Straks maakt iedereen dashboards. Wie bewaakt het cijfer?

Microsoft kondigde aan dat je straks in Power BI Desktop in gewone taal een app kan laten genereren. Je vertrekt van een model, je beschrijft wat je wil zien, en een AI bouwt het. Ook buiten Microsoft gaat het die kant op: een agent schrijft in een kwartier een dashboard dat vroeger dagen werk was.

Dat is goed nieuws. Ik bouw zelf met AI, en het gaat sneller dan ooit. Maar het verandert waar het risico zit. Vroeger was een dashboard maken moeilijk, en die moeilijkheid hield veel slechte dashboards tegen. Die rem valt nu weg.

Het gevaar is niet dat iedereen kan visualiseren. Het gevaar is dat niemand nog nakijkt wat er gevisualiseerd wordt.

Een mooie grafiek maakt een fout cijfer geloofwaardig

Een rommelig Excel-blad wantrouw je. Je ziet de handmatige aanpassingen, de kolommen die net niet kloppen, en je stelt vragen.

Een strakke app met nette kaarten, vloeiende grafieken en de huiskleuren van het bedrijf wantrouw je niet. De afwerking geeft het cijfer een gezag dat het niet verdiend heeft. En met AI is die afwerking gratis.

Dat is de eerste valkuil, en de belangrijkste: de kwaliteit van de vormgeving zegt niets meer over de kwaliteit van het cijfer.

Tien collega's, tien versies van de omzet

Stel dat vijf mensen in een bedrijf elk hun eigen app laten maken. De verkoopverantwoordelijke rekent omzet op factuurdatum. De boekhouding op boekingsdatum. Iemand laat de retours eruit, iemand anders niet.

Elke app klopt op zichzelf. Samen spreken ze elkaar tegen. Dat probleem is niet nieuw, het is hetzelfde als in als drie mensen drie antwoorden geven. Alleen gebeurt het nu sneller, en ziet elke versie er overtuigend uit.

We hebben jaren gewerkt om bedrijven weg te halen van tien Excel-bestanden met tien waarheden. Het risico is dat we er straks tien apps voor in de plaats krijgen.

AI bouwt wat je vraagt, niet wat je nodig hebt

Vraag een AI om een dashboard met omzet per maand, en je krijgt een dashboard met omzet per maand. Netjes, snel en precies wat je vroeg.

Niemand vraagt nog welke beslissing je ermee neemt, waarmee je het vergelijkt, of wat normaal is. Die vragen, uit de vraag die je stelt voor je een dashboard bouwt, kosten tijd. En als het bouwen zelf geen tijd meer kost, voelt die tijd ineens als vertraging.

Het resultaat is meer van het dashboard dat niemand opent, alleen sneller gemaakt.

Een formule die werkt, is nog geen formule die klopt

In een data app staat de DAX per grafiek in een apart bestand. Dat is een voordeel: je kan hem lezen, testen en verbeteren. Maar dan moet iemand dat wel doen.

Een measure die een getal teruggeeft, geeft niet noodzakelijk het juiste getal. De klassiekers: een datumtabel die niet als datumtabel gemarkeerd is, waardoor je measures leeg terugkomen. Een jaar-tot-datumvergelijking die een volledig vorig jaar tegenover een half lopend jaar zet, zoals in waarom een vergelijking per dag je voorliegt. Een filter die ergens anders in het model doorwerkt zonder dat iemand het merkt.

Een AI schrijft zulke formules vlot, en ze zien er plausibel uit. Wie DAX niet kent, ziet het verschil niet. In de DAX-les staan de valkuilen die je moet kennen om een formule te beoordelen, ook als je ze zelf niet schrijft.

De ingebouwde test kijkt of het draait, niet of het klopt

Microsoft bouwt in het sjabloon voor data apps een automatische browsertest in. Die opent de app en kijkt of alles laadt. Dat is nuttig: een pagina die niet laadt, wil je niet publiceren.

Maar een pagina die laadt met een fout cijfer, slaagt voor die test. Niets in dat proces vergelijkt de marge met de boekhouding. Dat moet nog altijd iemand doen die weet wat de marge hoort te zijn.

Code die niemand kan onderhouden

Een data app is een webapplicatie in React en TypeScript. De meeste mensen die vandaag Power BI-rapporten bouwen, kennen die talen niet. Dat hoeft ook niet zolang de AI het schrijft.

Tot er iets breekt. Een update van een bibliotheek, een veld dat hernoemd wordt in het model, een functie die Microsoft tijdens de preview aanpast. Wie lost het dan op? De collega die de app liet maken, kan de code niet lezen. In de community is dat een van de bezwaren die je het vaakst hoort.

Een Power BI-rapport dat niemand begrijpt, kan je nog openen en bekijken. Een app die niemand begrijpt, is een zwarte doos.

Honderd apps, en geen enkele is officieel

Als bouwen niets meer kost, wordt er veel gebouwd. Na een jaar heeft een bedrijf tientallen apps. Sommige worden dagelijks gebruikt, sommige één keer, en sommige worden nog gebruikt hoewel ze al maanden verkeerde cijfers tonen.

De vraag wordt dan niet meer "hebben we een dashboard?", maar "welk dashboard is het juiste?". Als niemand dat kan beantwoorden, beslist iedereen op basis van het scherm dat hij toevallig opende.

De kost die je niet ziet

Bouwen gaat sneller, maar het is niet gratis. Bij Fabric verbruikt alles wat een app doet capaciteit: de queries op het model, de database, de opslag. En elke keer dat een AI-agent iets bouwt of aanpast, gaan er tokens door. Bij één app is dat weinig. Bij vijftig apps die niemand opruimt, loopt het op zonder dat iemand het ziet.

Wat je eraan doet

Dit is geen pleidooi om AI te laten liggen. Het is een pleidooi om wat vroeger vanzelf gebeurde, nu bewust te doen.

• Eén model als enige bron. Zoveel apps als nodig, maar ze lezen allemaal uit hetzelfde model met dezelfde measures. Dan kan een app er anders uitzien, maar niet anders rekenen. Dat is ook waarom het datamodel het werk is.
• Definities op papier. Wat omzet is, wat een actieve klant is, ligt vast voor iemand een app laat bouwen.
• Officieel en zandbak. Iedereen mag experimenteren. Maar wat gedeeld wordt om op te beslissen, is apart gemarkeerd en nagekeken.
• Iemand die nakijkt. Voor een app gedeeld wordt, vergelijkt iemand de belangrijkste cijfers met de bron. Niet de code, de cijfers.
• Eén eigenaar per app. Wie is verantwoordelijk als het breekt? Geen eigenaar, dan geen publicatie.
• Opruimen. Apps die drie maanden niet geopend zijn, gaan eruit.

Waar de waarde naartoe schuift

Als iedereen in een kwartier een mooi dashboard kan maken, is een mooi dashboard maken geen vak meer. De waarde schuift naar wat eronder zit: een model dat klopt, gegevens uit Odoo, Exact of Yuki die correct samengebracht worden, definities waar iedereen achter staat, en de vraag welke beslissing ermee genomen wordt.

Dat was eigenlijk altijd al zo. Alleen kon je het vroeger verstoppen achter het werk dat de grafieken vroegen. Dat gaat nu niet meer.

Wat je kan automatiseren

Juist de controle kan je grotendeels automatiseren. De belangrijkste cijfers van elke app kan je dagelijks laten vergelijken met de bron, met een melding bij een afwijking. De DAX-bestanden van een data app kan je automatisch laten nakijken voor ze gepubliceerd worden. En het gebruik van elke app kan je meten, zodat je ziet welke niemand meer opent en welke je mag opruimen.

De stelling

AI maakt visualiseren goedkoop. Daardoor wordt het cijfer eronder het enige wat nog telt, en net dat wordt het makkelijkst overgeslagen. Laat iedereen bouwen, maar zorg dat alles uit één model rekent en dat iemand het cijfer bewaakt.