Dashboards beantwoorden de vragen die je bedacht toen je ze bouwde. De echte vragen komen later, en zijn bijna altijd ad-hoc: waarom piekte het bezoek afgelopen maandag, welke pagina trok dat verkeer, deed die nieuwe stap in het formulier er eigenlijk toe.
Tot nu toe betekende zo’n vraag: een nieuw rapport bouwen, een export draaien, of iemand van data vragen. Met de eerstvolgende release komt daar Ask AI bij: een chat die rechtstreeks met je analytics-data praat en antwoord geeft zonder dat je het dashboard verlaat.
Eenvoud is de functie.
Ask AI pakt een vraag aan zoals een analist dat zou doen: je stelt ‘m in gewone taal, de agent bepaalt zelf hoe hij tot een antwoord komt. Geen query schrijven, geen rapport configureren, geen datamodel kennen. Het antwoord komt terug in de chat — als tekst, grafiek of tabel.
Dat is geen detail. Het verschil tussen “ik wil dit weten” en “ik weet hoe ik dit moet meten” is precies de drempel die de meeste mensen tegenhoudt om hun eigen data te gebruiken. Die drempel halen we weg.
De agent weet al waar je naar kijkt.
Elke chat begint met de context van het dashboard dat je op dat moment bekijkt: de geselecteerde periode, de actieve metric en de filters die je hebt ingesteld. Die context gaat mee naar de agent, zodat je niets hoeft uit te leggen.
Daardoor werkt zelfs een luie prompt. Vraag “Hoe gaat het met de website?” en de agent weet al dat je naar de bezoekers van de afgelopen 28 dagen kijkt, haalt de data op, en vat samen wat eruit springt.
En de context is geen black box. Je kunt op elk moment precies inzien wat er naar de agent is gestuurd. Pas je het dashboard aan, dan pakt een nieuwe sessie de actuele stand met één klik op.
Een AI-functie verandert niets aan waar je data heen mag.
Een taalmodel (LLM) rechtstreeks toegang geven tot je data is precies het punt waarop de meeste organisaties zenuwachtig worden. Terecht. Daarom is Ask AI vanaf de eerste regel binnen de [gov]-standaard gebouwd, niet erlangs.
-
Het model is een keuze, geen aanname. Jij bepaalt welk taalmodel Ask AI gebruikt, en waar dat draait. Niet wij. Een AI-functie die je data standaard naar een Amerikaans inference-endpoint stuurt, zou precies de reden ondermijnen waarom je voor [gov] koos. Er zijn serieuze, EU-gehoste modellen beschikbaar, en organisaties met een eigen afspraak of eigen inference kunnen hun eigen model gebruiken. Zo houd je zelf de regie over waar je data verwerkt wordt, in plaats van die uit te besteden aan een modelleverancier.
-
Read-only, by construction. De databasetoegang van de agent is alleen-lezen. Hij kan je data bevragen, maar niet wijzigen, verwijderen of ergens naartoe exporteren.
-
Eén property per sessie. Elke sessie heeft toegang tot precies één property. Geen gedeelde context tussen properties, geen weg naar andere tenants. En die scheiding zit niet in een prompt die het model vriendelijk vraagt zich te gedragen. Ze zit onder het model, in de toegangslaag.
-
Inzichtelijke context. Wat de agent ontvangt, staat in de context-weergave van de sessie. Niet verstopt in een prompt die je niet kunt zien.
-
De grenzen liggen niet bij het model. Het belangrijkste deel, namelijk de orkestratie, de datatoegang en de isolatie, leeft in de kern en niet in het taalmodel. Het model is een verwisselbaar onderdeel; de read-only-toegang en de scheiding per property gelden ongeacht welk model je kiest. Je controle hangt dus niet af van of een leverancier zich netjes gedraagt. Ze is in de architectuur vastgelegd, niet in een contract. In onze tests werkt bovendien elk model boven een bepaalde kwaliteitsdrempel goed, zodat je kosten, snelheid en aanbieder vrij tegen elkaar kunt afwegen.
Twee wegen naar het antwoord.
Onder de motorkap heeft de agent twee manieren om bij je data te komen.
De rapportage-API: dezelfde API die de dashboards voedt. Voor standaardvragen, zoals trends, vergelijkingen en uitsplitsingen, roept de agent die aan zoals elke andere client dat doet. Dat dekt de meeste dagelijkse vragen: “neem de sessies van vorige week en vergelijk ze met de week ervoor” levert één grafiek en een dag-voor-dag-tabel op.
Directe read-only queries: voor vragen waar geen enkel rapport voor bestaat, schrijft de agent zelf SQL tegen dezelfde tabellen die ook je BI-tools mogen gebruiken. Denk aan een eigen funnel uit één event-parameter: geen kant-en-klaar rapport, dus de agent bekijkt het schema, schrijft zijn eigen alleen-lezen query en rapporteert de uitval per stap.
Dat werkt door een keuze die lang vóór de agent is gemaakt: het datawarehouse-schema is plat, gedocumenteerd en ontworpen om door mensen én BI-tools bevraagd te worden. Wat makkelijk te bevragen is voor een analist, blijkt ook makkelijk te bevragen voor een taalmodel. Een datamodel dat alleen met stamkennis te ontcijferen is, redt geen enkele hoeveelheid prompt-engineering. Schone, gedocumenteerde data: dát is wat “AI-ready” werkelijk betekent. De technische onderbouwing staat in het warehouse-first manifest van onze kern.
En bewust pas het begin.
Wat er straks staat, is de eerste versie. We hebben hem klein en eenvoudig gehouden, omdat eenvoud het hele punt is, en omdat we liever iets uitbrengen dat één ding goed doet dan iets dat alles half doet.
Wat hierna komt, volgt dezelfde lijn: elke stap haalt méér handwerk weg. De richting waar we op inzetten is van prompt tot dashboard: beschrijf in gewone taal wat je wilt zien, en laat de agent het dashboard voor je bouwen in plaats van alleen de vraag beantwoorden.
Elke volgende stap blijft binnen dezelfde standaard. Niet “AI erbij, compliance erna”, maar dezelfde grenzen die nu ook al gelden: NL/EU, read-only, inzichtelijk.
Begin met een vraag die je half al kent.
Ask AI komt beschikbaar met de eerstvolgende release. Zodra het er is, open je een dashboard, start je een chat en stel je de vraag die je normaal in een rapportverzoek zou veranderen.
Begin met iets waarvan je het antwoord half al weet. De agent dezelfde cijfers zien ophalen die je zelf zou ophalen, alleen sneller, is de snelste manier om vertrouwen op te bouwen in de antwoorden die je niet had voorspeld.