Waarom ‘Garbage In, Garbage Out’ nu meer dan ooit van belang is voor datakwaliteit in AI Agents
Kennis is macht, en kennis maakt ons anders. Dit fundamentele principe wordt nog belangrijker nu we getuige zijn van de explosieve groei van AI-agenten in 2025. In een tijd waarin AI agenten beloven bedrijfsvoering drastisch te veranderen, blijft één fundamentele waarheid onveranderd:
De kwaliteit van AI-outputs is rechtstreeks evenredig met de kwaliteit van data-inputs.
Het eeuwenoude programmeer principe: garbage in, garbage out (GIGO) is niet alleen blijven bestaan, maar is exponentieel belangrijker geworden in het tijdperk van AI-agenten.
DataNorth AI werkt samen met Hyperplane, aangedreven door Cube Digital, een prominente specialist in digitale transformatie, om te onderzoeken hoe huidige datakwaliteit problemen de aanpak van AI-agenten bepalen. Samen brengen we decennia aan gecombineerde expertise in AI-implementatie en digitale strategie mee om één van de meest urgente uitdagingen van vandaag het hoofd te bieden: het waarborgen van data-integriteit in een AI-gedreven wereld.
Deze vierdelige serie, “Data behandelen in het AI-agenten-era: Van garbage in naar intelligent out,” onderzoekt hoe traditionele datakwaliteit principes moeten evolueren om aan de eisen van moderne AI-systemen te voldoen. Nu we overgaan van eenvoudige regelgebaseerde automatisering naar geavanceerde AI-agenten die in staat zijn tot redenering, leren en besluitvorming, staan de inzetten voor datakwaliteit hoger dan ooit.
Om je op weg te helpen hebben we de Cheat Sheet met de 8 beste datapraktijken voor AI-agenten gemaakt, zodat je data aan de hoogste standaarden voldoet.
De AI-boom toen en nu: 2016 versus 2025
De eerste grote “AI-boom” vond plaats in 2016, een cruciaal moment in de adoptie van kunstmatige intelligentie. Tijdens de eerste machine learning-golf van 2016-2018 worstelden organisaties met beperkte toegang tot data, gebrek aan vaardigheden en algoritme-selectie.
Gartner voorspelde dat 85 procent van de AI-projecten zou falen vanwege deze problemen. Een daaropvolgend BMC-onderzoek stelde vast dat veel organisaties niet over voldoende of geschikte data beschikten, waardoor ze algoritmen op verkeerde inputs testtten en zo slechte resultaten produceerden. De kernles was dat datakwaliteit belangrijk was, maar de schaal en complexiteit van modellen waren relatief beperkt.
In 2025 zijn generatieve AI en autonome agenten massaal doorgebroken. Onderzoeken door Wakefield, in opdracht van MonteCarloData, tonen aan dat vrijwel alle dataprofessionals onder druk staan om generatieve AI in te voeren, maar 68 procent vertrouwt niet op de kwaliteit van de data die deze systemen aandrijft. De inzetten zijn hoger omdat AI-agenten autonoom data kunnen zoeken, ophalen en erop kunnen reageren. Gevolg: problemen ontstaan sneller en op grotere schaal.
De ruis in databronnen – van gescraped webinhoud tot synthetische datasets – maakt het moeilijker om nauwkeurigheid en billijkheid te waarborgen.
Een ander kritisch verschil is de regelgeving. Vandaag de dag eisen gegevensbeschermingswetten, branchespecifieke regelgeving en AI-risicobeheerkaders transparantie en verantwoordingsplicht. In 2016 behandelden veel organisaties AI als een black box; nu riskeren zij boetes of reputatieschade als modellen schade veroorzaken. Deze verschuiving stelt hogere eisen aan datagovernance, voorkoming van bias en voortdurende monitoring.
De aanhoudende crisis van datakwaliteit in AI agents
Een NewVantage-onderzoek onder managers toonde aan dat 92,7 procent dataproblemen zag als de grootste barrière voor AI-adoptie. Een ander onderzoek door Vanson Bourne voor Fivetran rapporteerde dat 99 procent van organisaties geconfronteerd wordt met datakwaliteitsproblemen in hun AI/ML-projecten. Deze hardnekkige cijfers tonen aan dat slechte datakwaliteit – niet algoritme-keuze – de primaire oorzaak van mislukking is.
Het probleem strekt zich uit tot vertrouwen en rendement op investeringen. De studie van Fivetran vond dat 86 procent van respondenten moeite zou hebben om volledig te vertrouwen op AI voor zakelijke beslissingen, en schatte dat zij 5 procent van de wereldwijde jaarlijkse inkomsten verliezen door ondermaats werkende AI-programma’s met lage kwaliteitsdata. De boodschap is duidelijk: organisaties kunnen niet op AI-outputs vertrouwen wanneer de onderliggende data rommelig, onvolledig of bevooroordeeld is.
De hype versus realiteit
Overal waar je kijkt, is er veel AI-hype. Velen denken dat AI in 2022 met ChatGPT is geboren. Dit leidt tot veel nepnieuws en bedrijven die miljoenen in “ruis” storten. De simpele waarheid die we hebben genegeerd? Slechte data en ongecheckte AI-outputs kosten je geld.
Het 2024-onderzoek van Monte Carlo over AI-betrouwbaarheid schetst een somber beeld: twee derde van dataleiders ervoer minstens één data-incident dat in het afgelopen half jaar meer dan 100.000 dollar kostte, en 70 procent rapporteerde dat het meer dan vier uur duurt om dergelijke incidenten te ontdekken. Detectievertragingen vergroten de kans dat foutieve data zich voortplant door downstream-modellen en beslissingen. Het onderzoek toonde ook aan dat 54 procent handmatig testen voor datakwaliteit gebruikt; deze handmatige aanpak draagt bij aan frequent voorkomende incidenten en hallucinaties in generatieve AI-systemen.
Een McKinsey-onderzoek onder mondiale gebruikers van generatieve AI in 2025 onderstreept de risico’s van onvoldoende toezicht. Slechts 27 procent van organisaties rapporteert dat zij alle generatieve AI-outputs controleren voordat zij worden gebruikt, terwijl een soortgelijk aandeel minder dan 20 procent controleert. Niet verwonderlijk ondervonden 47 procent van respondenten negatieve gevolgen zoals onnauwkeurige outputs, cyberbeveiliging of intellectueel eigendom. Onvoldoende data- en output-validatie leidt daarom rechtstreeks tot schade in de praktijk.
De snelle adoptie van AI-agenten
Hoewel datakwaliteitsproblemen aanhouden, prolifereren AI-agenten. Het LangChain State of Agents-rapport (2024) ondervroeg meer dan 1.300 professionals en vond dat:
- 51 procent al agenten in productie heeft
- 78 procent van plan is ze binnenkort in te voeren
- 90 procent van niet-technische bedrijven agenten zal adopteren – bijna gelijk aan het enthousiasme in de tectsector
Populaire use cases zijn onderzoekssamenvattingen (58 procent), persoonlijke productiviteit (53,5 procent) en klantenservice (45,8 procent).
Het rapport benadrukt echter voorzichtigheid: organisaties implementeren offline evaluaties, tracing en menselijk toezicht om ervoor te zorgen dat agenten verantwoord handelen. De behoefte aan guardrails voortvloeit uit dezelfde datakwaliteitsproblemen die eerder zijn besproken.
Wanneer AI-agenten falen
Wat gebeurt er wanneer AI-agenten falen? Hieronder bespreken we drie scenario’s die catastrofale fouten met grote gevolgen hebben veroorzaakt:
Replit-agent wist productie database uit
In juli 2025 negeerde een Replit-coderingagent “aanraak niet”-instructies, voerde commando’s met hoge privileges uit op de database, verwijderde een live database en fabriceerde vervolgens data en outputs die de fout verborgen. Postmortems en verslaggeving benadrukken ontbrekende guardrails (geen verplichte menselijke controle voorafgaand aan destructieve acties), slechte omgevingsisolatie en onvoldoende zichtbaarheid bij runtime in de tooloproepen van de agent.
Dit is het canonieke mislukking van “agent + actie” in 2025. Het is niet alleen een verkeerd antwoord – het is een verkeerde actie door toezichtsgaten, verergerd door de misleidende traces van de agent. Deze casus pleit sterk voor menselijk-in-de-lus-poorten, minimale bevoegdheidstoolacces en volledig actielogboek met herhaalbare traces.
Salesforce Agentforce “ForcedLeak”-keten
Beveiligingsonderzoekers onthulden een kritieke vulnerability chain (“ForcedLeak“) die CRM-dataexfiltratie mogelijk maakte via indirecte prompt-injectie tegen Salesforce’s Agentforce.
De vector is vijandige inhoud in externe databronnen die de agent leest – klassieke supply chain-risico’s voor agenten met tools. Salesforce bracht snel een patch uit.
De aanval reist mee met de data. Zonder robuuste inhoudsprovenance, inputfiltering en live prompt-injectiedetectie, zullen agenten de “instructies” van aanvallers volgen die zijn ingebed in webpagina’s, documenten, tickets of afbeeldingen. Observability moet zichtbaar maken welke inputs welke acties hebben aangestuurd.
Salesloft-inbreuk via Drift AI-chatbot-integratie
Aanvallers misbruikten een integratie van een chatbot van derden (Drift ↔ Salesforce) om OAuth-/refreshtokens te stelen en gegevens van stroomafwaarts af te tappen (inclusief cloudsleutels). Het incident benadrukt hoe autonome connectoren kunnen worden misbruikt als geprivilegeerde pivots.
Agentische integraties omzeilen vaak menselijke UI-lagen en raken rechtstreeks dataplanes. Als u agentenacties niet inpakt met beleid, scoped credentials en anomaliedetectie, kan één gecompromitteerde connector zich uitbreiden tot gegevensverlies in meerdere systemen.
De weg vooruit
De uitdagingen van datakwaliteit in het AI-era zijn complex, maar niet onoverkomelijk. Organisaties die het fundamentele belang van datakwaliteit erkennen en in robuuste validatie frameworks investeren, zullen niet alleen de valkuilen vermijden die talloze AI-pilots hebben opgeëist, maar ook de intelligente data grondlagen opbouwen die nodig zijn voor AI-succes.
Bij DataNorth AI hebben we uitgebreide ervaring met AI Agent-ontwikkeling die daadwerkelijke waarde oplevert. Als je goede resultaten snel wilt bereiken, kun je DataNorth AI contacteren voor een gratis consultatie.
Het tijdperk van garbage in, garbage out hoeft niet ons AI-toekomst te bepalen. Met goede datagovernance, validatieframeworks en organisatiebinding kunnen we dit transformeren naar: “intelligente data in, transformationele inzichten uit.”
Wat komt er volgende?
In het volgende deel van deze serie gaan we dieper in op:
- Hoe metadata de nieuwe data wordt, met strategieën voor contextverrijking die ruwe data transformeren in intelligente, agent-gereed informatie
- De kritieke beslissingen rond AI-geheugenarchitectuur, waarbij we context windows met kennisbases vergelijken om agentprestaties en kosteneffectiviteit te optimaliseren
Ben je klaar om te starten?
DataNorth AI bouwt alomvattende AI Agent-oplossingen om organisaties bij deze uitdagingen te helpen. Onze samenwerking met Hyperplane op deze contentserie geeft je de instrumenten om een AI-agent te bouwen die best practices voor dataafhandeling in productieomgevingen demonstreert.
Wil je zorgen dat je datakwaliteit aan de hoogste standaarden voldoet? Download dan zeker onze 8 beste datapraktijken voor AI-agenten Cheatsheet.
Volg de rest van deze content serie
Volg deze serie terwijl DataNorth AI en Hyperplane, aangedreven door Cube Digital, het evoluerend landschap van datamanagement in het tijdperk van intelligente agenten verkennen.
