Op papier lijkt de analytische revolutie voltooid. AI is van een nieuwigheid naar een begrotingspost gegaan. In het RSM Middle Market AI-onderzoek van 2025 zei 91% van de respondenten dat ze generatieve AI gebruiken, maar de meesten beschreven zichzelf als slechts "enigszins voorbereid."
Die kloof tussen adoptie en vertrouwen is waar Mohammad Hamid een reputatie heeft opgebouwd als een van de meest pragmatische stemmen op het gebied van analytics in Detroit. Gevestigd in Michigan is Hamid een consultant en voormalig softwareoprichter wiens werk zich uitstrekt van het bouwen van analytische producten, het adviseren van grote ondernemingen, tot het helpen van middenmarktleiders om AI-gesprekken om te zetten in beslissingen die zowel een CFO als een frontline manager kunnen herkennen. Hij beschrijft zijn rol minder als "AI-transformatie" en meer als het afstemmen van mensen, processen en technologie rond een waardeverhaal dat in eenvoudige taal kan worden uitgelegd. Mohammad Hamid Detroit "Tools maken nu veel lawaai," zegt hij. "Maar de meeste organisaties missen geen software. Ze missen een gedeeld causaal verhaal en de operationele gewoonten die dat verhaal tot leven brengen."
Hamids analytische ethos komt voort uit bouwen voordat hij adviseert. Vroeg in zijn carrière hielp hij bij het oprichten van Unison, een softwarebedrijf op het kruispunt van social listening, duurzaamheid en beslissingsondersteuning. Dat werk gaf hem een eersterangs zicht op hoe analytische producten vertrouwen winnen of verliezen. "Een inzicht dat niemand vertrouwt is slechts een screenshot met ambitie," zegt hij.
Tegenwoordig richt zijn werk zich steeds meer op middenmarktbedrijven in Michigan en daarbuiten: organisaties die groot genoeg zijn om concurrentiedruk te voelen, maar niet groot genoeg om een volledige moderne dataorganisatie te financieren. Leiders wordt verteld dat AI beslissingscycli zal comprimeren, ervaringen zal personaliseren en rapportage zal automatiseren. Ze willen die toekomst, maar leven met een dunne analytische bezetting, gefragmenteerde systemen, vaag eigenaarschap en een rij operationele brandjes.
Hamids antwoord is niet om AI te bagatelliseren, maar om ambitie te sequentiëren. "Je begint niet met de vraag: 'Waar kunnen we gen AI plaatsen?'" zegt hij. "Je begint met de vraag: 'Wat geloven we dat hier waarde drijft, en kunnen we dat eerlijk meten?'" Die vraag staat centraal in wat hij het Causale Kompas Raamwerk noemt.
Het Causale Kompas begint door leiders het eens te laten worden over een causaal model voor de functie waarmee ze werken. Voor een verkoop- of marketingteam richt Hamid zich op drie lagen: hefbomen met hoge waarde (beheersbare keuzes zoals aanbodsontwerp of kanaalmix), acties met hoge waarde (gedragingen en trechtersignalen die laten zien of hefbomen werken), en resultaten met hoge waarde (resultaten zoals omzet, retentie of marge). Het organiseren van analytics rond deze lagen, in plaats van rond tools, ontsluit vaak meer waarde dan een platformvernieuwing. "Metrieken zijn niet de strategie," zegt hij. "Ze zijn de grammatica. Zodra we het eens zijn over de grammatica, kunnen we betere zinnen schrijven."
Na de causale basis richt het Causale Kompas zich op mensen. Volgens Hamid presteren analyticsteams minder door gebrek aan technische vaardigheden en meer door gebrek aan cognitieve diversiteit. Hij wijst op hoe goed presterende technologieorganisaties ongewone achtergronden inhuren om betere systemen te bouwen: journalisten die data ondervragen als een bron, gedragswetenschappers die experimenteren en klantervaring begrijpen, leraren die weten hoe ze adoptie kunnen stimuleren. Terwijl AI routineanalyses comprimeert, vat Mohammad Hamid de moderne analyticsfunctie samen als drie complementaire rollen: strategie (het kiezen van de juiste problemen en het definiëren van het causale model), implementatie (zorgen dat data, pijplijnen en governance daadwerkelijk werken), en storytelling (inzichten bruikbaar en uitvoerbaar maken).
Proces en technologie completeren het beeld. Een decennium geleden besteedden analyticsteams het grootste deel van hun tijd aan ETL: data uit bronsystemen halen, opschonen en laden in warehouses. ETL is nog steeds belangrijk, maar moderne cloudplatforms, API's en automatisering hebben het evenwicht verschoven en DataOps- en DevOps-discipline centraal gesteld in analytics engineering. Hamid stelt dat pijplijnen die verbonden zijn aan omzet of risico moeten worden behandeld als producten, met duidelijk eigenaarschap en serviceverwachtingen.
In de praktijk komt die filosofie in verschillende sectoren naar voren. Binnen de auto- en industriële productie heeft Mohammad Hamid multi-site operaties geholpen om kwaliteits-, toeleveringsketen- en onderhoudsgegevens te verenigen in één operationeel model, waarbij de grootste winst kwam van gedeelde definities voor defecten en downtime, zodat fabrieksmedewerkers stopten met discussiëren over wat "echt" was. In financiële dienstverlening heeft hij gewerkt aan het verfijnen van risicosignalen door gedragssegmentatie te leggen over traditionele kredietattributen, wat aantoonde dat de organisatie geen gebrek had aan data; het miste een coherent verhaal over hoe risico, productontwerp en klantcommunicatie samen bewogen in de loop van de tijd.
Gevraagd wat hij zou vertellen aan een CEO of CIO van een middenmarktbedrijf in Michigan die probeert AI en analytics te begrijpen, biedt Mohammad Hamid een kort draaiboek. Begin met een beslissings- en waardekaart verankerd aan de paar beslissingen die het bedrijf echt vooruit helpen, en werk dan terug naar de benodigde data en operationele cadans. Behandel datakwaliteit en governance als AI-gereedheid, met focus op een handvol "gouden datasets" met duidelijke eigenaren en SLA's. Investeer in executive literacy zodat leiders de juiste use cases kunnen sponsoren en nee kunnen zeggen tegen de verkeerde. En bouw kleine, controleerbare overwinningen die een wekelijkse beslissingslus verbeteren en bewijzen dat analytics en AI kunnen veranderen hoe het bedrijf daadwerkelijk functioneert.
De bredere analyticsmarkt zal naar verwachting blijven groeien gedurende het decennium, aangedreven door cloud, AI en de beweging naar real-time besluitvorming. Maar Hamids boodschap uit Detroit is dat schaal zonder samenhang geen vooruitgang is. "AI zal de kloof vergroten tussen organisaties die weten wat ze proberen te bewijzen en organisaties die alleen maar hopen dat het dashboard hen zal redden." Voor middenmarktorganisaties in Michigan en daarbuiten is het Causale Kompas Raamwerk geen afwijzing van AI. Het is een herinnering dat moderne analytics nog steeds, op een diep menselijke manier, gaat over oordeel. En voor leiders die proberen duurzame voordelen op te bouwen in het AI-tijdperk, is dat misschien wel het meest geruststellende inzicht van allemaal.
