Je data AI-klaar maken: van verspreide bestanden naar gestructureerde AI-input

De meeste bedrijven zitten op een berg data zonder het te beseffen. Klantgegevens in een CRM, offertes in Google Drive, afspraken die in mailboxen blijven hangen, productinformatie verspreid over een handvol spreadsheets, en de echte kennis in de hoofden van een paar mensen. Zodra je daar AI op wilt loslaten, een assistent die je documenten doorzoekt, een chatbot op je eigen handleidingen, een model dat concept-offertes opstelt, blijkt het knelpunt zelden de AI zelf. Het is de data eronder.

Deze gids is voor de ondernemer of het team dat verder wil dan losse ChatGPT-prompts en AI wil inzetten op de eigen bedrijfsdata, maar eerst die data op orde wil brengen. Het is geen theoretisch verhaal over governance-frameworks. Het is een concreet stappenplan: van verspreide bestanden naar input waar een AI-tool meteen iets zinnigs mee doet. Dat datakwaliteit, en niet het model, de doorslaggevende factor is voor AI die werkt, is het waarom achter dit stuk. Hieronder staat het hoe.

Wat ‘AI-klaar’ eigenlijk betekent

Er bestaat geen knop die je data in één keer universeel AI-klaar maakt. Volgens Gartner is data pas AI-klaar als ze representatief is voor de specifieke use case, inclusief de uitzonderingen en randgevallen die het model moet kunnen verwerken. Met andere woorden: AI-klaar is geen eigenschap van je data in het algemeen, maar van je data ten opzichte van één concrete vraag die je wilt beantwoorden.

Dat is goed nieuws, want het maakt de klus behapbaar. Je hoeft niet je hele datalandschap te saneren voordat je begint. Je kiest één use case, een klantenservice-assistent op je handleidingen, een tool die offertes uit oude offertes opstelt, en je maakt de data die dáárbij hoort op orde. In de praktijk komt AI-klaar neer op vier dingen: de data is vindbaar (je weet waar ze staat), schoon (geen dubbele, verouderde of tegenstrijdige versies), gestructureerd (een vorm die een machine kan lezen) en afgebakend (je weet wat erin mag en wat eruit moet om privacy-redenen).

Wat je nodig hebt

Voordat je begint, leg je een paar dingen klaar. Veel meer dan dit is het niet:

• Een gekozen use case. Één concrete vraag die de AI straks moet beantwoorden. Zonder dit dwaal je af.
• Een inventarislijst. Een simpele spreadsheet waarin je bijhoudt welke bronnen je hebt, waar ze staan en in welke staat ze zijn.
• Toegang tot je bronnen. Drive, mailbox, CRM, boekhouding, de gedeelde schijf. Zorg dat je erbij kunt en weet wie de eigenaar is.
• Een AI-tool om naartoe te werken. Voor de meeste MKB-use cases is dat een document-gerichte tool zoals Google NotebookLM of een Claude-project, of een eigen RAG-opzet als het serieuzer wordt.
• Een opschoon-werkruimte. Een lege map of een schoon tabblad waar de opgeschoonde versies landen, gescheiden van de rommelige originelen.

In stappen: van verspreide bestanden naar AI-klare input

Je brengt verspreide bedrijfsdata in vijf stappen naar een vorm waar een AI-tool direct mee werkt: inventariseren waar alles staat, snoeien en ontdubbelen, opschonen van ruis en privacygevoelige velden, structureren in een machine-leesbare vorm, en testen met echte vragen voordat je opschaalt. De volgorde is bewust: elke stap maakt de volgende lichter.

Werk ze in deze volgorde af.

Stap 1: Inventariseer waar je data staat

Begin met een eerlijke inventarisatie. Maak een spreadsheet met per bron een rij: waar staat ze, welk type (PDF, spreadsheet, e-mail, databasetabel, gescande documenten), hoe actueel, wie is de eigenaar, en bevat ze persoonsgegevens. Microsoft, dat veel RAG-projecten begeleidt, zet deze stap niet voor niets vooraan: je moet eerst de verschillende soorten en formaten van je content in kaart brengen voordat je een verwerkingsstrategie kunt kiezen.

Gescande documenten en afbeeldingen verdienen een aparte kolom: tekst in een plaatje is voor een AI-tool onleesbaar tot je er OCR overheen haalt. Het doel van deze stap is geen perfectie, maar overzicht. Je weet aan het eind welke bronnen relevant zijn voor je use case en in welke staat ze verkeren.

Stap 2: Snoei en ontdubbel

Nu gaat het mes erin. De grootste vijand van een AI-assistent is niet te weinig data, maar te veel tegenstrijdige data. Drie versies van hetzelfde prijsblad, een handleiding van 2022 naast die van 2026, een offertesjabloon dat niemand meer gebruikt: als je dat allemaal naar binnen kiepert, kiest de AI straks willekeurig en krijg je vol vertrouwen gebrachte onzin terug.

Loop je inventaris langs en markeer per bron: behouden, verwijderen, of samenvoegen. Houd per onderwerp één bron de waarheid. Gooi verouderde versies weg of zet ze in een apart archief dat de AI niet ziet. Dit is saai en het is precies waar het rendement zit.

Stap 3: Schoon op en haal er weg wat er niet in hoort

Schone bron-data betekent twee dingen. Ten eerste: weg met de ruis. Headers, footers, disclaimers, watermerken, dubbele witregels en navigatie-rommel uit geëxporteerde webpagina’s voegen niets toe en verwarren de zoekstap. Ten tweede, en belangrijker: haal eruit wat er om privacy-redenen niet in hoort. Een AI-tool die je hele klantbestand indexeert, maakt die persoonsgegevens vindbaar voor iedereen die de assistent mag gebruiken. Het risico van AI zit bijna nooit in het model en bijna altijd in de data die je erin stopt, dus pseudonimiseer of verwijder BSN’s, medische gegevens en andere bijzondere persoonsgegevens vóór ze de tool in gaan, tenzij je use case ze echt nodig heeft en je grondslag op orde is.

Stap 4: Structureer in een vorm die een machine kan lezen

Dit is de stap die de meeste mensen overslaan en waar het meeste rendement zit. AI-tools werken het best met platte, voorspelbare tekst en met nette tabellen. Een PDF met drie kolommen, voetnoten en een ingesloten plaatje van een tabel leest een model veel slechter dan dezelfde inhoud als Markdown of als een schone spreadsheet.

Praktisch betekent dat: zet losse feiten en records (klanten, producten, prijzen, statussen) in een echte tabel met één rij per record en duidelijke kolomnamen. Een opgeruimde Google Sheet is voor veel bedrijven een prima eerste gestructureerde databron om mee te beginnen. Lopende kennis (handleidingen, beleid, procedures) zet je om naar schone tekst met een heldere kopstructuur, want die koppen helpen de AI om relevante stukken terug te vinden. Geef elk bestand een sprekende naam en, waar het kan, een paar regels context bovenaan: wat is dit, van wanneer, voor wie. Die metadata is goud waard bij het terugzoeken.

Stap 5: Test met echte vragen vóór je opschaalt

Voordat je je hele dataset erin gooit, neem je een representatieve steekproef en stel je de tool de echte vragen die je straks dagelijks gaat stellen. Microsoft adviseert om vooraf een lijst testvragen op te stellen die je content moet kunnen beantwoorden, en te controleren of het antwoord ook echt uit je bronnen komt. Krijg je vage of verzonnen antwoorden, dan ligt dat bijna altijd aan een bron die nog te rommelig is, niet aan de AI. Pas je data aan, niet je verwachtingen, en schaal pas op als de steekproef klopt.

Een woord over chunking (en wanneer je het kunt negeren)

Zodra je met een serieuzere RAG-opzet werkt, kom je de term chunking tegen: het opknippen van lange documenten in stukken die de AI los kan terugvinden. Te grote stukken verdrinken het antwoord in ruis, te kleine stukken verliezen de context. In de praktijk werkt voor feitelijke vraag-en-antwoord een stuk van ongeveer 256 tot 512 tokens met een kleine overlap goed, terwijl analyses die over meer tekst moeten redeneren juist baat hebben bij grotere stukken van 1.000 tokens of meer.

Het goede nieuws voor de meeste lezers: als je een kant-en-klare tool gebruikt, hoef je hier niets aan te doen. NotebookLM en Claude-projecten knippen en indexeren je documenten automatisch. Chunking wordt pas jouw zorg als je zelf een RAG-pijplijn bouwt, en dan is het zorgvuldig voorbereiden van je data de helft van het werk.

Valkuilen

• Alles tegelijk willen doen. De verleiding is om je hele bedrijf in één keer AI-klaar te maken. Doe het per use case. Eén schone, afgebakende bron levert meer op dan een complete maar rommelige berg.
• De data dumpen en hopen. Een mappenstructuur in Drive ongefilterd naar een AI-tool sturen voelt productief, maar je importeert dan al je dubbele en verouderde versies. De AI wordt er meetbaar slechter van.
• Privacy als sluitpost behandelen. Persoonsgegevens eruit halen is geen stap die je achteraf even doet. Eenmaal geïndexeerd is gevoelige data vindbaar voor elke gebruiker van de tool.
• Eenmalig opschonen. Data veroudert. Een bron die vandaag klopt, is over een half jaar achterhaald. Spreek af wie de bron actueel houdt, anders verzandt je AI-assistent langzaam in oude feiten.
• Het meten vergeten. Zonder testvragen weet je niet of het werkt. Of AI echt rendement oplevert of alleen zo vóélt, is een vraag die je met bewijs beantwoordt, niet met onderbuikgevoel.

Kant-en-klaar vs. maatwerk

De grote keuze: gebruik je een bestaande tool waar je je opgeschoonde data in laadt, of laat je een eigen oplossing bouwen die op je systemen aansluit? Voor veel bedrijven is een kant-en-klare tool het juiste startpunt, en pas als je tegen de grenzen aanloopt, wordt maatwerk interessant.

De grenzen van een kant-en-klare tool zijn echt: een gratis Claude-account werkt met een handvol projecten, en hoewel betaalde plannen de capaciteit fors opschalen via RAG, blijft het uploaden van losse bestanden in plaats van een live koppeling met je systemen handwerk. NotebookLM legt vergelijkbare grenzen op het aantal bronnen en de omvang per bron. Voor een afgebakende kennisbank is dat prima. Wil je dat de AI altijd je actuele voorraad, je laatste offertes of je live klantgegevens ziet, dan ontkom je niet aan een koppeling die de data automatisch uit je Google Sheets of Notion trekt, en dan zit je in maatwerk-gebied.

Mijn advies: begin altijd kant-en-klaar. Je leert in een middag of je use case hout snijdt, je betaalt niets aan ontwikkeling, en je dwingt jezelf om eerst die data op orde te brengen. Pas als de tool z’n waarde bewijst én je tegen de muur van handmatig bijwerken aanloopt, is de investering in maatwerk te verantwoorden.

Want dat is de kern die je uit dit stuk mag meenemen: de waarde van AI op je eigen data zit niet in het model dat je kiest, maar in de discipline om je data eerst vindbaar, schoon en gestructureerd te maken. Dat werk is onzichtbaar, het haalt geen demo, en het is precies wat het verschil maakt tussen een assistent die je vertrouwt en een die je na twee weken weer uitzet. De saaie helft is de helft die telt.