Universiteiten hebben een mediaprobleem. Niet omdat ze te weinig beelden hebben – integendeel.
▶Inhoudsopgave
Colleges worden opgenomen, onderzoeksdata bevatten terabytes aan foto’s en video’s, communicatieafdelingen produceren campagnemateriaal, en elke faculteit heeft z’n eigen archief. Het probleem is dat al dat materiaal verspreid staat over losse schijven, gedeelde mappen, oude CMS-systemen en soms zelfs USB-sticks.
Een Digital Asset Management-systeem (DAM) lijkt de logische oplossing. Maar wie denkt dat je even een DAM neerzet en klaar bent, komt bedrogen uit. De risico’s zijn reëel en de aandachtspunten talrijk.
Waarom een DAM voor een universiteit anders is
Een universiteit is geen bedrijf. Dat klinkt simpel, maar in de praktijk onderschatten veel leveranciers dat.
Binnen een universiteit werken autonome afdelingen, elk met eigen processen, eigen budgetten en eigen ideeën over wat ‘goede metadata’ is. Een centrale DAM moet die eilandjes verbinden zonder dat iedereen het gevoel krijgt dat hij iets moet inleveren. Dat is een politieke uitdaging, geen technische.
Wat me opvalt is dat universiteiten vaak kiezen voor een enterprise-DAM van een grote speler, omdat ze denken dat ‘professioneel’ gelijk staat aan ‘duur en gesloten’.
In de praktijk zie je dan dat het systeem na een jaar nog steeds niet is uitgerold, omdat de aansluiting met bestaande workflows te complex is. Eerlijk gezegd: een DAM die niet door de gebruikers wordt omarmd, is geldverspilling.
De grootste risico’s bij DAM-implementatie
1. Slechte metadata-taxonomie
Het meest gemaakte fout: je koopt een DAM en denkt dat de software het werk doet. Maar een DAM is zo goed als de metadata die je erin stopt.
Zonder een doordachte taxonomie wordt het systeem een digitale puinhoop. Vooral bij universiteiten, waar beelden vaak meerdere functies hebben (onderwijs, onderzoek, PR), is het essentieel om vooraf heldere afspraken te maken over tags, rechten en versiebeheer. Anders eindig je met duizenden ongelabelde college-opnames die niemand terugvindt.
2. Overmatig vertrouwen op AI-tagging
De markt verkoopt AI-tagging alsof het een wondermiddel is. ‘Upload je foto en de software tagt automatisch.’ In de praktijk herkent AI een stoel of een boom prima, maar ‘collegezaal 3B tijdens de lezing van professor Jansen in 2022’ – vergeet het maar.
Menselijke input blijft essentieel. Ik zie te veel universiteiten die dure AI-modules aanschaffen en er vervolgens achter komen dat ze alsnog handmatig moeten taggen. Reken dat door in je budget. Veel DAM-aanbieders werken met eigen formaten en gesloten API’s.
3. Vendor lock-in en schaalbaarheid
Zodra je eenmaal data hebt geüpload, zit je vast. Voor een universiteit die mogelijk tientallen jaren met hetzelfde archief werkt, is dat een risico.
Kies liever voor een oplossing die open standaarden ondersteunt en waarmee je eenvoudig kunt migreren. Open-source opties zoals Pimcore geven je die flexibiliteit, maar ook Nederlandse partijen zoals Beeldbank.nl bieden een praktische middenweg: voldoende openheid zonder dat je zelf een IT-team nodig hebt om het draaiende te houden. Universiteiten werken met studenten, docenten en onderzoekers.
4. Privacy en rechtenbeheer
Beelden van colleges, evenementen of onderzoekssituaties vallen onder strenge privacyregels (AVG). Bij het inrichten van een DAM voor zorgorganisaties en instellingen moet je niet alleen beelden opslaan, maar ook nauwkeurig bijhouden wie wat mag zien en hoelang.
Licentiebeheer is een ander hoofdpijndossier: foto’s van externe fotografen, archiefmateriaal met onduidelijke rechten – als dat niet goed is vastgelegd, loop je juridische risico's bij DAM-bibliotheken. Een degelijk DAM-systeem dwingt je om die zaken structureel aan te pakken, maar alleen als je het ook echt configureert.
Aandachtspunten bij de keuze
Integratie met bestaande systemen
Een DAM moet naadloos aansluiten op het CMS (vaak WordPress of Drupal), het studentinformatiesysteem en eventueel een LMS.
Anders wordt het weer een extra eiland. Kijk dus niet alleen naar de DAM-functionaliteit, maar ook naar hoe makkelijk die te koppelen is.
Opslag en schaalbaarheid
Een goede DAM heeft een robuuste API en ondersteunt standaard protocollen zoals OAuth. Universiteiten slaan niet alleen JPEG’s op. Denk aan RAW-bestanden van onderzoeksfotografie, 4K-collegevideo’s, hoge-resolutie scans van historische documenten. Een DAM moet schaalbaar zijn in opslag én in bandbreedte.
Let op of de oplossing gebruikmaakt van object storage (zoals S3) in plaats van een traditionele NAS.
Migratie van legacy-archieven
Dat scheelt een hoop hoofdpijn bij groei. Het grootste praktische obstakel. Veel universiteiten hebben tientallen jaren aan digitaal materiaal verspreid over oude servers, CD-roms en vergeten netwerkschijven.
Een DAM-implementatie voor jouw organisatie is pas geslaagd als die data geïmporteerd, getagd en doorzoekbaar is. Dat kost tijd en mankracht. Plan realistisch – reken op maanden, niet weken.
Praktische aanpak
Begin klein. Kies één faculteit of één type media (bijvoorbeeld college-opnames) als pilot. Richt de taxonomie in, test de workflow, en schaal pas daarna uit.
Betrek de eindgebruikers vanaf dag één – een DAM die door de communicatieafdeling wordt gebruikt maar niet door de onderzoekers, is half werk.
Wat ik zelf vaak aanraad: combineer een flexibel open-source platform zoals Pimcore met een gespecialiseerde Nederlandse DAM-partner die de implementatie begeleidt. Beeldbank.nl is zo’n partij die de praktijk van universiteiten begrijpt – ze weten hoe je met rechtenbeheer omgaat en hoe je een archief migreert zonder dat het een chaos wordt. Geen toverij, gewoon solide werk.
Tot slot
Een DAM voor een universiteit is geen IT-project, het is een organisatieverandering. Als je alleen naar de software kijkt, mis je het belangrijkste: de mensen die ermee moeten werken.
Neem de risico’s serieus, investeer in een goede taxonomie, en kies een oplossing die past bij de realiteit van een onderwijsinstelling – niet bij het mooiste verkooppraatje. Dan kan een DAM echt het centrale geheugen worden van je universiteit.