In maart 2020 barstte de coronacrisis in Europa helemaal los. In Bern, in de gangen van het Zwitserse Bundesamt für Gesundheit zocht iedereen naar cijfers. Hoeveel besmettingen? Hoeveel ziekenhuisopnames? Hoeveel overlijdens?

Er was nochtans data, véél data, maar die zaten verspreid over dashboards van kantonnale gezondheidsdiensten, rapportages van ziekenhuizen, e-mails met excel-bestanden, persoonlijke verlagen, updates via informele kanalen, … Maar nergens was er één helder, gedeeld overzicht. Zwitserland had jarenlang geïnvesteerd in gezondheidsdata op kantonnaal niveau. Elk kanton had eigen systemen, eigen rapportagevormen en eigen routines.

De Zwitserse journaliste Adrienne Fichter beschreef hoe medewerkers van het BAG spraken over een “papieren strijd zoals in een film uit de jaren tachtig”. Formulieren kwamen binnen via fax of post, gegevens moesten manueel worden overgetikt en om het aantal nieuwe besmettingen in te schatten, werden stapels formulieren letterlijk op een weegschaal gelegd. In sommige gevallen vernamen medewerkers via de pers of Wikipedia hoeveel patiënten overleden of genezen waren. Slechts bij ongeveer 30 procent van de positieve tests beschikte het BAG over aanvullende patiëntinformatie (Fichter, 2020).

Ook latere analyses wezen op dezelfde kwetsbaarheid: gefragmenteerde rapportagesystemen, trage samenvoeging van nationale gegevens en een beperkte mogelijkheid om de epidemiologische realiteit in real time te volgen. Zwitserland ontwikkelde wel digitale initiatieven, zoals de SwissCovid-app, maar de bredere infrastructuur voor geïntegreerd gezondheidsinformatiemanagement bleef een pijnpunt (Daniore et al., 2022 en Signorell & Demuth, 2022).

Deze case is exemplarisch voor een veel grotere “epidemie”. Elke organisatie kent wel de volgende uitdagingen: de gedeelde map waarin niemand nog de juiste versie vindt, de mailbox waarin beslissingen begraven liggen, de chat waarin cruciale afspraken verdwijnen tussen emoji’s en leukigheden, het rapport dat bestaat, maar dat niemand kent, het dashboard met twijfelachtige data, de medewerker die weet hoe het zit, maar volgende maand met pensioen gaat, …

Uit onderzoek blijkt al langer dat kenniswerkers een aanzienlijk deel van hun tijd verliezen aan het zoeken naar informatie. Guus Pijpers beschreef dat probleem uitvoerig in zijn werk rond informatiegedrag (Pijpers, 2006). McKinsey becijferde in 2012 dat sociale technologieën de productiviteit van kenniswerkers met 20 tot 25 procent kunnen verhogen, precies omdat er zoveel waarde verloren gaat in gebrekkige communicatie, slechte kennisdeling en versnipperde samenwerking (Chui & Manyika, 2012). Ook recenter onderzoek naar enterprise search en knowledge AI vertrekt van dezelfde vaststelling: medewerkers verliezen veel tijd omdat informatie verspreid zit over te veel systemen en te weinig context meekrijgt (Pryon, 2024).

Dat inzicht is niet nieuw. Barnaby Rich klaagde al in 1613 dat er meer boeken verschenen dan iemand ooit kon lezen. Hij leefde in de nasleep van de drukpersrevolutie, toen kennis plots veel sneller en goedkoper kon circuleren. Wat vandaag voor ons de mailbox, de cloudmap, Teams-chat of dashboard is, was toen het pamflet, het boek en de drukpers. De technologie mag dan veranderd zijn, de uitdagingen blijven dezelfde.

Ook Seneca waarschuwde al dat het lezen van te veel boeken/boekrollen de geest onrustig en stuurloos kan maken. . Hij verdedigde traagheid, selectie en verdieping tegen de verleiding van oppervlakkige veelheid (Seneca, Letters from a Stoic). Montaigne zou later een gelijkaardige houding aannemen: wijsheid zit niet in alles verzamelen, maar in leren oordelen. Massa’s data zonder context zorgt enkel voor verwarring en besluitloosheid.

In de negentiende eeuw richtte Henry David Thoreau zijn pijlen op de telegraaf. Hij schreef in Walden dat men haastig een magnetische telegraaflijn wilde bouwen van Maine naar Texas, terwijl Maine en Texas misschien niets belangrijks te melden hadden (Thoreau, Walden). Dat is misschien één van de vroegste en scherpste kritieken op communicatietechnologie: snelheid is geen kwaliteit. Een sneller kanaal maakt een boodschap niet relevanter.

Herbert Simon vatte het in de twintigste eeuw bijna mathematisch samen: “A wealth of information creates a poverty of attention.” In een wereld met overvloedige informatie wordt aandacht de schaarse grondstof (Simon, geciteerd in Hal Varian, The Information Economy).

Organisaties hebben geen dataprobleem, ze hebben een aandachtsprobleem, een filterprobleem en een betekenisprobleem.

Generatieve AI zal dit probleem niet automatisch oplossen, maar kan fungeren als een intelligente laag bovenop die versnipperde informatieomgeving. Ze kan documenten samenvatten, patronen herkennen, informatie uit verschillende bronnen combineren, vergaderingen doorzoekbaar maken, concepten clusteren, beslissingen voorbereiden en medewerkers helpen sneller de juiste informatie te vinden.

De keerzijde is dat AI bovenop een chaotische informatiehuishouding, de rommel net iets overtuigender zal verpakken. Als documenten verouderd zijn, metadata ontbreken, versies door elkaar lopen of toegangsrechten slecht beheerd worden, zal AI niet plots betrouwbare kennis produceren. Ze kan hallucineren, bronnen verkeerd interpreteren, gevoelige informatie blootleggen of oude fouten opnieuw laten circuleren in een nieuw, glad taaljasje. Een chatbot bovenop slecht beheerde documenten is geen kennismanagement, het wordt een random nonsens-verspreider met een vriendelijke interface.

Daarom vraagt AI niet minder, maar juist méér informatiebeleid. Organisaties die AI willen inzetten tegen information overload moeten eerst weten welke bronnen betrouwbaar zijn, wie eigenaar is van welke informatie, welke data mogen worden gebruikt, welke informatie verouderd is, welke context noodzakelijk is en waar menselijke controle verplicht blijft.

De Zwitserse overheid had tijdens de eerste coronagolf niet vooral nood aan nog een AI-dashboard. Ze had nood aan betrouwbare datastandaarden, gedeelde processen, duidelijke verantwoordelijkheden en systemen die informatie niet alleen opslaan, maar ook contextualiseren en dissemineren.

De belangrijkste les is immers dat beschikbare data pas strategische informatie wordt wanneer ze kan circuleren, connecteren, context krijgt en tot handelen leidt.

AI kan de informatie-overload verlichten, maar die ook laten escaleren. Het verschil tussen beide heet informatiebeleid. En dat informatiebeleid heeft een klassieke kern: metadata, eigenaarschap, bewaartermijnen, duidelijke informatiestromen, kwaliteitscontrole, toegangsbeheer, gemeenschappelijke definities en afspraken over waar informatie thuishoort.

Informatiebeleid is de discipline die ervoor zorgt dat de juiste informatie, in het juiste formaat, op het juiste moment, bij de juiste persoon terechtkomt, zodat de organisatie daadwerkelijk wijzer en handelingsbekwamer wordt. Dat klinkt eenvoudig, tot de crisis begint. Wie in normale tijden geen informatiebeleid heeft, ontdekt in crisistijd meestal dat er vooral veel bestanden zijn.