Semantic layer: waarom AI zonder vastgelegde definities gokt

Vraag drie afdelingen naar de omzet van vorig kwartaal en u krijgt drie getallen. Finance rekent op factuurdatum, sales op orderdatum, en logistiek telt retouren anders mee. Collega’s weten dat, en vragen door. Een AI-assistent weet het niet. Die kiest een tabel, schrijft een query, en geeft met grote stelligheid één antwoord.

Dat is de kern van waarom de semantic layer sinds de opkomst van AI-agents weer volop op de agenda staat. Het concept is niet nieuw: BI-tools werken er al decennia mee. Nieuw is dat de afnemer van de data steeds vaker een taalmodel is dat geen context heeft, geen collega om te bellen en geen gevoel voor wanneer een getal niet klopt.

Wat een semantic layer is

Een semantic layer is een vastgelegde vertaallaag tussen de ruwe data (tabellen, kolommen, bronsystemen) en degene die er een vraag over stelt. In die laag staat:

• Definities. Wat is een actieve klant? Wat valt onder omzet, en wat niet?
• Berekeningen. Hoe wordt brutomarge uitgerekend, op welk detailniveau, en in welke valuta?
• Relaties. Hoe hangen order, orderregel, product en klant aan elkaar, en langs welke sleutels?
• Synoniemen. Debiteur, afnemer en klant betekenen in deze organisatie hetzelfde.
• Regels. Welke filters gelden altijd, zoals intercompany-boekingen uitsluiten of alleen afgeronde orders meetellen.

Een dashboard, een analist en een AI-agent lezen vervolgens allemaal dezelfde definities. Het antwoord op “wat was de omzet in Q2?” hangt dan niet meer af van wie de vraag stelt of welke tabel toevallig gevonden wordt.

Waarom het met AI ineens urgent is

In een klassieke BI-omgeving zit de semantiek vaak verstopt in het rapport zelf: een berekening in een dashboard, een filter dat een ontwikkelaar ooit heeft ingebouwd. Dat werkt zolang mensen via dat rapport naar de data kijken.

AI-toepassingen gaan daar omheen. Text-to-SQL-assistenten, AI-agents en koppelingen via het Model Context Protocol (MCP) benaderen de data rechtstreeks. Zonder vastgelegde semantiek moet het model raden welke kolom omzet bevat, of een klant die twee jaar niets bestelde nog actief is, en hoe twee tabellen aan elkaar gekoppeld worden. Het resultaat ziet er overtuigend uit en is regelmatig fout.

De leveranciers zien dat ook. Qlik Answers gebruikt voor vragen over gestructureerde data het datamodel en de business logic van Qlik-apps. Snowflake heeft semantic views toegevoegd, zodat Cortex Analyst vragen beantwoordt op basis van vastgelegde metrics in plaats van ruwe tabellen. En in 2025 startten Snowflake, dbt Labs, Salesforce en anderen het Open Semantic Interchange-initiatief, om semantische definities tussen tools uitwisselbaar te maken. De richting is duidelijk: de semantiek verhuist van het rapport naar een gedeelde laag die elke afnemer kan lezen.

Waar DAMA in beeld komt

De techniek van een semantic layer is het eenvoudige deel. Het lastige deel is dat iemand moet besluiten wat omzet betekent, en dat die afspraak blijft kloppen als processen veranderen. Dat is geen IT-vraag. Het DAMA DMBoK-framework biedt daarvoor drie kennisgebieden die direct aansluiten:

Metadata Management. De semantic layer is in feite actieve metadata: beschrijvingen die niet alleen gelezen worden, maar ook uitgevoerd. Een catalogus met business glossary is de plek waar definities in gewone taal staan, met een eigenaar en een versiegeschiedenis.

Data Modeling and Design. Een goed conceptueel en logisch datamodel beschrijft de begrippen en hun relaties al voordat er één tabel gebouwd is. Wie dat model heeft, heeft het grootste deel van de semantic layer al op papier.

Data Governance. Elke definitie heeft een eigenaar nodig met beslissingsbevoegdheid, en een proces voor wijzigingen. Zonder dat raakt de semantic layer na verloop van tijd uit de pas met de werkelijkheid, en merkt niemand het tot een AI-antwoord in een directievergadering niet blijkt te kloppen.

Zie het DAMA-wiel voor hoe deze kennisgebieden samenhangen met datakwaliteit en de overige disciplines.

Waar het in de praktijk misgaat

• Beginnen met het tool. Een semantic layer in een nieuw platform inrichten zonder overeenstemming over de definities levert een nette, technisch correcte laag op met dezelfde tegenstrijdigheden als daarvoor.
• Alles tegelijk willen. Een complete semantische laag voor de hele organisatie is een meerjarig project. Het levert pas iets op als het af is, en dat is het nooit.
• Definities zonder eigenaar. “Dat regelt het data team” werkt niet. Het data team kan een berekening bouwen, maar niet besluiten of retouren van de omzet af gaan.
• Meerdere lagen naast elkaar. Een semantische laag in het BI-tool, een tweede in het datawarehouse en een derde in een AI-toepassing. Dan heeft u het oorspronkelijke probleem alleen verplaatst.
• Geen tests. Een semantic layer is software. Wijzigingen horen getest te worden tegen bekende antwoorden, net als code.

Klein beginnen

Een werkbare start ziet er bij de meeste organisaties hetzelfde uit:

1. Kies één domein met een concrete AI- of analytics-vraag. Bijvoorbeeld voorraad en levertijden bij een groothandel, of orderinstroom bij een maakbedrijf.
2. Leg tien tot twintig kernbegrippen vast in een business glossary: definitie, berekening, eigenaar, bronsysteem.
3. Maak ze uitvoerbaar in het platform dat u al gebruikt, zoals het Qlik-datamodel of Snowflake semantic views.
4. Stel een testset op van vragen waarvan het juiste antwoord bekend is, en controleer daar elke wijziging tegen. Dit is ook de manier om een AI-assistent te toetsen voordat die in productie gaat.
5. Breid uit per domein, met dezelfde afspraken over eigenaarschap en wijzigingen.

De winst zit in de herbruikbaarheid. Een logistiek bedrijf dat leverbetrouwbaarheid één keer goed vastlegt, gebruikt die definitie daarna in dashboards, in rapportages aan klanten en in een AI-assistent voor de planningsafdeling. Dit sluit direct aan op data products: een data product zonder gedefinieerde semantiek is voor een AI-afnemer maar half bruikbaar.

Hoe wij hierin meekijken

Bij cimt komt de semantic layer meestal ter sprake als onderdeel van een AI Data Readiness-assessment of een analytics-traject. We brengen dan in kaart welke begrippen voor de beoogde AI-toepassing cruciaal zijn, waar de definities nu verschillen, wie erover beslist, en welk platform de semantiek het beste kan dragen. De governance verankeren we via de DAMA-kennisgebieden, zodat de laag na de eerste oplevering ook onderhouden blijft.

Staat er een AI-toepassing op de planning en is niet duidelijk of de onderliggende definities op orde zijn? Dan is een kort gesprek zinvol. Plan een afspraak of lees meer over het AI Data Readiness-assessment.