De afgelopen jaren is een duidelijke beweging zichtbaar richting decentralisatie van datamanagement. Data mesh is daarvan het bekendste voorbeeld: een architectuur‑ en organisatiemodel dat data‑eigenaarschap expliciet bij de businessdomeinen legt. Tegelijkertijd versnellen ontwikkelingen op het gebied van analytics en AI de behoefte aan schaalbare, betrouwbare en herbruikbare data.

In de praktijk zien wij echter dat een ‘pure’ data mesh zelden het eindstation is. Organisaties die succesvol willen opschalen, ontdekken dat decentralisatie zonder duidelijke kaders voor governance, standaardisatie en compliance, leidt tot versnippering, inconsistenties en stijgende belasting van domeinteams. Data mesh blijft waardevol, maar juist nu organisaties willen opschalen richting AI-gedreven use cases is aanvulling met centrale sturing waar dat noodzakelijk is essentieel.

Wat verstaan wij onder data mesh?

Een data mesh is een gedecentraliseerde benadering van datamanagement, waarbij data wordt georganiseerd rond bedrijfsdomeinen in plaats van centrale platforms of teams. Binnen de aanpak van Capgemini Invent beschouwen wij data mesh nadrukkelijk als een socio‑technisch model: een combinatie van data‑architectuur, governance én een bijpassende manier van werken.

Onze benadering is gebaseerd op vijf kernprincipes, zie figuur 1:

  • Gefedereerde data governance
    De uitvoering van databeheer ligt bij de domeinen, terwijl kaders, standaarden en beleidsregels centraal worden vastgesteld om consistentie en compliance te borgen.
  • Data als een product
    Data wordt niet langer gezien als bijproduct van processen, maar als een volwaardig product met duidelijke eigenaren, kwaliteitscriteria en gebruikers.
  • Eigendom per domein 
    Dataproducten worden beheerd door de teams die de context, betekenis en waarde van de data het beste begrijpen.
  • Self-service dataplatform 
    Een gedeelde infrastructuur stelt domeinen in staat om zelfstandig dataproducten te ontwikkelen, beheren en ontsluiten over de volledige data lifecycle.
  • Datagedreven cultuur 
    Succesvolle data mesh implementaties vragen om samenwerking tussen domeinen, gedeelde verantwoordelijkheid en een expliciete verankering van data als strategische asset.

Waar lopen organisaties in de praktijk tegen aan?

Hoewel de principes van data mesh breed worden omarmd, zien wij bij implementaties een aantal terugkerende patronen die de schaalbaarheid onder druk zetten.

  • Structurele overbelasting van domeinteams
    Domeinen krijgen in korte tijd veel nieuwe verantwoordelijkheden: dataproductontwikkeling, governance‑taken, kwaliteitsborging en adoptie van nieuwe werkwijzen, terwijl het reguliere werk doorgaat. Dit vraagt nieuwe vaardigheden en ander gedrag. Zonder duidelijke prioritering en ondersteuning stapelen werkzaamheden zich op, met vertraging en kwaliteitsverlies als gevolg.
  • Fragmentatie door gebrek aan standaardisatie
    Wanneer domeinen autonoom starten zonder heldere organisatiebrede kaders, ontstaan verschillen in definities, metadata, kwaliteitsnormen en ontsluitingsvormen. Dataproducten zijn lokaal bruikbaar, maar lastig te combineren. Juist voor AI‑toepassingen en domeinoverschrijdende inzichten vormt dit een fundamentele belemmering.
  • Onduidelijke governance‑grenzen
    Veel organisaties starten met decentralisatie voordat governance expliciet is ingericht. Het gevolg is onduidelijkheid over eigenaarschap, besluitvorming en compliance. Domeinen interpreteren kaders verschillend en weten niet waar autonomie ophoudt en centrale sturing begint.

Onze conclusie: zonder expliciete centrale ankers ondermijnt data mesh zijn eigen belofte bij opschaling.

Wat werkt wél in de praktijk?

  • Sterk en zichtbaar leiderschap
    Data mesh is een organisatieverandering. Actieve sponsering vanuit senior management, het expliciet vrijmaken van tijd en budget, en het zichtbaar maken van successen zijn randvoorwaardelijk. Scholing is daarbij essentieel, niet alleen voor teams, maar ook voor senior management.
  • Centrale standaardisatie waar het moet
    Standaarden voor datadefinities, metadata en datakwaliteit horen centraal te worden vastgesteld en beheerd. Dit vergemakkelijkt hergebruik, versnelt ontsluiting en maakt grootschalige datasets mogelijk die nodig zijn voor AI en geavanceerde analytics. Centrale standaarden verlagen structureel kosten en complexiteit.
  • Eenduidige, centrale governance
    Een uniform governance‑kader zorgt voor consistente toepassing van wet‑ en regelgeving (zoals AVG en AI Act) en gecoördineerd risicobeheer rond privacy, security en ethiek. Heldere verantwoordelijkheden versnellen besluitvorming en maken organisatiebrede opschaling mogelijk.

Waarom een hub-and-spoke-model het volwassen eindbeeld is?

In de praktijk zien wij dat een hub‑and‑spoke‑model deze spanningen oplost. Dit hybride model combineert centrale en decentrale verantwoordelijkheden op een expliciete manier.

De centrale hub borgt governance, standaarden en compliance, waaronder privacy‑, security‑ en ethische kaders, evenals gedeelde infrastructuur. Dit zorgt voor schaalbaarheid, betrouwbaarheid en beheersbaarheid.
De domeinen (spokes) behouden autonomie om dataproducten te ontwikkelen, innovatie te stimuleren en domeinkennis maximaal te benutten.

Onze stelling: hub‑and‑spoke is geen compromis, maar de logische volgende stap voor organisaties die willen opschalen. Het combineert de wendbaarheid van decentralisatie met de stabiliteit en samenhang die nodig zijn voor duurzame waardecreatie.

Onze praktijkconclusie

Data mesh heeft organisaties geholpen om data dichter bij de business te brengen en eigenaarschap expliciet te maken. In de praktijk zien wij echter dat een puur gedecentraliseerd data‑meshmodel zelden duurzaam schaalbaar is. Zonder centrale kaders voor governance, standaardisatie en compliance, waaronder privacy‑, security‑ en ethische kaders, ontstaan fragmentatie, inconsistenties en een toenemende belasting van domeinteams. Dit juist op het moment dat organisaties willen opschalen richting AI‑gedreven use cases.

In onze praktijk hebben wij organisaties geholpen om data mesh bewust te benaderen als ontwerpprincipe in plaats van als dogma. Organisaties die structureel waarde uit data willen halen, kiezen niet tussen centraal óf decentraal datamanagement. Zij ontwerpen bewust een hybride model, waarin centrale governance, standaarden en infrastructuur de randvoorwaarden vormen voor decentrale autonomie en innovatie.

Een hub‑and‑spoke‑model is dus geen compromis of stap terug, maar de volwassen doorontwikkeling van data mesh op basis van praktijkervaring. Organisaties die data mesh als vaststaand model implementeren, lopen vroeg of laat vast. Organisaties die het als ontwerpprincipe inzetten, worden aantoonbaar schaalbaar. De vraag die wij steeds vaker krijgen is dan ook niet óf dit nodig is, maar hoe dit het beste kan worden ontworpen en gerealiseerd.