Er is data die je kunt kopen. Er is data die je kunt scrapen. En er is data die alleen ontstaat als een professional jarenlang zijn werk doet in jouw systeem: we noemen het beslissingsdata (proprietary data). Die derde categorie is echt onderscheidend, want die kun je niet nabootsen.
Wat beslissingsdata is
Beslissingsdata is de opgebouwde kennis uit jarenlang gebruik van je bestaande software oplossing: welk dossier werd goedgekeurd, welke uitzondering werd gemaakt, welke klanthistorie leidde tot welk advies, welke melding werd genegeerd en welke escaleerde.
Het zijn de beslissingen zelf, met hun context, hun tijdstip en hun gevolg. Een accountant die een jaarrekening goedkeurt na 10 jaar klantrelatie weegt honderden variabelen. Zit die beslissing in het systeem, met alle signalen die eraan voorafgingen, dan is dat de meest bruikbare data die een agent kan hebben om die accountant te ondersteunen.
In een eerder blog beschreef ik drie lagen van domeinkennis. Beslissingsdata is de derde laag, werkpraktijkkennis, maar dan vastgelegd: gestructureerd, meetbaar en bruikbaar voor agents.
Waardevolle agents in 3 stappen
Beslissingsdata legt de relatie vast tussen input, context en beslissing. Die relatie is wat agents leren en steeds slimmer maakt voor een specieke gebruiker. En dat mechanisme vraagt jaren om op te bouwen. Hoe het werkt:
Stap 1: klanten gebruiken het product voor hun dagelijkse werk in gereguleerde sectoren. Elke handeling legt iets vast. De combinatie van routinetaken in hoog volume en uitzonderingen in laag volume maakt dat de agent context krijgt.
Stap 2: die data voedt de agents op het platform, als gestructureerde context per gebruiker. Welke situaties leiden tot welke beslissingen? Waar wijkt de professional af van de standaard en waarom? Die patronen maken een agent onderscheidend.
Stap 3: betere agents leveren betere uitkomsten aan de klant. Betere uitkomsten betekenen meer gebruik. Meer gebruik betekent meer gebruikerskennis. En daarvan wordt de agent weer beter.
Waarom dit niet te kopiëren is
Een concurrent kan hetzelfde model gebruiken. Dezelfde infrastructuur bouwen. Hij kan zelfs dezelfde features nabouwen. Wat hij niet kan kopiëren is 10 jaar aan beslissingsdata van een gebruiker, met de context, de uitzonderingen en de gevolgen.
Publieke data die ooit onderscheidend was, haalt iedereen nu binnen seconden op met een zoekopdracht. Wat telt is de informatie die alleen beschikbaar komt als je het werk daadwerkelijk doet in een specifiek domein, voor specifieke klanten, met specifieke regelgeving. Die bouw je alleen op door jarenlang gebruik door professionals die weten wat ze doen.
Data-architectuur is hiermee de kern van je productstrategie geworden. Elke workflow die je ontwerpt is tegelijk een data-ontwerp.
Data als fundament onder de werkplek van morgen
Dit is waarom wij WorQX en Qore/AI bouwen zoals we ze bouwen. Elke workflow op het platform legt beslissingen vast met hun context. Elke agent die daarop draait, leert en verbetert van het werk dat professionals er dagelijks in doen.
Jeroen van Eijk beschreef eerder hoe die werkplek er in 2027 uitziet voor professionals in gereguleerde sectoren: een omgeving die het werk al heeft voorbereid voordat je inlogt. Beslissingsdata maakt die omgeving mogelijk.
Veelgestelde vragen
Beslissingsdata (proprietary data) is de vastgelegde beslissingsgeschiedenis van professionals die dagelijks in een platform werken: welke dossiers werden goedgekeurd, welke uitzonderingen werden gemaakt en welke signalen tot welke acties leidden. Anders dan gekochte of publieke data ontstaat beslissingsdata alleen door jarenlang gebruik. Daarmee is het de meest onderscheidende bron voor domein specifieke AI-agents.
Generieke modellen worden snel gelijkwaardig en zijn voor iedere aanbieder beschikbaar. Wat een agent onderscheidend maakt, is de context waarmee hij werkt: de patronen uit duizenden echte beslissingen in een specifiek vakgebied. Die patronen zitten in beslissingsdata en zijn voor een concurrent niet in te kopen of na te bouwen.
De dossiers en persoonsgegevens blijven van de klant, die verwerkingsverantwoordelijke is; het platform is verwerker. Agents leren van de patronen die door jarenlang gebruik in het platform ontstaan, binnen de afspraken in de verwerkersovereenkomst en de kaders van de AVG en sector specifieke wet- en regelgeving. Transparantie over wat een agent leert en op basis waarvan is daarbij een harde voorwaarde, zeker in gereguleerde sectoren waar professionals verantwoordelijk blijven voor hun beslissingen.
Door data-architectuur te behandelen als kern van je productstrategie. Elke workflow is tegelijk een data-ontwerp: leg beslissingen vast met hun context, tijdstip en gevolg, en structureer die zo dat agents ervan kunnen leren. Dat vraagt jaren van consistent gebruik door professionals, en juist daarom is het resultaat zo moeilijk te kopiëren.
