Data Bot is een gedeelde AI-collega in Grok Bot die het datawarehouse van SpaceXSI bevraagt, analyses uitvoert en grafieken maakt, voor iedereen in het bedrijf en zonder wachtrij bij het datateam. SpaceXSI, het AI-bedrijf dat tot dit jaar xAI heette, beschreef hem op 2 november 2026 in een blogpost en schat dat hij in één week zo’n 70 uur werk van zijn datawetenschappers overnam. Het interessante zit niet in de bot zelf, maar in drie regels die SpaceXSI eromheen zette. De bot leest alleen, hij werkt met skills die het datateam onderhoudt, en alles wat hij bijleert, keurt een mens goed voor de rest van het bedrijf het te zien krijgt. Die regels kan je nabouwen, ook zonder Grok Bot. Wat Data Bot is, hoe hij werkt, hoe je de cijfers moet lezen en wat je er in België mee kan, lees je hieronder.
Wat Data Bot is, en wat niet
Data Bot is geen los product. Het is een Team Bot in Grok Bot, het agentplatform van SpaceXSI dat sinds augustus 2026 in beta draait. Een gewone bot in Grok Bot is van één persoon en leert alleen van die persoon. Een Team Bot deel je met je hele team of bedrijf. Iedereen praat met dezelfde bot, in de app of in een Slack-kanaal, maar elk gesprek blijft privé. Wat de bot weet, komt uit gedeelde skills, gedeelde koppelingen en een gedeeld geheugen.
Het data-science-team van SpaceXSI bouwde Data Bot voor eigen gebruik. Het team is klein en kreeg elke dag tientallen vragen die op zich eenvoudig waren, maar toch een datawetenschapper nodig hadden: welke tabel, welke definitie, welke valkuil. Data Bot moest die vragen overnemen, zodat het team zijn tijd kon steken in de bot zelf en in de analyses die echt oordeel vragen. SpaceXSI biedt Data Bot sinds september ook aan als vooraf gebouwde Team Bot voor klanten, naast een Customer Bot, een EPD Teammate en een Marketing Bot. De blogpost van 2 november beschrijft de interne versie. Volgens de Team Bots-aankondiging van 28 september had het analyticsteam toen al twee jaar aan skills opgebouwd voor meer dan 45.000 tabellen. Die kennis krijg je er als klant niet bij. Het skelet wel.
Zo leerde het datateam de bot zijn werk
Data Bot weet niets uit zichzelf over de data van SpaceXSI. Alles wat hij kan, zit in skills: documenten met werkwijzen die het datateam schrijft en bijhoudt, zoals je die ook kent van Claude Skills. SpaceXSI deelt ze op in vier gebieden.
- Metrics en analyse. Wat “actieve gebruikers” of “omzet” precies betekent, uit welke tabellen het komt en met welke querylogica. Plus de werkwijze bij een piek of dip: opsplitsen per segment of regio, feestdagen of wijzigingen in de logging nakijken voor je de verklaring aan een productwijziging toeschrijft.
- Experimenten. Hoe je een A/B-test opzet, een power-analyse doet, de verdeling van gebruikers over varianten controleert, een uitrol plant en een readout schrijft zodra een test genoeg data heeft.
- Grafieken en dashboards. Lijngrafieken voor trends, horizontale staven voor categorieën, de huisstijl van het team, en hoe je een grafiek uit de chat omzet in een dashboard in Databricks of Hex.
- Data engineering. Hoe je dbt-modellen schrijft en reviewt, hoe pipeline-alerts eruitzien en hoe je event logging toevoegt aan een nieuwe feature, zodat het gebruik vanaf dag één meetbaar is.
De bot bevraagt het warehouse met gedeelde credentials die alleen mogen lezen, en alleen in goedgekeurde tabellen in Databricks. Daarnaast hangt hij aan Datadog, Hex en Statsig. Die alleen-lezen regel klinkt vanzelfsprekend, maar ze is de reden waarom je zo’n bot aan honderden collega’s durft te geven. Hij kan een verkeerd antwoord geven. Hij kan geen tabel overschrijven.
Wat de bot leert, keurt een mens goed
Hier zit de slimste keuze. Data Bot heeft een gedeeld geheugen voor wat hij in het dagelijks gebruik oppikt. Een collega corrigeert een query. Iemand merkt op dat de dip van vorige maand een regionale feestdag was. De bot leert wie welke pipeline beheert. Zulke lessen helpen de volgende gebruiker, maar alleen als ze kloppen. Daarom belanden ze niet meteen in het gedeelde geheugen. De beheerders van de Team Bot zien elke voorgestelde toevoeging en keuren ze goed of af. Pas dan ziet de rest van het bedrijf ze.
Waarom dat ertoe doet, zie je zodra je het omdraait. Zonder die stap wordt “onthoud dit even” een schrijfoperatie op de waarheid van het hele bedrijf. Eén collega die een metric verkeerd uitlegt, leert dat aan iedereen. Een feit dat vorige maand klopte, blijft hangen nadat de pipeline veranderde. De review-stap maakt van het geheugen een voorstel in plaats van een feit. Het datateam blijft eigenaar van wat waar is. Dat is dezelfde logica als bij het Open Knowledge Format, waar bedrijfskennis een eigenaar, een status en een houdbaarheidsdatum krijgt.
Wat het oplevert, en hoe je die 70 uur moet lezen
SpaceXSI geeft drie gebruikers als voorbeeld. Productmanager Kevin Niparko stelt zijn vraag in Grok Bot, krijgt binnen enkele minuten een antwoord en stelt vervolgvragen in hetzelfde gesprek, zonder dat de analyse opnieuw begint. Hij wil een korte kop met een grafiek, en de bot levert het zo. Hij noemt het een datawetenschapper in zijn broekzak. Jon Brenner van lifecycle marketing geeft de bot een campagne-ID uit Braze en vraagt wat ontvangers na de klik deden. Bij de lancering van The X Subscription telde Data Bot hoeveel ontvangers van de mail daarna van abonnement wisselden, iets wat de conversiemetric van Braze zelf niet toont. Katy Abbaszadeh, verantwoordelijk voor omzetgroei, meet wat events doen met de pipeline, volgt de weekcijfers tegenover de doelen en laat grafieken maken voor presentaties.
De bot doet ook hele workflows. Een PM die een verandering in productgebruik wil begrijpen, laat Data Bot de analyse plannen, het warehouse bevragen, verklaringen testen en een rapport met grafieken schrijven, of een Hex-dashboard dat het team blijft gebruiken. In Slack-kanalen post hij op een vast moment de weekcijfers volgens de conventies van het datateam, en collega’s vragen door.
Dan het cijfer. SpaceXSI schrijft dat Data Bot vorige week naar schatting zo’n 70 uur werk afhandelde dat anders bij het datateam was beland. Dat is een schatting van het bedrijf zelf, niet geauditeerd, en de post zegt niet hoe ze geteld is. Zeventig uur is bovendien minder spectaculair dan het klinkt: dat is ongeveer het werk van twee voltijdse datawetenschappers. Het echte winstpunt staat elders in de tekst. Het team doet nog altijd de complexe analyses die oordeel vragen, en het leert waar de bot extra begeleiding nodig heeft. Data Bot vervangt geen datateam. Hij haalt de wachtrij weg.
Waarom zo’n agent zonder die aanpak vaak fout zit
Een taalmodel aan een warehouse hangen is makkelijk. Juiste antwoorden krijgen is dat niet. De benchmark Spider 2.0, gebouwd op echte bedrijfsdatabases met slordige naamgeving en weinig documentatie, toont het verschil: een agent op basis van o1-preview loste 91,2 procent van de taken op in de oude academische benchmark Spider 1.0, en 21,3 procent in Spider 2.0. Het model was hetzelfde. De data was echt.
Wie het oplost, doet telkens hetzelfde: context toevoegen die het model niet kan raden. Anthropic beschreef in juni 2026 hoe het zijn eigen analytics-agent bouwde. Zonder skills bleef de nauwkeurigheid op interne tests onder 21 procent. Met skills, gecureerde datasets en een paar dozijn testvragen per domein kwam ze boven 95 procent. Databricks meldde in mei 2026 dat zijn agent Genie op een interne benchmark van 32 procent naar meer dan 90 procent ging, tegenover een toonaangevende codeeragent, door kennis te indexeren en meerdere redeneerpaden parallel te laten lopen. Data Bot van SpaceXSI volgt hetzelfde recept: de skills zijn de context, het datateam is de redacteur. Dat de cijfers van alle drie uit eigen benchmarks komen, moet je erbij zeggen. Ze zijn niet onderling vergelijkbaar. De richting is wel telkens dezelfde.
Anthropic leerde er nog iets bij dat SpaceXSI niet noemt: in de maand na de lancering, voor het onderhoud van de skills een vast proces werd, zakte de offline nauwkeurigheid van ongeveer 95 naar 65 procent. Skills verouderen. De review-stap van Data Bot vangt een deel daarvan op, maar iemand moet de skills zelf blijven onderhouden.
Kan je Data Bot in België gebruiken?
Technisch wel, met kanttekeningen. Team Bots zitten in publieke beta op de Teams- en Enterprise-plannen van Grok Bot. Grok Bot zelf zit in de betalende Cursor-plannen en in SuperGrok-abonnementen. SpaceXSI publiceert geen landenlijst, en er is geen aanwijzing dat België geblokkeerd is. Prijzen voor Team Bots staan nergens, daarvoor verwijst SpaceXSI naar de verkoop.
De kanttekeningen gaan over je data. Grok Bot draait op de cloudcomputers van Cursor, het bedrijf dat SpaceX in augustus overnam, en die computers staan in de Verenigde Staten, zegt de beveiligingsdocumentatie van Grok Bot. Het enige dataresidentieprogramma dat erin staat, is Amerikaans. Een andere toezegging krijg je alleen via het accountteam, zegt de documentatie voor teams en bedrijven. Een Data Bot bevraagt per definitie je warehouse. Zitten daar persoonsgegevens in, dan verlaten die Europa bij elke query. Dat kan onder de AVG, met standaardcontractbepalingen en een verwerkersovereenkomst, maar je moet het regelen voor je begint, niet erna. Zet Privacy Mode aan, dan wordt er niet op je data getraind. Op het Enterprise-plan kan je Action Recording inschakelen, die van elke toolaanroep en elk goedkeuringsbesluit de metadata logt, zonder de inhoud. Standaard staat dat uit.
Zo bouw je het patroon zelf na
Het patroon van Data Bot is niet aan Grok Bot gebonden. Je kan het bouwen met Claude, met Databricks Genie, met een eigen agent harness. De vijf stappen zijn telkens dezelfde.
- Kies de tabellen. Geen toegang tot het hele warehouse, maar een korte lijst goedgekeurde tabellen met één eigenaar per metric. Anthropic noemt dat canonieke datasets en schrapt bewust de bijna-dubbels.
- Schrijf de skills. Per metric de definitie, de brontabel en de querylogica. Per werkwijze de stappen, met de valkuilen erbij: feestdagen, productwijzigingen, seizoenseffecten. Dit is het werk van je datateam, en het is nooit af.
- Geef alleen-lezen toegang. Een apart serviceaccount dat alleen die tabellen mag lezen, met logging van elke query. Een bot die niets kan schrijven, kan je breed uitdelen.
- Test voor je uitrolt. Een paar dozijn vraag-en-antwoordparen per domein, met een vaste peildatum. Haalt de bot je drempel niet, dan is hij nog niet klaar voor dat domein.
- Zet een poort op het geheugen. Alles wat de bot bijleert, is een voorstel tot iemand van het datateam het goedkeurt. Zonder die poort schrijft elke collega mee aan de waarheid van je bedrijf.
Begin klein. Eén domein, zoals marketingcampagnes of productadoptie, één Slack-kanaal, en een datateam dat de eerste weken elke learning leest. Wat SpaceXSI met twee jaar aan skills bereikt, bereik jij niet in twee weken. De wachtrij voor je datateam korter maken, kan wel.
Veelgestelde vragen
Is Data Bot hetzelfde als Grok Bot?
Nee. Grok Bot is het agentplatform van SpaceXSI, met persoonlijke bots en Team Bots. Data Bot is één Team Bot daarin, gebouwd door het datateam van SpaceXSI en ook beschikbaar als vooraf gebouwde Team Bot voor klanten.
Kan Data Bot gegevens in mijn warehouse wijzigen?
Zoals SpaceXSI hem opzette niet. Hij werkt met gedeelde credentials die alleen mogen lezen, en alleen in goedgekeurde tabellen. Hoe je hem zelf inricht, bepaal je als klant.
Wat gebeurt er als een collega de bot iets verkeerds leert?
De les komt als voorstel bij de beheerders van de Team Bot terecht. Zij keuren ze goed of af. Pas na goedkeuring ziet de rest van het bedrijf ze.
Werkt Data Bot met Snowflake of BigQuery?
SpaceXSI beschrijft alleen Databricks, Hex, Datadog en Statsig. Team Bots kunnen via credentials ook andere API’s aanspreken, maar of dat voor jouw warehouse goed werkt, moet je zelf testen.
Staan mijn data dan in de Verenigde Staten?
De cloudcomputers van Grok Bot staan in de VS. De bot bevraagt je warehouse waar het ook staat, maar de vraag, de resultaten en het geheugen verwerkt hij op die computers. Een toezegging over residentie vraag je aan het accountteam.
De stempel is het product
Elke leverancier belooft nu een datawetenschapper voor iedereen. Databricks met Genie, Snowflake met Cortex, Anthropic met Claude, SpaceXSI met Data Bot. De modellen onder die beloftes lijken steeds meer op elkaar. Wat verschil maakt, is wie de context schrijft en wie beslist wat de bot mag onthouden. SpaceXSI legde die beslissing bij het datateam, met een knop die goedkeurt of afwijst. Als je één ding overneemt uit dit verhaal, neem dan die knop.
