Semantische laag: het verschil tussen 96% en 80% nauwkeurigheid AI-analist

Samenvatting

Semantische laag brengt AI-analist naar 96 tot 100% nauwkeurigheid, tegenover 80 tot 91% met ruwe SQL.

Semantische laag verbetert AI-analist

Alex Noonan van dbt Labs presenteerde tijdens dbt Summit 2026 een benchmark waarin een model vragen via een semantische laag beantwoordde. Het model scoorde 96 tot 100% nauwkeurigheid; bij directe SQL op een databaseschema lag de score op 80 tot 91%.

Volgens Noonan hebben grote taalmodellen het vertalen van gebruikerswoorden grotendeels opgelost. Het resterende probleem is betekenis: het model moet weten welke definities, metrics en relaties binnen een bedrijf gelden. Zonder die context kan een antwoord overtuigend klinken en toch een verkeerd getal bevatten.

Waarom semantische laag telt

De discussie bouwt voort op eerdere pogingen tot selfservice-analytics, van een natuurlijktaalsysteem voor maanstenen in 1971 tot OLAP-kubussen in de jaren negentig en recente natural-language BI-functies. Noonan onderscheidt drie manieren om een AI-analist te gronden: een semantische laag met vooraf gedefinieerde metrics, een ontologiemodel met entiteiten en relaties zoals Palantir gebruikt, en een agentcontextlaag die context tijdens de vraag samenstelt. Fivetran en dbt bouwen volgens hem samen aan die laatste richting.

De techniek staat niet los van de basis. Tests, freshness checks, anomaliedetectie, machinale documentatie en consistente datamodellen bepalen mede of een demonstratie bruikbaar blijft. Noonan maakt bovendien onderscheid tussen stabiele just-in-time-context, zoals metadata en agentvaardigheden, en just-in-case-context voor ongestructureerde bronnen zoals gesprekstranscripten en supporttickets.

Concrete takeaway voor de AI-analist

Meet je AI-analist eerst met vaste vragen via een semantische laag en vergelijk die score met directe SQL op het schema. Leg definities, tests en dataversheid vast voordat je de chatinterface uitbreidt. Houd de chat in een openbaar Slack-kanaal, zodat fouten zichtbaar worden, en gebruik geen taalmodel als enige beoordelaar: het kan dezelfde blinde vlekken hebben als het model dat je test.