Al in 1971 richtten de Universiteit van Amsterdam, de Vrije Universiteit en het Mathematisch Centrum samen een eigen rekencentrum op. De rekenkracht waar hun onderzoek van afhing wilden ze niet aan een externe partij overlaten; die hielden ze in eigen hand.

Organisaties zoeken naar manieren om data beter te benutten, zonder grip te verliezen op eigenaarschap en privacy. Deze uitdaging wordt in vrijwel elke sector urgenter, terwijl traditionele oplossingen daarin tekortschieten. In veel sectoren wordt informatie namelijk nog altijd verzameld in centrale databronnen, maar die aanpak staat onder druk. Nieuwe technologie en strengere Europese regelgeving dwingen tot een andere manier van denken over gegevensuitwisseling.

De opkomst van AI heeft data governance plots urgent gemaakt en de Amerikaanse Cloud Act zorgt voor groeiende onrust. Kunnen Amerikaanse overheden echt bij Nederlandse data? Het antwoord zal regelmatig bevestigend zijn. Het dwingt organisaties om fundamentele keuzes te maken over digitale soevereiniteit, een onderwerp dat de nieuwskoppen momenteel regelmatig domineert.

Bestuurders die AI omarmen, stellen vaak eerst de verkeerde vraag. Niet welk model of platform het beste past, maar of de onderliggende data betrouwbaar, actueel en voldoende gekoppeld zijn om die AI te voeden. AI creëert namelijk niets uit het niets, het versterkt wat al in de data zit, inclusief fouten, hiaten en silo’s. Slechte data leiden tot AI die met grote stelligheid verkeerde antwoorden geeft, en dat is erger dan geen AI.

Organisaties die AI inzetten op gefragmenteerde personeelsdata lopen grote risico’s. Binnen HR en payroll zijn de gevaren het grootst: nergens binnen een bedrijf zijn de gegevens gevoeliger en de systemen zo versnipperd. Internationale bedrijven werken vaak met lokale payrollproviders, losse HR-applicaties en spreadsheets die via handmatige koppelingen worden samengevoegd. Dat fragiele fundament kan AI-conclusies onbetrouwbaar maken, en dan zijn de gevolgen niet te onderschatten.

Het debat over digitale soevereiniteit gaat vooral over de verkeerde laag. De AI Act, Cloud Act, NIS2 en discussies over datalocatie draaien om waar informatie wordt opgeslagen, wie haar beheert en wie er toegang toe heeft. Het zijn belangrijke vragen. Maar ze zeggen weinig over de datakwaliteit waarop AI wordt getraind. Terwijl die steeds bepalender wordt voor de betrouwbaarheid van intelligente systemen.

Veel organisaties beschikken over dashboards en budgetten, maar voeren nog te weinig het gesprek dat er echt toe doet: welke technologie draagt bij aan welke bedrijfswaarde? Nu IT-uitgaven door cloud en kunstmatige intelligentie stijgen, wordt die vraag urgenter. Niet alleen ICT-teams moeten begrijpen welke diensten zij afnemen en wat die kosten, maar ook finance en de business.

Jarenlang draaide de discussie over data vooral om innovatie: hoe kunnen organisaties sneller analyseren, slimmer automatiseren en meer waarde halen uit kunstmatige intelligentie? Nu datasoevereiniteit hoog op de agenda staat, verschuift de aandacht naar een andere vraag: hoeveel grip hebben organisaties nog op hun data, infrastructuur, rekenkracht en de afhankelijkheden die daarbij ontstaan?