English version: scroll down

We leven in een tijd waarin data als het nieuwe goud wordt gezien. Iedere organisatie verzamelt, meet, modelleert en bewaart — alsof méér data vanzelf leidt tot méér kennis. Maar data is geen doel. Het is slechts de grondstof voor begrip. Pas wanneer we van data de creator kennen en het kunnen ordenen, duiden en plaatsen in context, ontstaat echte informatie. En wanneer die informatie voor de gebruiker betekenis krijgt, ontstaat intelligence — inzicht waarop je kunt handelen.

De vijf schepen

Stel: op radar verschijnen vijf onbekende schepen voor de kust. Dat is data: vijf stippen op een scherm. Wanneer blijkt dat het marineschepen zijn die zich in formatie bewegen, wordt het informatie. Vervolgens wordt deze informatie geanalyseerd in samenhang met eerdere rapporten en communicaties: het blijkt te gaan om een vooraf aangekondigde oefening. En dán pas ontstaat intelligence: geen dreiging, maar routine.

Op basis daarvan volgt de beslissing: geen alarm, wel observatie. Dat is de OODA-loop in actie: Observe – Orient – Decide – Act. Een voortdurend draaiende cyclus van waarnemen, begrijpen, beslissen en handelen. Elke fase voedt de volgende — en de uitkomst wordt weer nieuwe data.

De intelligence-cyclus

In de wereld van defensie en veiligheid spreken we van de intelligence cycle: collection – processing – analysis – dissemination. Data wordt verzameld, geordend, geïnterpreteerd en gedeeld. Het is een continu proces waarin rauwe observaties worden omgevormd tot bruikbare inzichten. Het doel is niet om meer data te hebben, maar om sneller en beter te begrijpen wat die data betekent — en wat ermee gedaan moet worden. En te weten dat die data origineel en betrouwbaar is.

De OODA-loop: snelheid van inzicht

De Amerikaanse gevechtspiloot John Boyd ontwikkelde zijn OODA-loop tijdens de Koreaanse oorlog. In luchtgevechten gold: wie sneller zijn observatie-, oriëntatie- en besluitcyclus doorliep dan de tegenstander, won het gevecht. Boyd’s model werd later breder toegepast — van militaire strategie tot bedrijfsvoering. Het draait om situational awareness: weten wat er gebeurt, begrijpen waarom en adequaat reageren.

De intelligence-cyclus voedt die OODA-loop. Zonder intelligence geen oriëntatie, zonder oriëntatie geen beslissing. De twee cirkels draaien naast elkaar, elkaar versterkend in een continue beweging van waarnemen en handelen.

De PDCA-cyclus: leren van actie

Waar Boyd zich richtte op snelheid en adaptatie, legde W. Edwards Deming met zijn Plan – Do – Check – Act nadruk op verbetering en leren. Beide modellen zijn spiegels van elkaar. De ene versnelt de reactie, de andere verdiept het inzicht. Samen maken ze duidelijk dat intelligence geen eindpunt is, maar een middel tot voortdurende aanpassing en groei. 

AI als versterker van menselijk inzicht

In onze tijd speelt kunstmatige intelligentie (AI) een nieuwe rol in deze dynamiek. AI helpt om enorme hoeveelheden data te verwerken, patronen te herkennen en verbanden te ontdekken die mensen zouden missen. Maar AI creëert geen intelligence — dat doet de mens. AI kan analyseren, maar niet interpreteren; het kan voorspellen, maar niet begrijpen. De echte waarde ontstaat pas wanneer menselijke ervaring en technologische kracht elkaar aanvullen. Intelligence blijft uiteindelijk een menselijke vaardigheid: het vermogen om betekenis te geven aan wat we zien. En vervolgens te handelen op wat we begrijpen en (gevoelsmatig) vertrouwen.

Check, Act — en de kring sluit zich

De check-act-fase van Deming wordt in de wereld van AI steeds belangrijker. AI-resultaten zijn grotendeels statistische schattingen — berekende waarschijnlijkheden, geen waarheden. Daarom is feedback cruciaal: het voortdurend toetsen, corrigeren en verbeteren van modellen. Wat AI leert, hangt volledig af van de kwaliteit van haar data en de terugkoppeling. En daar komt ‘data-trust’ om de hoek kijken: de zekerheid dat brondata betrouwbaar, traceerbaar en integer is en was. Zonder die betrouwbaarheid ontstaat schijnintelligentie — mooie grafieken zonder betekenis. Denk aan de stikstof-affaire. Met betrouwbare data sluit de kring zich: de uitkomst van intelligence voedt de volgende observatie, de check voedt de volgende act en leren wordt een continu proces van verbeteren en begrijpen.

Zoals Jozua van der Deijl van Digicorp Labs onlangs in het artikel ‘The Digital War: The real gold rush and the forgotten truth of ownership’ zo mooi stelde: 

‘Data vertrouwen is de morele kern van het digitale tijdperk.’ 

De echte digitale held vertrouwt immers niemand anders dan de originele creator van de data. Alles wat er daarna met die data gebeurde en gebeurt, is bijna niet meer te controleren. Het verschil tussen truth & fake. 

Yin en yang van data en intelligence

In deze voortdurende cirkel vormen data en intelligence samen de yin en yang van inzicht. Data is  het objectieve, het meetbare; intelligence is het subjectieve, het duidende. De één kan niet zonder de ander. Te veel data zonder duiding leidt tot blindheid, te veel interpretatie zonder feiten tot illusie. In hun balans ligt wijsheid — de gesloten cirkel waarin waarnemen, begrijpen en handelen in harmonie draaien.

En daarmee komen we bij de kern: data is noodzakelijk, maar nooit het doel. De waarde ontstaat pas wanneer vertrouwde data wordt vertaald naar betekenis. En betekenis naar actie. De echte kracht zit niet in wat we meten, maar in wat we vertrouwen, begrijpen — en doen.

Photo by Jben Beach Art

——————————-  translated by ChatGPT —————————

From Data to Intelligence: The Circle of Insight and Action

We live in an age where data is seen as the new gold. Every organization collects, measures, models, and stores — as if more data automatically leads to more knowledge. But data is not the goal. It is merely the raw material for understanding. Only when we know the creator and we organize, interpret, and place the data in context, it does become information. And only when that information gains meaning does it become intelligence — insight you can act upon.

The Five Ships

Imagine: five unknown vessels appear on radar off the coast. That’s data — five dots on a screen. When it turns out they are naval ships moving in formation, it becomes information. Next, this information is analyzed in connection with previous reports and communications: it turns out to be a pre-announced exercise. And then intelligence emerges: no threat, just routine.

The decision follows: no alarm, but continued observation. This is the OODA loop in action — Observe, Orient, Decide, Act. A constantly turning cycle of perceiving, understanding, deciding, and acting. Each phase feeds the next — and the outcome becomes new data again.

The Intelligence Cycle

In the world of defense and security, we speak of the intelligence cycle: collection – processing – analysis – dissemination. Data is gathered, organized, interpreted, and shared. It is a continuous process in which raw observations are transformed into actionable insight. The goal is not to have more data, but to understand faster and better what the data means — and what to do with it. And to know that the data is original and trustworthy.

The OODA Loop: The Speed of Insight

U.S. fighter pilot John Boyd developed his OODA loop during the Korean War. In aerial combat, whoever could complete the observation–orientation–decision cycle faster than the opponent would win. Boyd’s model was later applied far beyond combat — from military strategy to business management. It revolves around situational awareness: knowing what’s happening, understanding why, and responding appropriately.

The intelligence cycle feeds the OODA loop. Without intelligence, there is no orientation; without orientation, no decision. The two circles turn side by side, reinforcing each other in a continuous movement of observation and action.

The PDCA Cycle: Learning from Action

While Boyd focused on speed and adaptation, W. Edwards Deming emphasized improvement and learning through Plan – Do – Check – Act. The two models mirror each other: one accelerates reaction, the other deepens understanding. Together they show that intelligence is not an endpoint, but a means for continuous adaptation and growth.

AI as an Amplifier of Human Insight

Today, artificial intelligence (AI) plays a new role in this dynamic. AI helps process vast amounts of data, recognize patterns, and uncover connections humans might miss. But AI does not create intelligence — people do. AI can analyze, but not interpret; it can predict, but not understand. True value emerges only when human experience and technological power complement each other.

Ultimately, intelligence remains a human skill: the ability to give meaning to what we see — and then act on what we understand and intuitively trust.

Check, Act — and the Circle Closes

The check–act phase of Deming’s model is becoming increasingly important in the AI world. AI outputs are largely statistical estimates — calculated probabilities, not truths. That’s why feedback is crucial: continuously testing, correcting, and improving models. What AI learns depends entirely on the quality of its data and feedback.

And that’s where data trust comes in: the assurance that source data is reliable, traceable, and has integrity. Without that trust, we get pseudo-intelligence — beautiful dashboards without meaning. Think of the nitrogen data scandal. With reliable data, the circle closes: the outcome of intelligence feeds the next observation, the check feeds the next act, and learning becomes a continuous process of improvement and understanding.

As Jozua van der Deijl of DigiCorp Labs recently put it in the article “The Digital War: The Real Gold Rush and the Forgotten Truth of Ownership”:

“Data trust is the moral core of the digital age.”

After all, the true digital hero trusts no one but the original creator of the data. Everything that happens to that data afterward is nearly impossible to control. The difference between truth & fake. 

The Yin and Yang of Data and Intelligence

In this continuous circle, data and intelligence form the yin and yang of insight. Data is objective and measurable; intelligence is subjective and interpretive. One cannot exist without the other. Too much data without context leads to blindness; too much interpretation without facts leads to illusion. In their balance lies wisdom — the closed circle in which observing, understanding, and acting revolve in harmony.

And that brings us to the essence: data is essential, but never the goal. Value arises only when trusted data is translated into meaning — and meaning into action. The real power lies not in what we measure, but in what we trust, understand— and do.