Ik vertaal bedrijfsvragenprocessenideeënnieuwe technologie
naar praktische verbeteringen.
Eerst de vraag begrijpen. Dan pas de tool kiezen.
Ik studeerde handelswetenschappen aan de KU Leuven en koos in mijn master voor strategie, innovatie en ondernemerschap. Ik studeerde af met onderscheiding.
In mijn masterproef onderzocht ik samen met Zimon Quayhackx of blockchain en NFT's duurzaamheidsrapportering in supply chains betrouwbaarder kunnen maken. Een van de conclusies was dat AI zich aandient als alternatief. Die nieuwsgierigheid nam ik mee naar Howest, waar ik het postgraduaat Applied AI volgde.
Wat me drijft: begrijpen hoe een organisatie werkt, zien waar het wringt, en uitzoeken welke technologie daar echt bij helpt. Als werkstudent bij Caldic hielp ik bij de migratie en validatie van masterdata naar Dynamics 365.
Zo kijk ik naar een probleem. Kies een vraag en volg hoe ze over de brug gaat.
De boekhouding typt elke leveranciersfactuur uit een pdf manueel over in het ERP.
Factuurnummer, datum, bedrag, btw en leverancier: telkens opnieuw, met tikfouten als risico.
Document-AI die de velden uit de pdf leest
Het model vult de gegevens voor en geeft per veld aan hoe zeker het is. Onzekere velden worden gemarkeerd.
De medewerker controleert en keurt goed, in plaats van over te typen
Meten: tijd per factuur en aantal correcties, vóór en na een proefperiode van een maand.
Voorbeelden van hoe ik een vraag aanpak, geen uitgevoerde projecten.
Ik zoek een plek waar ik businessvragen en technologie dichter bij elkaar kan brengen, en waar ik snel kan leren en verantwoordelijkheid kan opbouwen.
Ik verbind bedrijfsbehoeften met technologische mogelijkheden en help ideeën vertalen naar praktische verbeteringen.
Ik ben een businessgerichte starter. Ik ken de bedrijfskant, ik heb geleerd hoe AI in de praktijk werkt, en ik wil groeien in een rol waar ik die twee kan samenbrengen.
Kies een laag om te zien welke bijdragen erop steunen.
Luisteren naar operationele teams, processen in kaart brengen en begrijpen waar vertraging, herhaling of frustratie zit.
Gesprekken met de mensen die het werk doen, een procesoverzicht en een lijst van knelpunten.
Onderzoeken waar AI, automatisering of digitale producten meerwaarde kunnen bieden, en kansen afwegen op haalbaarheid, relevantie en mogelijke bedrijfswaarde.
Een overzicht van kansen met een eerlijke inschatting van wat ze vragen en wat ze kunnen opleveren.
Een duidelijke brug slaan tussen wat een team nodig heeft en wat een technische oplossing mogelijk moet maken. Vragen, vereisten en gewenste resultaten helder structureren.
Een helder geformuleerd probleem, vereisten waar zowel business als techniek mee verder kunnen, en afspraken over het gewenste resultaat.
Nieuwe tools snel leren kennen, kleine experimenten opzetten en evalueren of ze een probleem echt helpen oplossen.
Een kleine proef met een duidelijke vraag vooraf, en een eerlijk verslag achteraf: werkt het, en voor wie?
Meedenken over functionaliteit, gebruiksvriendelijkheid en verbeteringen op basis van behoeften uit de praktijk. Helpen bij het testen en opvolgen van verbeteringen.
Feedback van gebruikers verzamelen, verbeteringen helpen prioriteren en mee testen of ze werken.
Complexe mogelijkheden begrijpelijk uitleggen, collega's op weg helpen en bijdragen aan handleidingen, workshops of praktische begeleiding.
Ik kan sterk rapporteren en presenteren. Dat wil ik inzetten om nieuwe tools toegankelijk te maken voor collega's.
Aandacht voor de kwaliteit van informatie, privacy, data-ethiek en verantwoord gebruik.
Kritische vragen stellen over databronnen en privacy, gebaseerd op de lessen AI-ethiek uit het postgraduaat en mijn analytische achtergrond.
Helpen bepalen wat een verbetering moet opleveren en hoe je het resultaat evalueert, bijvoorbeeld in tijd, efficiëntie, kwaliteit of gebruiksgemak.
Vooraf afspreken wat succes is, een nulmeting, en na de verandering opnieuw meten.
Ik sta aan het begin van mijn loopbaan. Ik zoek een team waar ik dicht bij echte bedrijfsvragen kan werken, van ervaren collega's kan leren en stap voor stap meer verantwoordelijkheid kan opnemen rond AI en digitale verbetering.
Ik denk graag mee. Stuur me een bericht, dan plannen we een gesprek.
Vier stappen die op elkaar voortbouwen. Eerst leren hoe organisaties en markten werken, dan leren kansen zien, en daarna AI leren gebruiken om die kansen concreet te maken.
Aan het Sint-Theresiacollege (KOBOS) volgde ik de richting Economie-Moderne Talen. Hier kwam ik voor het eerst in aanraking met hoe bedrijven en markten werken, en legde ik de basis voor de vier talen die ik vandaag spreek.
De bachelor gaf me een brede basis: hoe een organisatie in elkaar zit, hoe markten bewegen en hoe je financiële en commerciële keuzes onderbouwt. Ik leerde onderzoek opzetten en cijfers kritisch lezen.
Mijn bachelorproef was een strategisch en analytisch marktonderzoek voor Zenith Graphics. Bekijk de case
In de master leerde ik kansen herkennen, strategisch afwegen en kijken naar hoe vernieuwing in organisaties ontstaat. Technologie kwam daarbij steeds vaker in beeld, als middel om bedrijfswaarde te creëren.
Mijn masterproef ging over blockchain en NFT's in duurzaamheidsrapportering, in de context van de nieuwe Europese CSRD. Lees de case
Het postgraduaat Toegepaste AI van Howest is gericht op de toepassing van AI in het werkveld, niet op het ontwikkelen van nieuwe theoretische algoritmen. Ik werkte zelf met data en modellen in Python.
De opleiding wil een helikoptervisie geven: begrijpen wat AI kan betekenen, het kritisch benaderen en het onderscheid zien tussen hype en trend. AI is een transdisciplinair domein, en precies daar sluit mijn achtergrond in business en strategie op aan.
Voor AI-ethiek schreef ik een case study over de trainingsdata van commerciële beeld- en video-AI. Lees de case
Een onderzoek naar wat blockchain en NFT's kunnen betekenen voor duurzaamheidsrapportering, een ethische analyse van de trainingsdata achter beeld-AI, en een marktonderzoek voor een bedrijf na een overname. Elke keer begon het met een vraag uit de praktijk.
Een verkenning van de kansen en implementatie-uitdagingen van blockchain en NFT's in duurzaamheidsrapportering, met de supply chain als vertrekpunt.
Met de Corporate Sustainability Reporting Directive (CSRD) vraagt de EU bedrijven om gestandaardiseerd te rapporteren volgens de European Sustainability Reporting Standards (ESRS). Dat verhoogt de lat voor transparantie, nauwkeurigheid en verantwoording.
Maar de data komt uit lange ketens met veel partijen. Rapportering steunt vaak op centrale platformen en manueel werk, en duurzaamheidscertificaten tonen meestal één momentopname. Dat laat ruimte voor fouten, inconsistenties en zelfs greenwashing.
De CSRD brengt nieuwe eisen en een versnipperd datalandschap.
Certificaten volgen veranderende omstandigheden niet op.
Meer geloofwaardigheid, maar traceerbaarheid blijft lastig.
Hoe kunnen blockchain- en NFT-technologieën de effectiviteit en integriteit van duurzaamheidsrapportering in supply chains verbeteren, en wat zijn de voordelen en uitdagingen van hun implementatie?
Vrij vertaald uit de Engelstalige onderzoeksvraag.
Het onderzoek speelde zich af tijdens het eerste jaar van CSRD-compliance. Daardoor konden we theoretische inzichten naast de ervaringen van professionals leggen die er op dat moment middenin zaten.
Acht semigestructureerde interviews met professionals uit blockchain en ESG, gerekruteerd via jobbeurzen, netwerken en online zoekwerk. Vragenlijsten werden per expert afgestemd en na de eerste gesprekken bijgestuurd.
Een literatuurstudie, aangevuld met rapporten en een casestudy van Circularise, een platform dat met digitale productpaspoorten op een publieke blockchain werkt.
De CSRD brengt complexiteit en versnippering. Standaardisatie en digitale tools zijn cruciaal, maar nog onvoldoende ontwikkeld. Limited assurance verhoogt de geloofwaardigheid, maar traceerbaarheid en transparantie van data blijven een uitdaging.
Er is een verschuiving richting Web3, met transparantie en decentralisatie als drijvers. De maturiteit verschilt sterk tussen landen en sectoren. Reputatie, kennis en de kloof tussen innovatie en regelgeving remmen de adoptie.
Blockchain kan transparantie, traceerbaarheid en databeheer verbeteren, bijvoorbeeld via digitale productpaspoorten zoals bij Circularise. De grootste drempels zijn menselijk: samenwerking en gedeelde waarde over de hele keten, plus standaardisatie en interoperabiliteit.
Onveranderlijke, transparante rapportering is mogelijk dankzij de aard van blockchain, vooral in ecosystemen met meerdere stakeholders. Voor interne rapportering is het minder relevant. De markt is nog niet klaar: hoge kosten, beperkte kennis en de vraag of blockchain wel nodig is.
NFT's bieden kansen voor onder meer EPC's, CO₂-credits, duurzame vliegtuigbrandstof (SAF) en digital twins. Het concept is veelbelovend, maar nog te vroeg: bijna alle eerder genoemde uitdagingen gelden ook hier.
Een certificaat dat gekoppeld is aan meetbare duurzaamheidsdata en mee evolueert, in plaats van één momentopname. We legden dit verkennende concept voor aan de experts. Hun oordeel: theoretisch aantrekkelijk, maar data uit de hele keten verzamelen en koppelen is de grote moeilijkheid. Bovendien is niet alle impact automatisch meetbaar.
Het onderzoek vatte voor- en nadelen samen per thema. Klik op een thema in de grafiek of in de lijst om te zien wat er aan elke kant van de weegschaal ligt.
Bron: samenvattende tabel met voordelen en uitdagingen in de masterproef. De lengte toont het aantal punten per thema, geen gewicht of belang.
Blockchain en NFT's kunnen duurzaamheidsrapportering in theorie verbeteren door meer transparantie, vertrouwen en traceerbaarheid. Op dit moment wegen de kosten, de complexiteit en de praktische drempels echter zwaarder dan de voordelen.
Digitalisering van duurzaamheidsrapportering is nodig. Of blockchain daar deel van uitmaakt, is nog onduidelijk. AI dient zich aan als sterk alternatief, bijvoorbeeld om kwalitatieve duurzaamheidsdata eenduidiger te interpreteren en dataverzameling te stroomlijnen.
Blockchain en NFT's verkennen om rapportering te automatiseren en te beveiligen, met oog voor de huidige drempels. De voordelen komen pas als de bredere keten mee is.
De kloof tussen innovatie en regelgeving dichten, en de inzet van nieuwe technologie in rapportering stimuleren.
Inzetten op interoperabiliteit, kostenefficiëntie en gebruiksgemak, en betrouwbare manieren om data te verzamelen.
Een case study voor het onderdeel AI-ethiek over de trainingsdata achter commerciële beeld- en video-AI zoals Midjourney, Stable Diffusion, DALL·E en Sora. De ethische problemen zitten al in de data, nog voor er één beeld gegenereerd wordt.
Beeld- en video-AI verandert nu al marketing, entertainment, communicatie en kunst. Tegelijk liggen er rechtszaken over auteursrecht, beïnvloeden deepfakes het publieke debat en proberen regelgevers zoals de EU met de AI Act bij te benen.
De case bekijkt het onderwerp vanuit vijf invalshoeken.
Grote datasets met beeld-tekstparen werden eerst gebouwd door academische en non-profitgroepen, voor openheid en reproduceerbaarheid. Commerciële spelers namen die werkwijze over en schaalden ze op. Daarmee schoven de ethische problemen naar de fundering van de systemen.
De data weerspiegelt het publieke internet, met een sterke oververtegenwoordiging van Westerse en Engelstalige inhoud.
Mensen worden niet geïnformeerd en kunnen geen toestemming geven. Andere rechtsgronden blijven betwist.
Beelden die gedeeld werden om sociale of artistieke redenen, worden hergebruikt voor commerciële training.
Gezichten kunnen biometrische data zijn, met strengere regels. Een DPIA zou verwacht worden, maar wordt zelden gedocumenteerd.
Modellen worden geoptimaliseerd voor realisme. Fairness-beperkingen kunnen die kwaliteit of de trouw aan de prompt verlagen. Commerciële systemen kiezen daarom vaak voor prestaties. De case pleit ervoor die afweging expliciet te maken en schade beperken voorop te zetten.
Een conceptuele weergave van de redenering in de case, geen meting.
Identificeerbare personen zitten in datasets zonder melding of toestemming. De GDPR geldt, maar handhaving op deze schaal is moeilijk.
Transparantie is het zwakst waar ze het meest telt: de samenstelling van de trainingsdata.
Bias komt vooral uit de samenstelling van de data, die bestaande ongelijkheden weerspiegelt.
Mensen hebben geen praktische manier om toestemming te geven of zich af te melden.
Deepfakes en stereotypering zijn structureel verbonden met datapraktijken, en later corrigeren is moeilijk.
De verantwoordelijkheid is verspreid over datasetmakers, modelontwikkelaars en platformen. Daardoor is aansprakelijkheid moeilijk toe te wijzen.
Mensen dreigen gereduceerd te worden tot input voor modeloptimalisatie, zeker bij deepfakes en imitatie.
Een strategisch en analytisch marktonderzoek voor Zenith Graphics naar de Vlaamse markt, na een overname.
Vertrouwelijk. Dit onderzoek bevat bedrijfsinformatie van Zenith Graphics. Daarom staan hier alleen de context en de aanpak. Resultaten, cijfers en de inhoud van de aanbevelingen worden niet gepubliceerd.
Na een overname wou Zenith Graphics de Vlaamse markt beter begrijpen. Voor een goede marktentree en productstrategie moest duidelijk worden wie de concurrenten zijn, hoe zij presteren en wat klanten nodig hebben.
Wie zijn de spelers op de Vlaamse markt en hoe positioneren ze zich?
Hoe presteren concurrenten op basis van financiële kerncijfers?
Wat verwachten klanten, en waar liggen kansen?
Het onderzoek mondde uit in aanbevelingen voor marktentree en productstrategie.
Als werkstudent bij Caldic werkte ik mee aan een migratie van masterdata naar Dynamics 365. In zo'n project moet elk record kloppen voor het naar het nieuwe systeem gaat.
Caldic