Strategie — positionering vs. Power BI & het AI-vertrouwensverhaal

De gestolde kritiek en het narratief uit de sessie van 2026-06-27. Drie vragen van Mark beantwoord (de GUI-met-AI-weddenschap, wat corporates van Power BI vinden, en het differentiërend narratief), plus de “waar-AI-wel-niet”-pagina en de hallucinatie-reframe.

Verhouding: dit is de scherpe laag onder visie-commercieel-positionering.md en de WHAT-onderbouwing in bi-platform-concept-destillatie.md.

1. De “toekomst van GUI met AI” — zwakste kaart, niet erop positioneren

Het scherpe deel klopt: de GUI als verificatiepunt en de vastlegging als het eigenlijke product zijn echte differentiators. Maar “de toekomst van GUI is conversationeel” als verhaal is de zwakste positie:

Consensus, geen onderscheid — iedereen wedt hierop (Copilot, ThoughtSpot, Hex, Snowflake Cortex). Binnen een jaar table stakes.
Valt op de eigen lakmoesproef (§6 positioneringsdoc): een pitch die overleeft zonder het woord “AI” is robuust. De GUI-met-AI-claim verdampt zonder AI → het is batterij, geen auto.
Snijdt tegen de eigen waardepropositie in — verifieerbaarheid (tie-out, rondrekening, attestatie) moet je zíén, vergelijken en ondertekenen. Voor dit product krimpt de GUI dus niet, hij wordt belangrijker. AI haalt de bouw-UI weg (DAX, wizards); de verificatie-UI moet rijker.

Conclusie: AI-GUI = plumbing. Bouwen, niet op positioneren. Hooguit WHAT-laag voor technisch publiek; niet in het koopgesprek.

2. Power BI — wat corporates waarderen / verdragen, en het antwoord

Waarderen	Verdragen (stille pijn)	Antwoord (zelfde doel, andere route)
Eén governed model → “omzet” overal gelijk → vertrouwen	IT is de bottleneck; business wacht (ERP-val)	Consistentie bottom-up opgevangen + periodieke hardening — zonder wachtrij vooraf
Auditbaarheid, gedeelde waarheid op schaal	Model dempt ambiguïteit maar vangt “plausibel maar fout” niet	Tie-out + rondrekening toetsen tegen de bron, niet tegen het model
Microsoft-ecosysteem; “niemand wordt ontslagen voor Microsoft”	Requirements-vooraf: beslissen vóór je iets ziet	”Zoeken” i.p.v. specificeren — beslissen ná het zien
Fabric/SSAS staan er al	DAX moeilijk; knoppenmuseum	Je gaat er naast zitten, niet eroverheen

Judo-moment: Microsoft’s “verified answers” (handmatig gecureerde Q&A) is een stille toegeving dat het governed model “plausibel maar fout” niet vangt. Laat hun eigen feature het argument maken — geen frontale aanval nodig.

3. Het narratief — zelfde argumenten, anders geframed, niet keihard tegen Microsoft

Geef ze gelijk in het doel. “Alles wat je aan het model waardeert — één definitie, cijfers die je kunt vertrouwen, een audit trail — hóór je te willen. Wij willen hetzelfde, we komen van de andere kant.”
Benoem de stille prijs (niet de fout). “Het model geeft vertrouwen door alles vóóraf te beslissen → IT in de lead, business wacht. En zelfs dan vangt het ‘klopt-maar-fout’ niet — daarom levert zelfs Microsoft handmatige verified answers.”
Reframe per argument:
- Consistentie — zij: model besturen vóór gebruik. Jij: definities opvangen uit gebruik + periodiek verzoenen. Zelfde consistentie, geen bottleneck.
- Vertrouwen — zij: het model geloven. Jij: elk cijfer tegen de bron bewijzen (tie-out) + menselijke handtekening (attestatie). Vertrouwen door bewijs, niet door autoriteit.
- Audit — zij: governed model. Jij: spoor van wie wanneer welke aansluiting bevestigde. Aantoonbaar sterker.
Niet-confronterende afsluiting (toestemming geven): “We vervangen je fundament niet, we zitten ernaast. Heb je een governed model? Dat eren we. Wij zijn er voor de vragen die niet op een modelwijziging kunnen wachten — en om de cijfers te bewijzen op een manier die het model nooit kon.”

Dit is “tegen aanschoppen zonder het vertrouwde Microsoft-gevoel kapot te maken”: gelijk geven → stille pijn benoemen → permissie geven om anders te kiezen.

4. Drie kritische waarschuwingen (waar de pitch kan overreiken)

Claim niet “geen semantisch model nodig.” Grain + conformed dimensions overleven (eigen destillaat). De juiste nuance: “niet vooraf gebouwd, maar opgevangen uit gebruik.”
“Trust by proof” is zo sterk als de attestatie-discipline. Antwoord: geen nieuwe discipline toevoegen — de aansluitingsreflex van de controller instrumenteren. Attestatie op het hardening/promotie-moment, niet bij elke query.
IT zit in het koopproces (security review). “Business + AI op het warehouse” triggert het ongoverneerde-toegang-alarm. Maak governance-door-confrontatie + “AI door dezelfde poort” + audit-van-attestaties leesbaar als méér controle (“minder tickets, betere grip”).

5. De “waar AI wel, en waar bewust niet”-pagina

De noordster gemaakt tot pagina: verwondering (waar AI vol ingezet) × behoedzaamheid (waar bewust niet losgelaten). Tegelijk de differentiatie vs. Microsoft.

Naam: “cherry picking” heeft een negatieve bijklank (selectief gunstig bewijs kiezen) — vermijden. Alternatieven: “AI op haar plek”, “AI binnen vangrails”, “Waar AI wel, en waar bewust niet.”
Niet claimen: “geen hallucinatie kan plaatsvinden.” Niet waar te maken, en het wekt juist wantrouwen bij de controller (die in controles gelooft, niet in magie). Valt op de toonregels (geen superlatieven) en de lakmoesproef.

De sterkere, eerlijker reframe — van preventie naar detectie:

“De AI mag fout zitten. Hij kan alleen niet ongemerkt fout zitten.” Varianten: “Geen enkel cijfer bereikt je zonder zijn bewijs.” · “Een hallucinatie kan hier geen beslissing worden.”

Geloofwaardiger omdat het bescheidener is — en het is letterlijk de architectuur (tie-out, rondrekening, attestatie).

Pagina-structuur:

Blok	Inhoud
Waar we AI vol inzetten	exploreren, SQL/visuals genereren, verwoorden, uitleggen — de verwondering
Waar we ‘m bewust níét laten beslissen	het oordeel, de attestatie, “is dit waar” — de behoedzaamheid
Hoe we dat afdwingen	dezelfde poort als de gebruiker · rondrekening · tie-out naar de bron · de menselijke handtekening
De belofte	niet “geen fouten”, maar “geen fout wordt ongemerkt een beslissing”

Geen feature-pagina maar een vertrouwenspagina — in het AI-tijdperk mogelijk de sterkste pagina, juist omdat ze de grens van AI toont in plaats van verbergt.

6. “Jullie bouwen toch óók iets vooraf?” — ja, maar wij beginnen bij de analyse, niet bij de data

De eerlijkste manier om deze kritiek te ontkrachten is ‘m eerst gelijk geven, en dan verschuiven naar de as die telt.

De concessie (vooropstellen): “Natuurlijk richten wij ook iets in. Wie zegt dat je ‘niets vooraf hoeft’ liegt — en bij ons valt zo’n claim op onze eigen eerlijkheidsregel. De vraag is niet óf je iets bouwt, maar wát je vooraf bouwt en wanneer dat gebeurt ten opzichte van het gebruik.”

Het verschil in gewone woorden. Een semantisch model begint bij de data: eerst alles netjes modelleren, dán hopen dat je vragen erin passen — je krijgt lijstjes en rapporten die los prima zijn maar samen geen verhaal vertellen. Wij beginnen bij de analyse: de vraag die een financieel expert intellectueel interessant vindt en die een verhaal vertelt. Daar trekken we de data naartoe. De data dient de analyse, niet andersom.

	Semantisch model	S&I
Startpunt	de data (modelleer eerst alles)	de analyse (de vraag die ertoe doet)
Wat je krijgt	rapporten die samen geen verhaal zijn	één analyse die een verhaal vertelt
Volgorde t.o.v. gebruik	bouwen → dán gebruiken (wachtrij, IT in de lead)	de vraag eerst → de data erbij halen
Nieuwe markt aanvliegen	van onderop: alle data/rapporten in kaart	van bovenaf: de paar analyses die beslissers wakker houden

Kernzin: “Een semantisch model bouwt de antwoorden vooruit; wij beginnen bij de vraag en halen de data erbij.” Varianten: “Het model verplaatst het denkwerk naar vóóraf — wij naar het moment dat je het écht nodig hebt.” · “De inrichting brengt je bij ons tot ‘vraag alles tegen je data’, niet tot ‘elk cijfer al gemodelleerd’.”

De eerlijke grens (niet overreiken). Setup is niet nul: bronnen aansluiten en de basis-structuur bepalen is een echt inrichtingsproject. Maar dat is het instrument stemmen; de muziek — de analyse, het verhaal — leidt. Claim dus niet “geen model nodig” (zie §4), maar: “niet elk cijfer vooraf gemodelleerd; de analyse leidt, de data volgt.”

Let op het woord “bottom-up” — twee betekenissen, niet verwarren. (1) Startpunt: beginnen bij de data (het model) vs. bij de analyse (wij) — dít hoofdstuk. (2) Definities: die groeien bij ons uit gebruik in plaats van vooraf opgelegd (§2). Beide keren zijn wij “de andere kant op” dan het model, maar het zijn verschillende assen.