Datalaag is zo'n woord dat inmiddels in elk softwarevoorstel staat en in geen twee voorstellen hetzelfde betekent. Hieronder wat het wel is, waar het niet hetzelfde als is, en wanneer een bedrijf van twintig tot tweehonderd mensen er echt een nodig heeft. Inclusief de twee situaties waarin je er beter geen begint.
Een datalaag is de plek waar je bedrijfsdata woont, los van de programma's waarmee je die data bekijkt. Niet in het CRM, niet in het boekhoudpakket en niet in een map met sheets, maar op een eigen plek waar al die systemen naartoe schrijven en uit lezen. De software eromheen is dan vervangbaar zonder dat je data meeverhuist, simpelweg omdat je data er nooit in zat.
Dat klinkt als een database, en de opslag is ook gewoon een database. Het verschil zit in de twee lagen die er nog bovenop moeten.
Mensen, systemen en AI-toepassingen mogen erbij, met rechten per rol, zonder dat er eerst iemand een export moet draaien.
Vastgelegd wat klant, order en omzet bij jou precies betekenen, zodat elk systeem en elk model op dezelfde vraag hetzelfde antwoord geeft.
Alle gegevens op een plek, in een open formaat, op infrastructuur waar jij de eigenaar van bent.
De middelste laag is de laag die in de praktijk wordt overgeslagen, en het is de laag waar het misgaat. Zolang nergens is vastgelegd dat een klant bij jullie iemand is met minstens een betaalde factuur, geeft de verkooprapportage een ander getal dan de boekhouding, en geeft een AI-assistent er nog een derde bij. Niet omdat de cijfers fout zijn, maar omdat er drie definities naast elkaar bestaan die niemand ooit heeft opgeschreven.
Op Prinsjesdag, 15 september, stonden digitalisering en AI opnieuw prominent in de troonrede, met plannen voor een nationale investeringsinstelling en een aparte organisatie voor grensverleggende technologie. Dat is landelijke infrastructuur. Voor een individueel mkb-bedrijf verandert dat op korte termijn weinig, want de rem zit een niveau lager: volgens het Europese DESI-rapport gebruikt ongeveer 18 procent van het Nederlandse mkb big data, en ongeveer evenveel bedrijven gebruiken AI. Niet omdat de tools ontbreken, maar omdat de data waar die tools op zouden moeten draaien over vier of vijf systemen verspreid staat. Dat past bij wat mkb-ondernemers zelf zeggen: ze gebruiken AI vooral voor teksten, en veel minder voor de eigen cijfers.
Tegelijk loopt er een tweede beweging, en die is verwarrender. Softwareleveranciers hebben in 2026 een hele woordenschat om dit probleem heen gebouwd: semantic layer, context layer, agentic data layer, elk met een eigen productpagina en een eigen gids voor 2026. De onderliggende observatie klopt. Een AI-agent die jouw prijslogica niet kent, geeft geen slecht antwoord maar neemt een slecht besluit, en Gartner verwacht dat meer dan 40 procent van de agentic-AI-projecten voor eind 2027 wordt afgeblazen. Alleen: in een bedrijf van twintig tot tweehonderd mensen zijn dat geen drie producten. Het zijn drie dingen die je ene datalaag moet doen.
Dit is de verwarring die we het vaakst tegenkomen, en ze kost geld. Een datawarehouse is een kopie om op te rapporteren. Een datalaag is de plek waar het werk gebeurt.
Gegevens worden er periodiek in geladen zodat je er cijfers uit kunt lezen, meestal over gisteren.
Systemen schrijven er live in en lezen er live uit, dus wat je ziet is de huidige stand.
Een datawarehouse dat netjes is ingericht is prima werk. Alleen lost het de vraag niet op waar dit artikel over gaat: je cijfers worden leesbaarder, je afhankelijkheid blijft. Daar komt bij dat een groot deel van wat je in zo'n kopie ziet niet is vastgelegd maar berekend, en dat gaat bij een overstap geruisloos mis. Het verschil tussen vastgelegde en afgeleide data staat uitgewerkt in ERP-migratie: welke data neem je mee.
Hier wijken we af van vrijwel elk ander stuk over dit onderwerp, want het eerlijke antwoord is dat de meeste bedrijven er geen nodig hebben. Een datalaag is een fundament, en een fundament zonder gebouw erop is alleen onderhoud.
Geen datalaag nodig. Een goed pakket doet zijn werk. Wie hier toch een fundament bouwt, koopt onderhoud voor een probleem dat hij niet heeft.
Meestal is een koppeling genoeg. Bouw geen fundament voor iets wat een integratie oplost, maar leg wel vast welk systeem waarvoor de bron is.
Hier verdient een datalaag zich terug. Niet omdat het netter is, maar omdat niemand meer kan zeggen welke versie klopt en elk nieuw plan daarop stukloopt.
Er is een test van vijf minuten om te bepalen in welke situatie je zit. Vraag drie collega's onafhankelijk van elkaar hoeveel klanten je hebt, en vraag erbij waar ze dat getal vandaan halen. Krijg je drie getallen uit drie bronnen, dan heb je geen telprobleem maar een definitieprobleem. Hetzelfde geldt voor openstaande offertes, actieve projecten en omzet per klant. Herken je dat, dan is de vraag niet meer of je een datalaag nodig hebt, maar wanneer.
Dat patroon loopt gelijk op met de signalen dat een pakket uit zijn jas gegroeid is, die staan in vijf signalen dat je bedrijf zijn CRM is ontgroeid.
Een datalaag is geen programma van een jaar. De aanpak die in de praktijk werkt begint bij een proces dat nu pijn doet en bij de data die dat proces nodig heeft. Haal die gegevens naar een open database in eigen beheer, laat het bestaande pakket er voorlopig gewoon naast staan, en bouw de eerste oplossing erbovenop. Werkt het, dan komt het volgende proces erbij. Werkt het niet, dan ben je een paar weken kwijt in plaats van een jaar.
Wat je vooral niet doet, is beginnen met alles overzetten. Het verplaatsen is zelden het moeilijke deel; het tellen en controleren wel. Hoe die volgorde eruitziet staat in het stappenplan datamigratie, en welk proces je als eerste kiest in repetitieve taken automatiseren.
Een datalaag is geen doel op zich. Het is de reden dat je over twee jaar van leverancier kunt wisselen zonder je historie te verliezen, dat een AI-toepassing bij een compleet klantbeeld kan, en dat een nieuw dashboard dagen kost in plaats van maanden. Dat is de hele belofte, en meer is het niet.
Hoe wij dat concreet invullen, met een open datalaag op PostgreSQL in jouw eigen beheer waarop dashboards, AI-chat en agents aansluiten, staat op de pagina over de AI Native Data Layer. Wil je eerst weten wat automatisering daarbovenop betekent, lees dan bedrijfsprocessen automatiseren met AI.
Een datalaag is de plek waar je bedrijfsdata woont, los van de programma's waarmee je die data bekijkt. Hij doet drie dingen tegelijk: hij bewaart alle gegevens op een plek in een open formaat, hij legt vast wat begrippen als klant, order en omzet bij jou precies betekenen, en hij geeft mensen, systemen en AI-toepassingen toegang met rechten per rol. Ontbreekt een van die drie, dan heb je een database of een rapportagekopie, geen datalaag.
Een datawarehouse is een kopie waar je op rapporteert: gegevens worden er periodiek in geladen en je leest er cijfers uit, meestal over gisteren. Een datalaag is de plek waar het werk zelf gebeurt: systemen schrijven er live in en lezen er live uit, dus wat je ziet is de huidige stand. Ze sluiten elkaar niet uit, maar een datawarehouse lost je versnippering niet op. De losse systemen blijven de baas over hun eigen data.
Nee. Draait je bedrijf op een systeem met een paar randkoppelingen, dan is een goed pakket prima en koop je met een datalaag onderhoud zonder probleem. Bij twee of drie systemen die elkaar moeten kennen is een koppeling vaak genoeg. Een datalaag verdient zich pas terug als dezelfde waarheid op meerdere plekken staat en niemand meer kan zeggen welke versie klopt.
Vraag drie collega's onafhankelijk van elkaar hoeveel klanten je hebt, en vraag erbij waar ze dat getal vandaan halen. Komen er drie getallen uit drie bronnen, dan is dat geen telprobleem maar een definitieprobleem: niemand heeft ooit vastgelegd wat een klant bij jullie is. Dat is precies het werk dat een datalaag doet.
Die termen beschrijven onderdelen van hetzelfde werk. Een semantic layer gaat over de betekenis van je begrippen, een context layer over de actuele stand van een klant of order over systemen heen. In een organisatie met duizenden medewerkers is het zinvol daar aparte producten voor te kopen. In een bedrijf van twintig tot tweehonderd mensen zijn het gewoon twee dingen die je datalaag moet doen, niet twee facturen.
In de whitepaper over de AI Native Data Layer lees je hoe een open datalaag in eigen beheer eruitziet, wat er met je bestaande systemen gebeurt en hoe je er klein mee begint zonder alles in een keer om te gooien.
Download de whitepaper