English version: scroll down

Afgelopen week was ik op een conferentie waar datamanagement, data-gestuurd werken en data governance centraal stonden. Boeiende onderwerpen, vol technieken en methodes om data beter te organiseren en beheren. Wat me opviel tijdens discussies met verschillende sprekers, was dat directie en business in het algemeen niet zaten te wachten op meer of beter datamanagement. De roep van die dataspecialisten om meer aandacht – en dus budget – kwam vaak niet aan. 

In een discussie die startte, bleek waarom: veel dataspecialisten beseffen onvoldoende dat de business niet op data, maar op informatie zit te wachten. Ze spreken onvoldoende de taal van de business. Ze kunnen wel uitleggen hoe ze data beheren, maar niet waarom dat voor de business waardevol is. Daardoor wordt hun boodschap niet gehoord.

Wat is data waard?

Dat deed me denken aan een ervaring uit mijn eigen verleden. Ik had een back-up oplossing nodig voor de snel groeiende hoeveelheid data die we gebruikten. De Raad van Bestuur vond die €120.000 echter een kostbare investering en vroeg zich hardop af of die bedrijfsdata dat bedrag ter verzekering wel waard was. Hun vraag was eenvoudig: Hans, wat is die data eigenlijk waard?

Een vraag die ik toen niet direct kon beantwoorden — maar ik beloofde erop terug te komen. 
Twee weken later had ik het antwoord. De maakkosten van die data bedroegen ruim €600 miljoen als je alleen al de arbeidsuren zou meetellen. Verlies van die data zou betekenen dat al dat werk opnieuw gedaan moest worden — met tijdelijk een productiestilstand als gevolg. Binnen vijf minuten had ik mijn budget en de goedkeuring. 

Wat ik leerde, was dit: waarde zit niet in de data zelf, maar in wat je ermee kunt verliezen of winnen. Pas als je data kunt vertalen naar betekenis, risico en waarde, wordt het informatie. In deze blog uit 2020 ‘Gewaardeerde data op de balans‘ stel ik zelfs dat data- en/of informatie-bezit op de balans zou moeten staan. Het is immers inmiddels een onmisbaar bezit voor het bedrijf geworden. Zonder data staat alles stil. Vraag maar aan Jaguar Land Rover . . .  

De hamer en de spijkers

Wie met data werkt, ziet al snel overal data. En wie zijn vakmanschap heeft opgebouwd rond datakwaliteit, metadatering en governance, ziet dat als het belangrijkste onderdeel van het werk. Logisch. Maar het risico is dat de hamer het gereedschap wordt waarmee we alles willen oplossen — en dat we vergeten waarvoor we eigenlijk aan het bouwen zijn.

Informatie is méér dan een verzameling juiste gegevens. Het is samengevoegde data waaraan betekenis en context is toegevoegd. Informatie geeft richting, biedt inzicht en vermindert onzekerheid. Het is de brug tussen ruwe data en menselijk begrip — een boodschap die kennisoverdracht mogelijk maakt.

In een eerdere blog ‘Data zonder betekenis is waardeloos’ gebruikte ik dit voorbeeld: Als iemand het getal 32 noemt, zegt dat weinig. Gaat het over leeftijd, gewicht of afstand? Voeg je ‘graden’ toe, dan krijg je meer context. Zet er ‘Fahrenheit’ achter, en het wordt betekenisvol: het is een temperatuur, koud, rond het vriespunt. En als we ook weten dat dit de buitentemperatuur is, kunnen we besluiten een jas aan te trekken. Pas dan is het data → informatie → actie.

De keten van data naar kennis

Wanneer informatie begrepen wordt, ontstaat kennis. Dat is de echte waarde van informatie: niet dat ze juist is, maar dat ze begrepen en toegepast kan worden. Dat er actie mee kan worden ondernomen. Kennis groeit wanneer we informatie kunnen plaatsen binnen een context. Wanneer ze iets toevoegt aan wat we al weten en wanneer ze leidt tot nieuwe inzichten of beslissingen. Met goede data kun je betrouwbare informatie maken en met betrouwbare informatie kun je kennis opbouwen. Zo ontstaat een keten van kwaliteit:

Gekwalificeerde data → Gekwalificeerde informatie → Toepasbare kennis → Betekenisvol inzicht

Elk niveau in die keten heeft zijn eigen eisen:

• Data moet juist, volledig, betrouwbaar en beheersbaar zijn.
• Informatie moet relevant, begrijpelijk en betekenisvol zijn.
• Kennis moet gedeeld, toegepast en geëvalueerd worden.

Dataspecialisten vervullen in die keten een cruciale rol — maar wel als onderdeel van een groter geheel: informatiemanagement. Wie zich alleen op data richt, blijft steken bij het verzamelen van bouwstenen. Wie informatie begrijpt, bouwt kennis op. En pas wie kennis deelt, creëert waarde. Mijn oude werkgever EMC² vatte dat ooit prachtig samen in zijn slogan: “Where information lives.” Opgeslagen data als grondstof voor levende informatie — dát was de essentie.

Kunstmatige intelligentie als nieuwe schakel

Bij veel discussies over AI wordt datakwaliteit terecht als fundament genoemd. Goede data is noodzakelijk, maar als ‘data alleen’ is het onvoldoende voor kunstmatige intelligentie.

De huidige taalmodellen kunnen woorden prachtig samenvoegen tot betekenisvolle zinnen — de woorden als stenen, met voorzetsels, werkwoorden en lidwoorden als cement. Zo ontstaan begrijpelijke muren van tekst. Dat is zowel de ingang als de uitgang van moderne AI-systemen: ze stellen ons in staat om in mensentaal met een computer te praten.

Maar daarachter draait een complexe machine van algoritmen, datasets, leerprocessen en historische gegevens. Al die elementen bouwen samen context, betekenis en structuur, zodat uiteindelijk een antwoord ontstaat dat — als het goed is — kennis toevoegt. Ook hier doorlopen we dezelfde keten: van inhoudelijke vraag naar gezochte data, van gebouwde informatie naar begrijpelijk antwoord.

Intelligence is information verzamelen

De Engelse term intelligence betekent “informatie verzamelen om kennis te creëren”. In de militaire wereld kennen we dat proces goed: gegevens worden verzameld, geanalyseerd en samengevoegd tot informatie. Dat leidt tot een totaalbeeld waarop besluiten kunnen worden genomen. Kunstmatige intelligentie volgt in wezen hetzelfde principe, maar mist nog steeds menselijkheid. De mens beschikt over emotie, intuïtie, gevoel en wijsheid — dimensies die (voorlopig) nog niet in algoritmen of leermodellen zijn te vangen.

AI-systemen leveren al een enorme meerwaarde: ze kunnen grote hoeveelheden informatie begrijpelijk samenbrengen en ons ondersteunen als digitale assistent. Ze begrijpen onze vragen, zoeken patronen en formuleren antwoorden in herkenbare taal. Maar of dat antwoord juist is en gebaseerd op de goede data — dát blijft aan ons om te beoordelen. Dat vraagt immers kennis en inzicht over de context en de reden van de oorspronkelijke vraag. 

Menselijke kennis en intelligentie dus. En precies dat kan kunstmatige intelligentie (nog) niet bieden.

Photo by Pixabay

———————  Translated by ChatGPT  ————-

Data vs. Information – Why Good Data Alone Is Not Enough

Last week I attended a conference where data management, data-driven working, and data governance took center stage. Fascinating topics, full of methods to better organize and manage data.
What struck me during several presentations, however, was that boards and executives were not really waiting for better data management. Their calls for more attention — and therefore more budget — often went unheard.

During a discussion I initiated, it became clear why: many data specialists didn’t realize that management isn’t waiting for data — they’re waiting for information. They simply weren’t speaking the language of the board. They could explain how they managed data, but not why that was valuable for the business. As a result, their message wasn’t understood — or valued.

What Is Data Worth?

It reminded me of an experience from my own past. I once needed a backup solution for our rapidly growing volume of data. The Board of Directors, however, saw the €120,000 investment as expensive and openly questioned whether the data was worth that amount. Their question was simple: what is that data actually worth?

At the time, I couldn’t answer immediately — but I promised to come back with a response. Two weeks later, I did. I calculated that the creation cost of that data was over €600 million, based solely on the labor hours invested. Losing that data would mean redoing all that work, while production would come to a halt. Within five minutes, I had my budget — and approval.

That experience taught me something essential: value does not lie in the data itself, but in what you can lose or gain through it. Only when you can translate data into meaning, risk, and value does it become information. In this blog from 2020, “Valued Data on the Balance Sheet,” I even argue that data and/or information ownership should be included on the balance sheet.

The Hammer and the Nails

When you work with data, you start seeing data everywhere. And when your craft revolves around data quality, metadata, and governance, it’s natural to view that as the most important part of the process. But the risk is that the hammer becomes the only tool you see — and you forget what you’re actually building.

Information is more than a collection of correct data points. It’s data combined with meaning and context. Information gives direction, provides insight, and reduces uncertainty. It bridges the gap between raw data and human understanding — a message that enables knowledge transfer.

In an earlier blog, “Data Without Meaning Is Worthless,” I used this example:
If someone says “32,” that tells you very little. Is it age, weight, or distance? Add the word “degrees,” and it starts to make sense. Add “Fahrenheit,” and it becomes meaningful — it’s a temperature, cold, around freezing point. If we then know it’s the outside temperature, we can decide to wear a coat.
That’s the transformation: data → information → action.

The Chain from Data to Knowledge

When information is understood, knowledge is created.
That’s the real value of information — not just that it’s correct, but that it can be understood, applied, and acted upon. Knowledge grows when we can place information in context, connect it to what we already know, and derive new insights or decisions from it.

With high-quality data, you can create reliable information. With reliable information, you can build knowledge. And with knowledge, you create meaningful insight. That forms a chain of quality:

Qualified Data → Qualified Information → Applicable Knowledge → Meaningful Insight

Each level in this chain has its own requirements:

• Data must be accurate, complete, reliable, and manageable.

• Information must be relevant, understandable, and meaningful.

• Knowledge must be shared, applied, and evaluated.

Data specialists play a crucial role in this chain — but as part of a larger whole: information management.
Those who focus only on data remain collectors of building blocks. Those who understand information, build knowledge. And those who share knowledge, create value.

My former employer EMC² captured that beautifully in its slogan: “Where information lives.” Stored data as the raw material for living information — that was the essence.

Artificial Intelligence as the Next Link

In today’s AI discussions, data quality is rightly seen as the foundation.
Good data is essential — but data alone is not enough for artificial intelligence.

Modern language models can beautifully assemble words into meaningful sentences — the words as bricks, with prepositions, verbs, and articles as the mortar. The result is coherent walls of text. That’s the entry and the output of today’s AI systems: enabling us to talk to computers in human language.

Behind that, however, runs a complex machine of algorithms, datasets, learning processes, and historical information. Together, they build context, meaning, and structure, resulting in an answer that — ideally — adds knowledge.
Even here, we follow the same chain: from a user’s question to relevant data, from structured information to understandable response.

Intelligence Means Gathering Information

In English, intelligence literally means “gathering information to create knowledge.” In the military world, that process is well understood: data is collected, analyzed, and combined into information, which then forms the basis for decisions. Artificial intelligence follows the same logic — but lacks one essential element: humanity.

Humans bring emotion, intuition, empathy, and wisdom — dimensions that (for now) cannot be captured in algorithms or models.
Yet AI systems add tremendous value: they can process vast amounts of information, find patterns, and formulate answers in human language.
But whether those answers are correct — and based on the right data — remains up to us to decide. That requires knowledge and understanding of the context behind the question.

Human knowledge and intelligence, in other words.
And that is precisely what artificial intelligence still cannot provide.

---