Laat je mensen en hun AI vrij bouwen. Op data die klopt.
Analisten en data scientists werken steeds vaker met AI-assistenten die in minuten maken waar vroeger weken in zaten: een analyse, een model, een dashboard. Dat is winst, zolang de cijfers eronder vaststaan. Yres is het fundament dat niet meebeweegt: één gecontroleerde laag die je data ophaalt, de historie bewaart en elke stap herleidbaar maakt. Daarboven mag het snel gaan. Daaronder is het saai, met opzet.
Laatst bijgewerkt:
Wat er verandert als je team met AI gaat bouwen
Een analist die met een AI-assistent werkt, produceert in een middag wat eerder een sprint kostte. Dat is de aantrekkelijke kant. De andere kant: die assistent bouwt op wat hij aantreft. Wijst hij rechtstreeks naar het ERP, dan breekt zijn werk zodra de leverancier een API aanpast, en ziet hij alleen de stand van vandaag. Vraag je twee analisten om dezelfde analyse, dan krijg je twee bronnen, twee definities en twee antwoorden.
Het probleem zit dus niet in de AI, en niet in de snelheid. Het zit in de laag eronder. Zolang die niet vaststaat, vermenigvuldigt AI de ruis in plaats van het inzicht.
- Bronsystemen veranderen; een analyse die er rechtstreeks op bouwt, verandert ongemerkt mee
- Bronnen tonen alleen de actuele stand; wat er vorige maand stond, is weg
- Elke analist kiest zijn eigen definities, en niemand ziet dat ze verschillen
- Een cijfer in een rapport is niet te herleiden tot waar het vandaan kwam
Het fundament: één laag die niet meebeweegt
Yres legt tussen je bronsystemen en alles wat erop gebouwd wordt één vaste laag. Die laag haalt elke nacht dezelfde data op dezelfde manier op, bewaart elke versie van elke regel, en legt vast waar elk cijfer vandaan komt. Analisten, dashboards en AI-assistenten lezen allemaal uit die ene laag, in jouw eigen Azure-omgeving.
Het resultaat is dat experimenteren veilig wordt. Wie erop bouwt, kan niets kapotmaken in de bron van de waarheid. En wat een AI-assistent vandaag berekent, is morgen nog te herhalen en te controleren, omdat de data eronder niet is verschoven.
| Wat je organisatie wil | Wat Yres eronder legt |
|---|---|
| Snelheid zonder risico: experimenteren raakt de rapportage niet | Een vaste laadlaag met terugdraaien per tabel; experimenten lezen, ze schrijven niet in de bron van de waarheid |
| Eén versie van de cijfers: AI-antwoorden en het maandrapport komen uit dezelfde bron | Eén datawarehouse met volledige historie (SCD2) en herkomst tot op objectniveau |
| Uitlegbaar en in eigen hand: laten zien waar een getal vandaan komt | Alles in je eigen Azure-tenant, ISO 27001, elke wijziging vastgelegd, ook wat iemand rechtstreeks in de database doet |
| Terug kunnen kijken: hoe zag het er op 1 januari uit? | Elke versie van elke regel wordt bewaard; een analyse op de stand van toen blijft mogelijk |
Wat dit betekent voor wie erop bouwt
Voor een data scientist is het fundament een schone, stabiele dataset met historie, in gewone SQL-tabellen en views, zonder dat hij eerst drie API's hoeft te doorgronden. Hij bouwt zijn model op de laag, niet op de bron. Wil hij zijn eigen tabellen en views naast die van Yres, dan kan dat in een eigen schema dat via het wijzigingsproces mee naar productie gaat.
Voor een BI-team betekent het dat dashboards en ad-hocanalyses uit dezelfde bron komen, en dat een vraag van een bestuurder over een afwijkend cijfer te beantwoorden is: dit is de bron, dit is de definitie, dit was de stand op die datum.
Voor een bestuurder is het de garantie dat de snelheid van AI niet ten koste gaat van de betrouwbaarheid van de cijfers waar beslissingen op rusten. Wat de accountant of de toezichthouder vraagt, is te laten zien.
Op de roadmap: een MCP-server voor AI-assistenten
Yres krijgt in oktober 2027 een eigen MCP-server. MCP is de open standaard waarmee AI-assistenten zoals Claude en ChatGPT rechtstreeks met een systeem praten. Een assistent kan dan zelf de laag van Yres bevragen: welke tabellen er zijn, wat ze betekenen, hoe actueel ze zijn, en de data zelf, binnen de rechten die de organisatie geeft.
Het idee blijft hetzelfde als vandaag: de assistent bouwt bovenop het fundament en niet rechtstreeks op de bronnen. Alleen hoeft er dan geen mens meer tussen te zitten om de vraag naar de juiste tabel te vertalen. Tot die tijd werkt elke AI-assistent gewoon via SQL op de laag, zoals elke andere tool.
Vandaag beginnen
Je hebt geen AI-strategie nodig om hiermee te starten. Je hebt een laag nodig die klopt. Sluit je bronnen aan, laat de historie zich opbouwen, en geef je analisten en hun assistenten toegang tot de laag in plaats van tot de bronnen. Vanaf dat moment groeit elke analyse, elk model en elk experiment op hetzelfde fundament, en wat er ook verandert aan de tools erboven, de cijfers eronder blijven staan.
Veelgestelde vragen
Kan een AI-assistent nu al met Yres werken?
Ja, via SQL. De laag van Yres bestaat uit gewone tabellen en views in een Azure SQL-database in je eigen tenant. Elke tool of assistent die SQL spreekt, kan er vandaag op lezen, binnen de rechten die je toekent. De MCP-server die voor oktober 2027 gepland staat, maakt dat contact directer, maar is geen voorwaarde.
Is dit niet gewoon een datawarehouse?
Ja, in de kern wel. Het nieuwe is niet de laag, maar wat erop gebeurt: AI-assistenten die in hoog tempo bouwen, maken de eisen aan die laag strenger. Een datawarehouse dat soms een dag achterloopt of geen historie bewaart, was hinderlijk; met AI erbovenop wordt het een bron van fouten die zich snel verspreiden.
Wat als een analist iets bouwt dat niet klopt?
Dan is de schade beperkt tot dat ene werk. De laag van Yres is alleen-lezen voor wie erop bouwt; niemand kan er per ongeluk de bron van de waarheid mee aanpassen. En omdat de data eronder vaststaat en historie heeft, is de fout te herleiden en te herhalen, wat de eerste stap is om hem te vinden.
Waar staat de data die de AI leest?
In je eigen Azure-tenant, in de regio die je zelf kiest. Yres draait als Azure Data Factory-pipelines en een Azure SQL-database in jouw abonnement. Bij Yres staan alleen de instellingen van de webapp, nooit klantdata, inloggegevens of geheimen.
Genereert Yres het datamodel voor mijn data scientists?
Nee, bewust niet. Yres levert de laag met volledige historie; het model daarop bouw je zelf, in de methode die bij jouw team past. Modelleren hangt sterk af van wat je rapportagetools en je mensen nodig hebben, en dat verandert. Het fundament niet.
