2025 wordt het jaar van de AI-agents. Sterker nog: we staan aan het begin van een nieuw tijdperk van agent-gedreven organisaties.

In de laatste maanden van vorig jaar werd ik al benaderd door verschillende aanbieders van AI-agenten, speciaal ontwikkeld voor het werk binnen venture capital — van het beoordelen van pitchdecks en het genereren van content tot het evalueren van bedrijfsprestaties.

Deze verschuiving is een grote sprong vooruit, van een datagedreven vc-tijdperk naar een nog meer geautomatiseerde, door AI-agents ondersteunde aanpak. Dit geldt ook voor vele andere sectoren.

Maar er is een cruciaal probleem: veel bedrijven hebben moeite om data als een strategische meerwaarde te zien. De inzet van AI-agents in een organisatie met een zwakke datacultuur zal geen innovatie opleveren — eerder teleurstelling en frustratie.

Mensen zullen AI de schuld geven, maar het echte probleem is het ontbreken van een solide fundament om met data te werken. Kortom: de basis is belangrijk. Datacultuur is essentieel.

Datacultuur bouwen

Als deelnemer aan talloze discussies op het snijvlak van venture capital en data — als spreker, panellid en bezoeker — is er één inzicht  dat steeds weer naar voren komt: een sterke datacultuur vormt het fundament om echt datagedreven te worden.

Experts in dit vakgebied zijn het erover eens dat het buitengewoon moeilijk is, zo niet onmogelijk, om zo’n cultuur te bouwen zonder steun van het management of een duidelijke opdracht.

Hoewel deze uitdaging in alle sectoren speelt, is dit probleem in de wereld van durfinvesteerders extra prominent. Dit komt onder meer door de heersende opvatting dat investeren meer kunst dan wetenschap is, en door technisch talent dat relatief snel weer vertrekt.

Stappenplan voor datagedreven cultuur

Als je werkt in een organisatie die het belang van data nog niet volledig inziet, hoef je niet toe te kijken. In dit artikel deel ik een stappenplan, geïnspireerd op de startup-wereld, om een datagedreven cultuur op te bouwen in investeringsfondsen — zelfs als jouw leiderschapsteam er nog niet achter staat (oftewel: zonder executive buy-in). Net als in mijn vorige artikel gebruik ik hiervoor het model van data-analistenclub Gritd.

Alleen met een stevig fundament kun je een omgeving creëren waarin AI-agenten, taalmodellen (LLM’s) en andere opkomende technologieën je bedrijf werkelijk kunnen transformeren.

Hoe je daar komt, verschilt per situatie. Elke organisatie is uniek, waardoor een bottom-up aanpak voor iedereen anders uitpakt. Pas het aan op basis van je medewerkers, pijnpunten, bedrijfscultuur en zelfs je investeringsstrategie. Neem de tijd en blijf flexibel.

Fase 1: Klantvalidatie – Het probleem in kaart brengen

In startup-termen draait ‘klantvalidatie’ om het begrijpen van echte pijnpunten. Voor een datagedreven cultuur betekent dit dat je praat met je ‘interne klanten’ — collega’s, managers, teamleiders. Welke processen zorgen voor de meeste frustratie? Waar missen mensen cruciale marktinzichten of verspillen ze tijd aan handmatige rapportages?

Begin met het verzamelen van eenvoudige data (voornamelijk via gesprekken, niet via enquêtes!) om te laten zien hoe deze ogenschijnlijk kleine problemen de dagelijkse werkzaamheden verstoren of investeringsbeslissingen vertragen.

In deze fase richt je datascope zich op het in kaart brengen van knelpunten in bedrijfsprocessen. Voor datagovernance steun je op de bestaande regels voor beveiliging en compliance — voor zover die er zijn. Uit ervaring weet ik dat vc’s zelden uitgebreide richtlijnen hebben voor datagovernance. Meestal blijft het bij basisafspraken over IT-beveiliging.

Wat betreft het benodigde talent denken veel mensen dat je moet beginnen met het aannemen van een data-engineer. Dit werkt als het management overtuigd is van het belang van data. Maar bij een bottom-up aanpak moet je eerst de waarde van data aantonen. Daarom heb je in eerste instantie een data-analist of datawetenschapper nodig.

Over het algemeen zie je in deze fase vooral jonge medewerkers op associate-niveau die zelf het voortouw nemen met dataprojecten.

Fase 2: Problem-solution fit – Focus op snelle successen

Zoek vervolgens naar quick wins — oplossingen die relatief eenvoudig te implementeren zijn, maar die de waarde van datagedreven methoden direct aantonen. Vergelijk het met een startup die een productidee test: houd het simpel en richt je op snelle, zichtbare resultaten.

Als teams bijvoorbeeld behoefte hebben aan betere rapportages over potentiële investeringen, kun je een dashboard ontwikkelen dat relevante financiële cijfers, risicofactoren of markttrends automatisch verzamelt. Of als uit interviews blijkt dat er een dringende behoefte is aan betere toegang tot informatie over portfoliobedrijven, die nu op verschillende plekken is opgeslagen, overweeg dan om deze data te centraliseren. Dit kun je bijvoorbeeld doen via clouddiensten en het gebruik van LLM’s om data uit meerdere documenten te halen.

Het is belangrijk om het verschil tussen ‘voor’ en ‘na’ op een duidelijke, visuele manier te presenteren.

Let in deze fase op factoren als:

• De eenvoud van het bouwen van een potentiële oplossing
• De zakelijke waarde
• Het aantal geïdentificeerde knelpunten
• De urgentie voor een oplossing
• Het aantal potentiële gebruikers

Door deze factoren te vergelijken, kun je bepalen welke problemen in het bedrijf zich het beste lenen voor een snelle oplossing – en dus snel tot resultaat leiden.

Fase 3: Markttoetreding – Vind je early adopters

In startup-termen is ‘markttoetreding’ het moment waarop je op zoek gaat naar betalende klanten. Zoek binnen je bedrijf naar teams die het meest enthousiast zijn om jouw oplossingen te gebruiken — bijvoorbeeld analisten die al zelf cijfers verzamelen of een partner die openstaat voor nieuwe ideeën. Soms vind je zelfs een ‘betalende’ klant of een ‘angel investor’: iemand zoals een teamleider die vanuit het jaarlijkse teambudget in je idee kan investeren.

Kies dus strategisch je doelgroep; je zoekt mensen die je uiteindelijk in contact kunnen brengen met beslissers, maar die ook tijd of geld hebben om met je samen te werken aan het verfijnen van je oplossingen. Deze voorlopers geven waardevolle feedback en delen succesverhalen. Data zoals de mate van interesse, de ernst van de knelpunten, achtergronden en het aantal gestelde vragen kunnen je helpen om de juiste personen te identificeren.

Fase 4: Product-market fit – Verbreed je bereik

Zodra je de waarde hebt aangetoond aan je early adopters, ben je klaar om op te schalen. Dit is vergelijkbaar met ‘product-market fit’ in een startup: je oplossing heeft zich bewezen bij een kerngroep en nu klaar is voor bredere adoptie. Ontwikkel templates, herhaalbare processen of duidelijke richtlijnen zodat andere teams en afdelingen er ook van kunnen profiteren. Meet je impact — hoeveel mensen gebruiken de nieuwe oplossing en welke resultaten boeken ze?

In deze fase worden factoren zoals bruikbaarheid van data, nauwkeurigheid en integratie belangrijker voor datagovernance. Je oplossing moet geïntegreerd zijn in de bedrijfsomgeving en de data op een begrijpelijke manier presenteren.

Als je de juiste personen hebt bereikt en beslissers hebt overtuigd, kun je zeggen dat de datacultuur invloed heeft op partnerniveau. Je hebt nu een plek aan de besluitvormingstafel om de cultuur verder uit te bouwen.

Fase 5: Repeatable sales – Gestructureerde ondersteuning en prioritering

Na het bereiken van product-markt fit gaan startups hun verkoop opschalen. Op dezelfde manier wordt je ‘dataproduct’ regelmatig gebruikt en word je benaderd om oplossingen te bedenken voor andere knelpunten. Dit is het moment om uit te breiden naar andere personen, teams of afdelingen. Het is ook tijd om na te denken over het uitbreiden van je datateam met engineers, omdat je nu toe bent aan een uitgebreid databeheerplan voor datagovernance.

Even belangrijk is het om in deze fase richtlijnen voor dataverzameling te introduceren. Naarmate de vraag en steun binnen de hele organisatie groeien, komen er onvermijdelijk problemen met datakwaliteit aan het licht. Duidelijke protocollen zorgen ervoor dat alles op de rails blijft. (Dit betekent niet dat de datakwaliteit eerder niet belangrijk was; het is een kwestie van capaciteit en prioritering.)

Fase 6: Business model fit – Toon de bredere impact

Tot slot moet je, net als een startup die winstgevendheid aantoont, laten zien hoe data de algemene strategie en het resultaat van je bedrijf beïnvloedt. Laat bijvoorbeeld zien hoe verbeterde datakwaliteit en analytics hebben geleid tot nauwkeurigere ‘resultaten’, hogere succespercentages bij deals of scherpere inzichten in markttrends.

Door deze uitkomsten duidelijk te kwantificeren, bouw je een sterke zaak bij directeuren en stakeholders. Focus in deze fase op een datastrategie voor de lange termijn en een volwassen governanceplan, terwijl je ook datavaardigheden en infrastructuur in de hele organisatie verbetert.

Nu bereik je een fase van databewustzijn op cultuurniveau – waarin de waarde van datawetenschap en engineering volledig wordt erkend, je dataproducten breed worden gebruikt en ze mensen helpen betere beslissingen te nemen en processen te stroomlijnen.

Mentaliteit van een ondernemer

Strategisch omgaan over data is essentieel voor investeringsfondsen en andere organisaties die concurrerend willen blijven. Ook als je directieteam nog niet volledig overtuigd is, hoef je niet af te wachten. Door een startup-achtige ontwikkeling te volgen – beginnend met kleine projecten om het concept aan te tonen, het identificeren van early adopters en systematisch opschalen – leg je de basis voor een robuuste datagedreven cultuur.

Elke stap in deze reis laat zien dat data niet slechts ‘leuk om te hebben’ is; het is een motor voor betere beslissingen, snellere inzichten en hogere rendementen. Met de juiste aanpak kun je je organisatie transformeren – van een die af en toe met data speelt, naar een die data echt gebruikt als strategisch middel – en daar jarenlang de vruchten van plukt.

Er is niet één juiste manier om dit aan te pakken. Je zult waarschijnlijk in meer of mindere mate afwijken van het bovenstaande raamwerk. Wat echt telt, is dat je in feite een startup binnen je organisatie opbouwt. Dat vereist een ondernemersmentaliteit: veerkrachtig, wendbaar en visionair.

Dit artikel is geschreven door

Mustafa Torun

Mustafa Torun is senior datawetenschapper en data lead bij Invest-NL. Hij heeft meer dan 15 jaar ervaring in de datawetenschap, datamanagement en het creëren van een datagedreven cultuur.