Misschien ken je het wel. Je hebt een vraag en een dashboard met 40 visuals, maar het antwoord staat er niet tussen. De gebruikelijke weg is dan om een change aan te vragen bij de BI-afdeling. Tegen de tijd dat deze is opgeleverd, is je vraag soms al achterhaald. Dus maak je zelf een download uit het dashboard en bouw je in Excel je eigen analyse. Wat als dit tot het verleden zou behoren? Wat als je de mogelijkheid hebt om je businessvragen rechtstreeks te stellen aan een chatbot zoals ChatGPT of Claude? Eind januari 2026 deed ik mijn eerste ervaring op met TimeXtender MCP. MCP (Model Context Protocol) vormt een brug tussen een Large Language Model (LLM) en jouw semantisch datamodel.

Veel professionals gebruiken ChatGPT als een slimme zoekmachine en moeten daardoor telkens opnieuw uitleggen wie ze zijn, hoe hun organisatie werkt en in welke context ze opereren. Dat leidt tot generiek advies dat weinig aansluit op de praktijk. Dit is geen beperking van AI, maar een kwestie van configuratie. Door ChatGPT te werken met projectfolders, context en duidelijke instructies kun je AI veranderen van een vraag-antwoordmachine in een echte denkpartner. Binnen zo’n project onthoudt ChatGPT relevante informatie, houdt het rekening met technische, organisatorische en compliance-eisen en past het zijn schrijfstijl en structuur aan op het publiek.

Ken je dat probleem? Je organisatie is te klein voor een compleet datateam, maar je ambities zijn te groot om het klein te houden. In eerdere blogs liet ik al zien hoe low-code tools zoals TimeXtender een nieuwe generatie Analytics Engineers mogelijk maken. In dit blog wil ik laten zien waarom juist deze Analytics Engineers een antwoord zijn op deze situatie.

Veel organisaties starten met het bouwen van BI-dashboards door zich te richten op visualisaties en KPI’s, maar vergeten het fundament: een goed dimensionaal model. Zonder dit model ontstaan op termijn problemen zoals trage dashboards, foutgevoelige berekeningen, inconsistenties tussen rapporten en hoge onderhoudskosten.