Op de Databricks Data + AI-top, Artefact bracht een duidelijke boodschap over aan leiders op het gebied van bedrijfs-AI: de volgende fase van de invoering van AI zal niet alleen door modellen worden gewonnen. Deze fase zal worden gewonnen door organisaties die de betrouwbare data-, governance- en semantische fundamenten kunnen leggen die nodig zijn om agents van proefprojecten naar de productieomgeving over te brengen.

Dit artikel is oorspronkelijk gepubliceerd in Thet AI Journal, om meer te weten te komen over waarom Retrieval-Augmented Generation (RAG) niet volstaat voor AI in de bedrijfswereld, Wij nodigen u uit om de website van The AI Journal te bezoeken.

Artefact, het bedrijf dat volledig op AI is gebaseerd en dat technische uitvoering combineert met adviesgerichte denkwijzen om bewezen resultaten met grote impact te behalen, presenteerde productiegerichte agentgebaseerde architecturen met live-agenten en demonstraties op basis van echte data- en Databricks-systemen op het gebied van marketingmetingen, financiële dienstverlening, schoonheidsproducten, consumentengoederen en logistiek.

Uit de aanwezigheid van Artefact op Databricks kwam een centraal thema naar voren: AI voor bedrijven kan niet opschalen op basis van het ophalen van gegevens alleen. Hoewel RAG, metadata-catalogi en copilots bedrijven helpen om snel te experimenteren, hebben AI-agenten van productiekwaliteit iets diepgaander nodig: een ontologielaag die zakelijke betekenis kan ontrafelen, autoriteit kan vaststellen en redeneringen kan maken op basis van onderlinge relaties.

Dat is waar de lessen uit Artefact, worden bijzonder relevant. Zij zijn van mening dat veel organisaties tot dezelfde harde conclusie komen: AI-agenten kunnen alleen met vertrouwen handelen wanneer de onderneming duidelijk heeft gemaakt wat haar data inhoudt, wie hierover zeggenschap heeft en hoe bedrijfsconcepten tussen systemen onderling met elkaar verband houden.

Waarom de RAG- en metadata-catalogi niet volstaan voor AI in de praktijk

Voor veel bedrijven is ‘retrieval-augmented generation’ het standaarduitgangspunt geworden voor AI op bedrijfsniveau. Artefact stelt dat RAG structurele beperkingen kent als het gaat om gecontroleerde, productieklaar besluitvorming.

Akhilesh Kale (AK), partner bij Artefact, legt uit:

“Een vectorzoekopdracht levert passages op die op uw vraag lijken. Het heeft geen inzicht in de vraag of het getal in die passage het getal is dat uw CFO heeft goedgekeurd, of hoe ‘actieve klant’ drie systemen verderop in verband staat met ‘contract’. Dat zijn de twee zaken die RAG structureel niet kan doen: autoriteit vaststellen en verbanden leggen tussen relaties. Een ontologie lost beide problemen op. Het rangschikt definities op basis van de auteur, de gebruiksfrequentie en de mate waarin ze aansluiten bij gecertificeerde bronnen, en het codeert de relaties die van een vraag een berekend antwoord maken in plaats van een opgehaalde gok. Catalogi inventariseren uw data. Ontologieën beoordelen deze. Die kloof is het verschil tussen een demo en iets dat in een regelgevende omgeving kan functioneren.”

Dit onderscheid is van belang omdat AI binnen ondernemingen zich steeds meer richt op het ondernemen van actie in plaats van het beantwoorden van vragen. In die context volstaat een antwoord dat “goed genoeg” is niet langer. Agenten moeten begrijpen welke definitie als gezaghebbend geldt, welk data-assets gecertificeerd is en hoe begrippen zich tot elkaar verhouden binnen financiële, klant-, product-, juridische en operationele systemen.

Dat is met name van belang in gereguleerde sectoren zoals de financiële dienstverlening, de verzekeringssector, de gezondheidszorg, de energiesector en de telecommunicatiesector, waar verklaarbaarheid, traceerbaarheid, toegangsrechten en governance geen optie zijn.

De verborgen uitdaging van AI in het bedrijfsleven: verantwoord beheer, niet technologie 

Het bericht van Artefact over Databricks zet ook vraagtekens bij het idee dat de technische uitbouw het moeilijkste onderdeel is van AI voor bedrijven. Kale: veel initiatieven lopen vast, niet omdat de technologie faalt, maar omdat organisaties de menselijke inspanningen en het bestuurswerk onderschatten die nodig zijn om deze in stand te houden.

Akhilesh Kale (AK), “De bouwfase is niet het punt waarop deze processen vastlopen. Ze lopen vast op twee punten die teams vaak als bijzaak beschouwen. Ten eerste levert automatische extractie een concept op, geen definitief besluit: wanneer er drie definities van ‘marge’ naar voren komen, moet iemand met beslissingsbevoegdheid een keuze maken, en dat is een politieke handeling die de meeste organisaties koste wat kost proberen te vermijden. Het tweede punt is veroudering. Een definitie die in het eerste kwartaal correct was, blijkt na een reorganisatie of een systeemmigratie onjuist te zijn; daarom heeft de grafiek geautomatiseerde pijplijnen en een aangewezen verantwoordelijke nodig, en niet slechts een jaarlijkse update. Zet u in voor het beheer, anders sterft de ”levende grafiek’ stilletjes uit.”

Dit is een van de belangrijkste lessen die Artefact benadrukt: bij AI-transformatie gaat het niet alleen om het implementeren van platforms of modellen. Het gaat erom de manier waarop organisaties omgaan met betekenis, eigenaarschap, verantwoordelijkheid en verandering opnieuw vorm te geven.

Een dynamische ontologie vereist actief beheer. Bedrijfsdefinities veranderen. Systemen worden gemigreerd. Teams worden gereorganiseerd. De verwachtingen van regelgevende instanties evolueren. Zonder verantwoordelijkheid en instrumentatie raakt de semantische laag verouderd en zodra dat gebeurt, verliezen de gebruikers hun vertrouwen.

Realtime-beheer: van toegangscontrole naar veiligheidsmaatregelen tijdens de uitvoering

De derde les is dat modern AI-beheer in realtime moet plaatsvinden. Het volstaat niet langer om aan het begin van een workflow te bepalen tot welke gegevens een systeem toegang heeft. Bij AI-agenten in de productieomgeving moet het beheer in het uitvoeringstraject worden geïntegreerd, zodat wordt gecontroleerd wat een agent mag doen terwijl deze actief is.

Akhilesh Kale (AK) legt verder uit:

“Ja, maar met één belangrijke voorwaarde: de echte vooruitgang zit hem in het feit dat het beheer wordt geïntegreerd in het uitvoeringsproces: Unity AI Gateway controleert wat een agent tijdens de uitvoering van een taak mag doen, en niet alleen wat hij mag lezen, en er is geen tweede machtigingssysteem dat gesynchroniseerd moet worden. Voor het bankwezen, de verzekeringssector en vermogensbeheer is dat het verschil tussen een proefproject en een daadwerkelijke implementatie. Maar deze laag erft vertrouwen; zij creëert het niet. Het is een versterker van het data foundation dat u al hebt, en een versterker behoudt het teken: de bedrijven die het governancewerk hebben verricht, krijgen een onmiddellijke impuls; de rest krijgt een snellere, zelfverzekerder versie van een puinhoop waar zij niet rechtstreeks naar hadden gekeken.”

Dit punt sluit rechtstreeks aan bij het bredere standpunt van Artefact: agenten die klaar zijn voor productie hebben een betrouwbare basis nodig. Databricks kunnen de gereguleerde data-laag bieden, maar ondernemingen moeten nog steeds het zware werk verrichten om eigendom te definiëren, onduidelijkheden op te lossen en bedrijfsmodellen te herontwerpen rond de samenwerking tussen mens en agent.

Van proefprojecten tot productie: de agentische systemen van Artefact in de praktijk

Artefact laat zien hoe dit er in de praktijk uitziet, met concrete praktijkvoorbeelden van agentic-toepassingen die zijn gebouwd op basis van Databricks, waaronder:

  • Een conversatiegebaseerd meetinstrument voor marketing waarmee leidinggevenden de toewijzing van budgetten kunnen simuleren door middel van natuurlijke taal.
  • Synthetische persona’s voor de financiële dienstverlening en de CPG-sector, waarmee marketeers gesimuleerde klantprofielen kunnen analyseren om sneller tot inzichten te komen.
  • Een AI-assistent voor schoonheidsproducten die het vinden van gepersonaliseerde producten ondersteunt binnen een catalogus met meer dan 60.000 SKU’s.
  • Corrie, een AI-assistent voor logistieke probleemoplossing die magazijnteams helpt om ontbrekende of verwisselde artikelen sneller op te sporen.

In al deze voorbeelden worden agents waardevol wanneer zij zijn gekoppeld aan nauwkeurige, gereguleerde en bedrijfsgeschikte data, en wanneer organisaties de menselijke rollen en bestuursstructuren daaromheen herontwerpen.

Voor Artefact is de les uit Databricks Het is duidelijk. De toekomst van AI voor bedrijven bestaat niet uit een verzameling piloten, copiloten of onderling niet-verbonden assistenten. Het is een hybride organisatie op productieniveau waarin mensen en AI-agenten samenwerken via gedeelde data foundations, gereguleerde workflows en duidelijk omschreven verantwoordelijkheden.

Het model houdt niet in dat “AI in de plaats komt van mensen”. Het gaat erom dat mensen hogerop komen in de waardeketen: van uitvoeren naar beslissen, van produceren naar beoordelen, en van het uitvoeren van processen naar het aansturen van de systemen die deze processen laten draaien.