Waarom AI- en marketingprojecten vaak vertragen door data, leveranciersafspraken en compliance, niet door technologie
Een organisatie wilde een nieuwe marketingoplossing inzetten. De businesscase was positief, gebruikers waren enthousiast en technisch leek er weinig in de weg te staan. Toch kwam het project stil te liggen. Niet door technologie, niet door budget en zelfs niet door AI.
De discussie ontstond pas toen duidelijk werd dat de leverancier toegang zou krijgen tot klantgegevens. Wat volgde waren gesprekken over privacyvoorwaarden, verantwoordelijkheden, datagebruik en contractuele afspraken. Pas toen daar overeenstemming over kwam, kon het project verder.
Dit soort situaties komt vaker voor dan veel organisaties denken. De grootste uitdaging bij AI- en marketingprojecten zit lang niet altijd in de techniek. Vaak gaat het om iets veel fundamentelers: de vraag of de organisatie voldoende grip heeft op haar data, processen en verantwoordelijkheden. Dat sluit aan bij het uitgangspunt dat succesvolle digitale transformatie ontstaat door technologie, compliance, governance en adoptie in samenhang te organiseren.
AI begint niet met een model
Wanneer organisaties nadenken over AI, gaat het gesprek vaak over mogelijkheden. Kunnen we campagnes automatiseren?Kunnen we klantgedrag beter voorspellen? Kunnen we sneller content produceren? Dat zijn logische vragen. Maar ze komen eigenlijk te laat.
De eerste vraag zou moeten zijn: Welke data gebruiken we eigenlijk, en onder welke voorwaarden?
Zodra een AI-oplossing persoonsgegevens verwerkt, gelden dezelfde verplichtingen als bij iedere andere gegevensverwerking. Dan gaat het niet alleen over functionaliteit, maar ook over transparantie, beveiliging, eigenaarschap en verantwoordelijkheid.
Voor veel organisaties is dat het moment waarop een technologieproject verandert in een organisatievraagstuk.
Waarom leveranciers vaak de bottleneck worden
Vrijwel geen enkele organisatie bouwt al haar AI-oplossingen zelf. Meestal wordt gebruikgemaakt van software van externe leveranciers. Dat brengt kansen met zich mee, maar ook risico’s. Veel leveranciers bieden geavanceerde functionaliteit, terwijl minder duidelijk is:
- waar gegevens worden opgeslagen;
- welke partijen toegang hebben tot die gegevens;
- of data wordt gebruikt voor modeltraining;
- welke subverwerkers betrokken zijn;
- wie verantwoordelijk is als er iets misgaat.
Precies daarom ontstaan discussies vaak pas tijdens de contractfase. Wat eerst een marketingproject leek, blijkt ineens ook een privacy-, juridisch en governancevraagstuk te zijn. Dat is geen teken dat een organisatie te voorzichtig is. Het is een teken dat zij verantwoordelijkheid neemt voor haar data.
Een DPA is geen formaliteit
Verwerkersovereenkomsten worden nog te vaak gezien als juridische documenten die vooral nodig zijn om aan regelgeving te voldoen. In werkelijkheid bepalen deze afspraken hoe data daadwerkelijk wordt gebruikt. Een goede overeenkomst beschrijft niet alleen welke gegevens mogen worden verwerkt, maar ook:
- voor welk doel dat gebeurt;
- welke beveiligingsmaatregelen gelden;
- welke partijen betrokken zijn;
- welke rechten en plichten beide partijen hebben.
Vooral bij AI wordt dat steeds belangrijker. Veel oplossingen worden slimmer naarmate zij toegang krijgen tot meer data. Juist daarom moeten organisaties vooraf duidelijk vastleggen welke grenzen er gelden. Niet omdat innovatie moet worden afgeremd, maar omdat vertrouwen een voorwaarde is voor succesvolle innovatie.
Waar de AVG echt over gaat
Bij AVG denken veel mensen direct aan juridische verplichtingen. In de praktijk draait het vooral om één vraag: Kun je uitleggen wat er met gegevens gebeurt?
Dat betekent dat organisaties moeten weten:
- waarom gegevens worden verwerkt;
- welke persoonsgegevens worden gebruikt;
- wie erbij kan;
- hoe lang gegevens worden bewaard;
- welke risico’s zijn beoordeeld.
Wanneer die basis ontbreekt, wordt het lastig om AI verantwoord op te schalen. Daarom blijken vraagstukken rondom datagovernance vaak belangrijker dan de keuze voor een specifiek model of platform.
Technologie is zelden het probleem
Opvallend genoeg mislukken weinig AI-projecten omdat de technologie niet werkt. Veel vaker ontstaan problemen doordat organisaties onderweg ontdekken dat:
- definities niet eenduidig zijn;
- verantwoordelijkheden onduidelijk zijn;
- contracten onvoldoende zijn uitgewerkt;
- leveranciers niet aansluiten op interne eisen;
- menselijk toezicht ontbreekt.
Dat zijn geen technische problemen. Het zijn governanceproblemen. En precies daar wordt vaak het verschil gemaakt tussen een project dat snel waarde oplevert en een project dat maanden vertraging oploopt.
De echte vraag
De discussie over AI gaat vaak over wat technologie kan. Maar voor organisaties is een andere vraag meestal veel relevanter: Zijn we klaar om die technologie verantwoord te gebruiken? Want een marketingtool implementeren is relatief eenvoudig. Grip houden op data, verantwoordelijkheden, leveranciers en besluitvorming is aanzienlijk lastiger. Juist daarom zouden governance, compliance en databeheer vanaf het begin onderdeel moeten zijn van ieder AI- of marketingproject, niet pas wanneer de contracten op tafel liggen.
Want als de technologie klaar is, maar de governance niet, begint het echte werk vaak pas. Dat sluit aan bij de visie dat duurzame waarde uit AI ontstaat wanneer technologie, governance, compliance en organisatieontwikkeling gezamenlijk worden ingericht.
