Vijf dataprioriteiten voor succesvolle agentic AI

Er vindt momenteel een duidelijke verschuiving binnen agentic AI plaats. Voorheen was er vooral aandacht voor nieuwe AI-capaciteiten, maar nu gaat het voornamelijk over betrouwbaarheid, toepasbaarheid en rendement op investeringen.

Uit verschillende rapporten blijkt dat AI voor veel organisaties nog niet aan de verwachtingen voldoet. Onderzoek van PwC laat zien dat meer dan de helft van de CEO’s in de afgelopen twaalf maanden geen hogere omzet of lagere kosten dankzij AI heeft gezien. Ook onderzoeken van Google en Anthropic tonen dat organisaties steeds meer behoefte hebben aan aantoonbare en meetbare impact. Hoewel AI-systemen inmiddels kunnen redeneren, beslissen en handelen, loopt het in de praktijk nog vaak vast op hetzelfde probleem: het datafundament is niet op orde.

Deze vijf dataprioriteiten moeten organisaties helpen om agentic AI daadwerkelijk waarde te laten leveren

1. Samenwerking tussen AI-agents

Het wordt steeds duidelijker dat agentic AI niet langer draait om één allesomvattende AI-agent. In plaats daarvan werken meerdere gespecialiseerde AI-agents samen.

Om AI-agents te laten samenwerken, moeten ze met elkaar kunnen communiceren en dit vraagt om duidelijke richtlijnen. Multi-agentprotocollen of gedeelde frameworks zorgen ervoor dat agents informatie kunnen uitwisselen, ook wanneer ze in verschillende systemen opereren. Zonder die standaardisatie lopen organisaties het risico AI-agents te ontwikkelen die weliswaar krachtig zijn, maar moeilijk kunnen samenwerken met andere systemen. Daardoor blijft toepassing beperkt en wordt opschalen lastig.

2. Realtime data

Agentic AI opereert in realtime. Dit betekent dat data altijd actueel en beschikbaar moet zijn. Voor sommige scenario’s volstaan statische data[mv1.1]. Maar in sectoren zoals de luchtvaart en financiële dienstverlening verandert de situatie voortdurend. Nieuwe informatie komt continu binnen, waardoor systemen direct beslissingen moeten nemen.

Zonder realtime data kunnen AI-agents weliswaar functioneren, maar neemt hun toegevoegde waarde sterk af. En wanneer systemen werken met verouderde of onvolledige informatie, neemt de kans op fouten toe. Verandert de situatie sneller dan de data kan worden bijgewerkt, dan neemt zelfs het best ontworpen AI-systeem een verkeerde beslissing. Dat zorgt voor een afname in het vertrouwen in agentic AI.

3. Transparantie en governance

 Vertrouwen in AI begint bij transparantie. Het is belangrijk dat organisaties begrijpen hoe een AI-agent tot een beslissing komt. Hiervoor is inzicht nodig in de gebruikte data, de genomen stappen en de resultaten die daaruit ontstaan.

Streamingsystemen ondersteunen dit proces door gebeurtenissen vast te leggen en inzicht te geven in de beslissingen van de AI-agents. Dit is van groot belang voor governance, compliance en het vertrouwen in AI, vooral nu deze systemen steeds autonomer worden.

4. De toekomst is niet volledig autonoom

Er bestaat een misvatting dat agentic AI van de ene op de andere dag systemen volledig autonoom maakt. In de praktijk verloopt de ontwikkeling van autonomie stapsgewijs. In veel gevallen zullen AI-agents menselijk werk ondersteunen door informatie op te halen, processen te versnellen of routinematige beslissingen te nemen. In situaties waar snelheid cruciaal is, zal volledige automatisering meer voor de hand liggen.

De toekomst ligt daarom niet in volledig autonome systemen, maar in assisted orchestration: een samenwerking tussen mensen en AI-agents waarbij technologie daar ondersteunt waar het de meeste waarde toevoegt.

5. Begin met een datafundament

De basis voor succesvolle AI-toepassingen begint bij betrouwbare data, maar ook bij systemen die deze data toegankelijk maken voor AI.

In de praktijk betekent dit dat organisaties verouderde systemen moeten moderniseren en data beter beschikbaar moeten maken voor verschillende toepassingen. Daarnaast is het belangrijk om te voorkomen dat er voor iedere nieuwe uitdaging een losse AI-oplossing wordt gebouwd. Een flexibele en toekomstbestendige data-infrastructuur levert op de lange termijn meer waarde op dan een verzameling afzonderlijke oplossingen.

Organisaties die hierin investeren, creëren een fundament waarop nieuwe AI-toepassingen eenvoudiger kunnen worden ontwikkeld en opgeschaald.

Martijn Kieboom, Manager Solutions Engineering bij Confluent