BLOG – Met de opkomst van ai-agents is ai niet langer slechts een tool die werk overneemt. Ai wordt een autonome speler op de werkvloer met zijn eigen vereisten, verwachtingen en kwetsbaarheden. Deze verandering vraagt om nieuwe architectuurpatronen, nieuwe disciplines en een nieuwe kijk op hoe bedrijven contact onderhouden met klanten en hun technologie-stack beheren.
Organisaties die hier nu al op inspelen, bouwen een voorsprong op. De grootste veranderingen die we kunnen verwachten, zijn:
Machines worden klanten
Transacties tussen apparaten onderling zijn niet nieuw, maar steeds vaker zullen organisaties ai-agents als klant moeten bedienen. Stel: een klant zoekt een designbureau met de beste prijskwaliteitverhouding. In plaats van dat een accountmanager zelf gaat zoeken, bouwt hij een ai-agent die dit voor hem uitpluist.
En dat zijn nog maar micro-beslissingen. Wat te denken van agents die toeleveringsketens kunnen optimaliseren binnen het klantportfolio, waarbij ze continu voorwaardes analyseren en servicecontracten dynamisch aanpassen? Er staan ons grote veranderingen te wachten.
Organisaties zullen hun tech-stack voor sales en marketing opnieuw onder de loep moeten nemen door de komst van ‘machineklanten’. Agents zijn genadeloos efficiënt, kennen nul loyaliteit en zullen niet twijfelen om over te stappen naar een concurrent als de voorwaarden daar beter zijn. Organisaties die niet toegerust zijn om met agents te communiceren (en direct kunnen reageren op verzoeken) zullen letterlijk onzichtbaar zijn. De organisaties die als winnaar uit de bus komen, zijn de organisaties die inzien dat agents geen geautomatiseerde klanten zijn, maar een nieuw type klant die realtime-data en ai-geoptimaliseerde interfaces nodig heeft.
Context-engineering wordt een eigen discipline
Nu enterprise-organisaties opschalen naar multi-agentsystemen, zal de technische focus verschuiven van promptcreatie naar contextontwerp. Multi-agentworkflows worden steeds veeleisender met hun vraag naar tooldefinities, conversatiegeschiedenis en data uit verschillende bronnen. Dit brengt twee uitdagingen met zich mee: de hoeveelheid context neemt toe en modellen dreigen informatie over het hoofd te zien die verstopt zit in lange prompts, zogenaamde ‘context rot’.
Dit jaar zal context-engineering zich ontwikkelen tot een aparte discipline, met eigen teams en een speciale infrastructuur die de minimale, maar complete informatie levert die agents nodig hebben. De beste context engineers snappen zowel de beperkingen van llm’s als de semantische structuur van hun organisatie.
Context-engines zijn de volgende stap in ai
Zelfs wanneer agents toegang hebben tot alle benodigde data, vormt het beheer van alle context de grootste bottleneck. Hoe kunnen organisaties complexe interacties inpassen in een omgeving met beperkte context? Hoe kunnen ze voorkomen dat llm’s overspoeld worden en minder accuraat worden? En wanneer er steeds meer context beschikbaar is, hoe voorkom je dat er geen belangrijke informatie verloren gaat?
Context-engines combineren datalevering, metadatabeheer en het voortdurend optimaliseren van context bij opeenvolgende verzoeken. Dit leidt niet alleen tot slimmere retrieval-augmented generation (RAG)-toepassingen, het is een geheel nieuwe architectuurlaag die speciaal gebouwd is voor contextbeheer op schaal.
De semantische laag wordt de kritieke infrastructuur van ai
Enterprises zien in dat ai-agents zowel data als context nodig hebben. Bedrijven die al jaren werken aan hun data-lakes, merken nu al dat deze middelen ontoereikend zijn. Ai kan gegevens ophalen, maar zonder semantische context kan het acties of beweegredenen niet interpreteren.
Daarom zullen teams de stap maken van vector-search naar het opbouwen van kennis, cijfers, anthologieën en metadata-gedreven maps die ai leren hoe het bedrijf werkt. De strijd verschuift van het bezitten van ruwe data naar het bepalen van de betekenis ervan. Kant-en-klare agents zullen moeite hebben om te overleven in complexe omgevingen met domeinspecifieke semantiek. Daarom wordt de semantische laag net zo belangrijk als de database destijds was voor de ontwikkeling van analytics.
Generatieve ai maakt modernisering van verouderde systemen mogelijk
Ai vormt de sleutel tot het moderniseren van verouderde systemen. De ‘leave-and-layer’-aanpak van voorheen verkleinde wellicht risico’s, maar creëerde problemen die met de tijd erger werden en maakte organisaties afhankelijk van leveranciers, met steeds minder onderhandelingsruimte.
De mogelijkheden van llm’s zijn over het algemeen flink verbeterd. Dankzij gespecialiseerde integrators zijn de risico’s en kosten teruggedrongen. De verwachting is dan ook dat de migratie van legacy-systemen met behulp van ai verder zal doorzetten.
De ai-native enterprise ziet er heel anders uit dan voorheen. Het klantenbestand bestaat uit machines, context wordt beschouwd als cruciale infrastructuur en er zijn tools beschikbaar om decennia aan technische schulden af te lossen. Bedrijven die dit omarmen, zullen niet alleen de mogelijkheden van ai optimaal benutten, maar ook hun bedrijfsvoering naar een niveau tillen dat voor het bestaan van ai onhaalbaar was.
Martijn Kieboom, manager solutions engineering Confluent
computable
26-02-2026 16:49