De belangrijkste inzichten en thema’s van Gartner Summit 2026

Tijdens Gartner Data & Analytics Summit 2026 werd opnieuw bevestigd: de markt zit vol AI-ambitie. Copilots, agents en GenAI-use cases vliegen je om de oren. Veel organisaties willen versnellen, experimenteren en implementeren.  Maar Gartner gaf een duidelijke nuance: “Move fast” is niet genoeg. Het moet zijn: move with context.

De belangrijkste boodschap van het event was verrassend helder en zelfs simpel:

“AI creëert pas echte waarde als het de context van een organisatie begrijpt.”

Voor Axians sluit deze boodschap sterk aan op hoe wij naar de markt kijken: AI-readiness is niet alleen een technologievraagstuk. Het is ook een vraagstuk van datamanagement, governance, semantiek en verandermanagement.

Onder de oppervlakte van alle AI-innovatie kwamen daarom een aantal duidelijke thema’s naar voren. Thema’s die laten zien wat organisaties nodig hebben om AI betrouwbaar, schaalbaar en waardevol te maken.
We hebben hieronder de belangrijkste 10 thema’s uitgewerkt.

Thema 1: Wat is de rol van semantiek in AI?

Een van de sterkste thema’s tijdens Gartner was semantiek.

AI kan taal verwerken. Semantiek zorgt ervoor dat AI begrijpt wat data betekent binnen een specifieke organisatie.
Voorbeelden van semantische vragen:

  • Wat definieert een klant?
  • Wanneer telt iets als omzet?
  • Wat is een datakwaliteit issue?
  • Wat betekent ‘risico’ in jouw context?
  • Wat is een product?
  • Wie is eigenaar van de definitie?
  • Welk proces creëert de data?
  • Welke context verandert de betekenis?

 

Dit zijn geen details. Het is het verschil tussen AI die vloeiende antwoorden genereert en AI die bruikbare, betrouwbare en organisatiespecifieke antwoorden geeft.

Een semantische laag, metamodel, ontology, glossary, lineage-model of knowledge graph is geen “extra documentatie”. Het is de brug tussen zakelijke betekenis en machinebegrip.

Simpel gezegd: Governance creëert vertrouwen, context creëert betekenis.

Zodra organisaties betekenis en definities expliciet maken, ontstaat automatisch een volgende uitdaging: hoe beheer en schaal je die context? Daarmee kwam Gartner al snel uit bij het belang van metadata.

Thema 2: Hoe hangen AI en metadata samen?

Een andere duidelijke ontwikkeling: AI en metadata versterken elkaar.

Hoe hangen AI en metadata samen? AI en metadata hebben een symbiotische relatie:

  • Metadata geeft context aan AI
  • AI helpt om metadata automatisch te genereren en bij te houden

Metadata geeft AI context over de data waarmee wordt gewerkt en tegelijkertijd worden agents ingezet om het genereren van metadata te automatiseren.

Thema 3: Hoe meet je ROI van AI?

Gartner introduceerde een interessante manier om naar AI-waarde te kijken: ROI gaat verder dan financiële opbrengst.

Natuurlijk telt financiële waarde mee. Maar de waarde van AI zit ook in betere beslissingen, snellere processen, minder risico, betere compliance, meer vertrouwen, een sterkere klantervaring en medewerkers die met meer zekerheid werken.

Gartner onderscheidt drie typen waarde:

1. Return on Intelligence
Wat is onze AI-ambitie, en waar kan AI betere beslissingen en uitkomsten realiseren?

 

2. Return on Integrity
Hebben we het fundament, de governance, kwaliteit, lineage en controles om te vertrouwen op wat AI gebruikt en produceert?
3. Return on Individuals
Helpen we mensen om AI op een verantwoorde en waardevolle manier te begrijpen, adopteren en gebruiken?

Dat laatste punt is essentieel: AI-first betekent niet people-last.

Succesvolle organisaties stemmen mindset, skillset en toolset op elkaar af.

Thema 4: Data governance: van rem naar versneller

Data governance krijgt een comeback, maar in een nieuwe rol.

Niet als: bureaucratie, compliance-verplichting of besluitvormingsvertrager
Maar als: versneller van AI, analytics en businesswaarde.

En alleen als het gekoppeld is aan concrete business-impact.

Als een organisatie nog op een laag volwassenheidsniveau zit met onduidelijk eigenaarschap, slechte definities, inconsistente kwaliteit, zwakke lineage of beperkte verantwoordelijkheid, lost AI die zaken niet magisch op zodra het in productie gaat. Het legt ze juist sneller bloot.

 

Daarom is de “waarom” zo belangrijk.

  • Praat eerst over context voordat je praat over metadata.
  • Praat eerst over vertrouwen voordat je praat over datakwaliteit.
  • Praat eerst over betere beslissingen, minder issues, veiliger gebruik en heldere verantwoordelijkheid voordat je praat over governance.

Het moeilijkste deel van data governance is zelden het framework. Het is het creëren van een reden waarom mensen het belangrijk vinden.

Thema 5: Gebruik een Maverick-aanpak om je voor te bereiden op de toekomst

De veranderingen en mogelijkheden rondom AI zijn te groot en te impactvol om alleen in kleine verbeteringen te denken.

Maverick-aanbevelingen:

  • Zorg voor meer dan alleen een strategie, maak een plan om sabotage en disruptie tegen te gaan.
  • Bouw simulaties.
  • Verleg de grenzen van wat je denkt dat mogelijk is. Werk vanuit “what if…”.
  • Bepaal eerst de maatschappelijke impact, omdat sociale impact businessimpact aanjaagt.

En denk vooral vanuit je eigen businessvisie en strategie.

Een mooi voorbeeld is IKEA, dat de succesvolle chatbot Billy implementeerde. In plaats van customer support-medewerkers te vervangen, ontdekte IKEA dat veel vragen rondom interieurdesign onbeantwoord bleven. Door de chatbot hiervoor te trainen, werd naar schatting 1 miljard extra omzet gerealiseerd.

 

Bij Axians gebruiken we de Data Vision Quest om te starten met een datastrategie en roadmap.

Thema 6: Start met business outcomes, in gewone taal

Een van de meest praktische lessen was: “Als je jouw data governance-initiatief niet in eenvoudige business-taal kunt uitleggen, is het waarschijnlijk nog niet klaar.”

  • Begrijpt de businessvloer het?
  • Kan leadership de koppeling maken met strategie?
  • Zien stakeholders wat er voor hen verandert?
  • Kun je het voordeel uitleggen zonder je te verschuilen achter datajargon?

Daar gaat het bij veel governance-initiatieven mis. Ze starten met “het catalogiseren van dingen”, grote commissies, standaarden, policies en abstracte maturity-modellen. Daarna verliezen mensen hun interesse omdat ze de connectie met hun dagelijkse werk niet zien.

 

 

Een betere aanpak is om van voren naar achter te werken.

Start met een concreet businessdoel, zoals: regulatory reporting, customer onboarding, risk management of customer experience.  Stel daarna vragen als:

  • Welke beslissingen moeten verbeteren?
  • Welke data is daadwerkelijk nodig?
  • Welke definities zijn belangrijk?
  • Welke controles zijn nodig?
  • Wie produceert de data?
  • Wie gebruikt de data?

Zo wordt data governance praktisch.

Kleine MVP’s, duidelijke mijlpalen, incrementele waarde en zichtbare voortgang.

Thema 7: De toekomst is een single source of fact, verrijkt met context.

Een van de interessantste inzichten was het onderscheid tussen een “single source of truth” en een “single source of fact”.

In veel organisaties verandert “de waarheid” afhankelijk van de context.

Finance kijkt anders naar een klant dan Risk dat doet. Marketing, operations, compliance en serviceteams kunnen allemaal legitieme maar verschillende perspectieven hebben.

De onderliggende feiten moeten consistent en governed zijn. Maar betekenis ontstaat door context.

 

Daarom is semantiek zo belangrijk.

Het doel is niet om elk team in één platte definitie van de werkelijkheid te dwingen. Het doel is om context expliciet, governed en herbruikbaar te maken, zodat mensen en AI-systemen begrijpen welke betekenis in welke situatie geldt.

Hier worden semantische modellen, metamodels, knowledge graphs, data catalogi, lineage en active metadata krachtig. Ze maken organisatorische betekenis zichtbaar.

Thema 8: Knowledge graphs, RAG en context graphs worden steeds relevanter

De sessie van Neo4j bevestigde opnieuw het belang van graph thinking.

AI heeft context nodig, en graphs zijn een natuurlijke manier om relaties weer te geven: tussen data, processen, systemen, policies, mensen, business-termen en beslissingen.

Retrieval-Augmented Generation (RAG) wordt vaak besproken als technisch patroon, maar de echte waarde ontstaat wanneer retrieval wordt gebaseerd op het juiste metamodel en de juiste context graph.

Daarmee beweegt AI van “documenten doorzoeken” naar het begrijpen van relaties.

Voor ons bevestigt dit een belangrijke richting: het metamodel is niet langer alleen een design artefact. Het wordt onderdeel van de AI operating layer.

Thema 9: Tooling volgt het operating model

We zagen ook interessante ontwikkelingen in de data catalog-markt.

DataHub ontwikkelt zich tot een serieuze speler, vooral voor organisaties die waarde hechten aan automatisering, active metadata, lineage, developer friendliness, agility en machine-consumable context.

Collibra blijft een krachtig enterprise-platform, zeker voor grootschalige governance, workflow-intensieve omgevingen, regulatory documentation, stewardship en formele operating modellen.

 

De belangrijkste vraag is niet: “welke tool is beter?”

De echte vraag is: welke tool past bij de volwassenheid, governance-stijl, use cases en adoptiecapaciteit van de organisatie?

Technologie moet het operating model ondersteunen, niet vervangen.

Thema 10: Houd het simpel, maar niet simplistisch

Een andere sterke takeaway was het belang van eenvoud.

Governance en semantiek werken het beste als ze business-specifiek en proportioneel zijn. Dus waarom zouden we elke business unit hetzelfde zware governance-model geven, ongeacht volwassenheid, risico, ambitie of context?

Het doel is adaptive governance: sterk genoeg om vertrouwen te creëren, licht genoeg om geadopteerd te worden, en flexibel genoeg om mee te evolueren met de organisatie.

Daar wordt change management cruciaal.

 

Data governance is deels public relations. Je moet koffie drinken met stakeholders. Hun realiteit begrijpen. Bestaande processen ondersteunen voordat je nieuwe bedenkt. Kleine successen vieren. Eigenaarschap praktisch maken. Dataliteracy relevant maken. Mensen het gevoel geven dat ze geholpen worden, niet gecontroleerd.

Adoptie is geen nevenactiviteit. Het is een belangrijk onderdeel van het werk.

Wat betekent dit voor organisaties? (Axians visie)

De boodschap was zowel urgent als geruststellend.

Urgent, omdat AI zich razendsnel ontwikkelt en organisaties zich serieus moeten voorbereiden.

Geruststellend, omdat de route vooruit niet mysterieus is. Ze is gebaseerd op de fundamenten van goed datamanagement:

  • Vind de data.
  • Vertrouw de data.
  • Gebruik de data veilig en effectief.

Vandaag draait een sterk fundament niet alleen om data, maar ook om semantiek, context en AI-readiness.

Onze rol, als architecten achter nieuwe intelligentie, daarin is organisaties te helpen. Niet gedreven door AI-hype, maar vanuit een helder begrip van welke waarde ze willen creëren, welke fundamenten daarvoor nodig zijn en hoe mensen die verandering daadwerkelijk adopteren.

De organisaties die succesvol zijn met AI, zijn organisaties waarin mensen, processen, data en AI-systemen dezelfde taal spreken en daardoor met vertrouwen kunnen handelen.

Wil je sparren over hoe wij jouw organisatie hiermee kunnen helpen? Neem gerust contact op via het onderstaande contactformulier.

Onze experts helpen je graag verder met datamanagement-advies, data-architectuur of een concreet plan van aanpak.