Data voor het agententijdperk

Drie belangrijke punten voordat u de data upgradet naar een AI

De meeste bedrijven zijn nog niet klaar om een data uit het dashboard-tijdperk te vervangen door een AI . De nieuwste State of Data & Analytics van Salesforce geeft aan dat 84% van de leiders op data en analytics zegt dat hun strategieën een complete revisie nodig hebben voordat AI kunnen slagen. Leiders schatten dat 26% van hun data onbetrouwbaar is, slechts 43% maakt melding van formele data governance frameworks en ongeveer 50% heeft geen vertrouwen in hun vermogen om tijdig inzichten te genereren en te leveren. Tegelijkertijd gelooft 70% dat de meest waardevolle inzichten opgesloten zitten in ongestructureerde data. De conclusie is duidelijk: het obstakel is niet enthousiasme maar de basis, en die basis moet veranderen voordat agentic systemen kunnen schalen.

Agentic AI verandert data in handelingssystemen die contracten en tickets lezen, camera's bekijken, gesprekken beluisteren, correleren met logs en gebeurtenissen en vervolgens uitvoeren. Dashboards kunnen vertragingen verdragen, terwijl agents dat niet kunnen; compliance kan werken via documentatie, maar agents vereisen controles tijdens runtime. Voordat een onderneming een AI afkondigt, moeten drie elementen ononderhandelbaar zijn: multimodaliteit als standaard, streaming als besturingsmodus en governance als runtime-systeem. De volgende paragrafen vertalen deze overtuigingen in architecturale keuzes die agentic workloads op productieschaal dragen.

Multimodaal als standaard

Documenten, afbeeldingen, audio, video en logs behandelen als tweederangs activa beperkt de mogelijkheden van agents door het ontwerp. Een platform dat geschikt is voor agents slaat tabellen en tensors op als peers onder één catalogus met een verenigd lineage systeem en een consistent toegangsmodel, zodat hoogdimensionale media dezelfde levenscyclus kunnen doorlopen als relationele data. In de praktijk betekent dit gechunkte of betegelde lay-outs die gedeeltelijke lezingen en extractie van interessegebieden mogelijk maken; identifiers met inhoudsadres en metagegevens in versiebeheer zodat elk artefact reproduceerbaar is; en array- en kolomgebaseerde formaten die predicaten en coördinaten pushdown mogelijk maken. Tekst en documenten vereisen embeddings als primair derivaat die deterministisch worden gegenereerd, geversioneerd met hun bronnen, en geïndexeerd met duidelijke afwegingen, bijvoorbeeld HNSW als recall domineert, IVF PQ als geheugen en latentie in balans moeten zijn, en hybrid dense plus lexicale indexering als productcodes en nummers essentieel zijn. Retrieval moet bewijsmateriaal bundels zoals passages, pagina's, frames of clips teruggeven omdat agenten eerder over bewijsmateriaal redeneren dan over geïsoleerde substrings.

De grootste winst wordt behaald door fusie, maar fusie is alleen waardevol als de uitlijning op platformniveau wordt opgelost. Vroege fusie legt fijnkorrelige interacties vast, zoals het uitlijnen van tekstoverspanningen op beeldregio's, late fusie behoudt modaliteitspecifieke modellen tot een beslissingsgrens, en hybride benaderingen combineren beide wanneer interactiepunten goed gedefinieerd zijn. Uitlijning is het moeilijke deel. Tijdsynchronisatie van gebeurtenissen tussen bronnen met verschillende bemonsteringsfrequenties, ruimtelijke registratie tussen sensoren en semantische koppeling zodat een order-ID in een PDF, een cameraframe van rijstrook drie, een trillingspiek en een grootboekgebeurtenis naar hetzelfde bedrijfsobject leiden, zijn mogelijkheden die thuishoren in de catalogus- en afstammingslaag. Zonder deze gedeelde notie van tijd, identiteit en provenance zullen agents gaan hallucineren over context of handelen op basis van oudbakken signalen. Aangezien 70% van de leiders gelooft dat de meest waardevolle inzichten in ongestructureerde data zitten, kan multimodaliteit geen fase twee add-on zijn. Het is de standaard die context ontsluit.

Streaming als bedrijfsmodus

Agentwerk introduceert een centrale doelstelling op serviceniveau: beslissingslatentie, de tijd tussen een echt signaal en een acceptabele actie. Om die doelstelling te halen is een streaming first platform nodig. De ruggengraat is een event log dat fungeert als het systeem van record, met schema's die worden afgedwongen bij het schrijven en event tijd semantiek met watermerken zodat vensters de zakelijke waarheid weerspiegelen in plaats van de aankomstvolgorde. Op die ruggengraat draaien stateful stream processors die een duurzame lokale toestand handhaven, voorspelbaar omgaan met tegendruk, warme streams verbinden met koude data en beslissingen uitzenden in plaats van slechts getransformeerde rijen. Om inspectie en rechtvaardiging door zowel mensen als agenten te ondersteunen, plaats je een realtime analytische laag die direct uit het logboek ophaalt en subseconde queries beantwoordt over continu bijgewerkte tabellen.

Het warme pad en het koude pad moeten in dezelfde structuur leven. Land streams in open tabelformaten met ACID transacties en tijdreizen, zodat replays, backfills, audits en training kunnen doorgaan zonder dat de pijplijn bevriest. Dit maakt een einde aan de valse keuze tussen snel en vluchtig aan de ene kant en duurzaam en langzaam aan de andere kant. Operationele discipline sluit de lus. Definieer laatheidsbudgetten en intrekkingsregels, documenteer replay en dead letter runbooks en gebruik canary implementaties met gespiegeld verkeer zodat rollouts omkeerbaar zijn. Als deze werkwijzen aanwezig zijn, kunnen fraudeagenten blokkeren voordat er afgerekend wordt, kunnen personalisatieagenten zich tijdens de sessie aanpassen, kunnen betrouwbaarheidsagenten onderhoud plannen wanneer drift zich voor het eerst voordoet en kunnen serviceagenten escaleren wanneer de frustratie toeneemt in plaats van na churn.

Bestuur als runtime-systeem

Naarmate de autonomie toeneemt, wordt vertrouwen de poort. Documentatie en periodieke audits voorkomen geen slechte beslissingen; controle tijdens de uitvoering wel. Twee stappen zorgen voor die controle. Ten eerste, dwing data af bij het schrijven, zodat producenten schema's, semantiek en versheidsdoelstellingen publiceren, het register incompatibele wijzigingen blokkeert of naar quarantaine stuurt, consumenten verwachtingen uitspreken en incidenten automatisch worden gemeld wanneer verwachtingen worden geschonden, zodat agentmachtigingen worden verlaagd totdat de omstandigheden zich herstellen. Ten tweede, evalueer het beleid als code voor elke actie, of deze nu wordt gestart door een mens of een agent. Wanneer een tool of dataset wordt opgevraagd, moet een beleidsengine evalueren wie er belt, met welk doel, over welke data, onder welk risico en met welke verplichtingen, bijvoorbeeld het toevoegen van een bewijsbundel, het redigeren van gevoelige velden of het vereisen van een menselijke medeondertekening boven een drempel. Het resultaat moet een ondertekende beslissing en een controleerbaar spoor zijn.

Beveiliging heeft een Zero Trust-houding nodig die ervan uitgaat dat elke oproep wordt geschonden en geverifieerd. Minst bevoorrechte, continue verificatie, sandboxed tooluitvoering en strikte egress-controle zijn de inzet, terwijl agent-specifieke risico's zoals prompt injection, retrieval poisoning en toolmisbruik telemetrie en insluiting tijdens runtime vereisen in plaats van modelgerichte tuning alleen. Uit hetzelfde Salesforce-onderzoek blijkt duidelijk wat er op het spel staat: slechts 43% van de leiders maakt melding van formele governance-raamwerken, 89% van de teams die al AI gebruiken heeft te maken gehad met onnauwkeurige of misleidende output en 88% zegt dat AI vraagt om nieuwe governance- en beveiligingsbenaderingen. Bewezen governance betekent dat het platform kan laten zien wie heeft gehandeld, met welke data, onder welk beleid, met welk model of welke toolversie, en hoe het indien nodig kan worden teruggedraaid, wat pilots die indruk maken onderscheidt van systemen die audits overleven.

Hoe de drie elementen samenkomen

De blauwdruk is een levend systeem dat producenten, opslag, computers en beleid met elkaar verbindt zonder handoffs die het vertrouwen ondermijnen. Producenten zenden change events uit en deponeren artefacten zoals PDF's, afbeeldingen, audio en video in chunked storage terwijl een globale catalogus assets, eigendom, afkomst en toepasselijk beleid registreert. Near data pipelines normaliseren, redigeren, embedden en aligneren en de resulterende features en embeddings stromen naar geïndexeerde stores met gedocumenteerde retrieval profiles. Stateful stream processors verrijken en beslissen in beweging en een real-time analytisch oppervlak toont nieuwe feiten aan mensen en agenten. Parallel daaraan komen dezelfde gebeurtenissen terecht in open lakehouse tabellen met ACID semantiek en tijdreizen, zodat realtime en historische overzichten in één beheerd substraat leven. Agenten interageren met elkaar door middel van nauwe 'least privilege' tools; elke aanroep wordt gecontroleerd door beleid en elke actie wordt ondertekend en gekoppeld aan afkomst. Dit patroon adresseert de gaten in vertrouwen, tijdigheid en toegankelijkheid die schaal blokkeren.

Conclusie

Ondernemingen die AI willen schalen, moeten weerstand bieden aan de drang om agentfuncties toe te voegen aan een stack uit het dashboard-tijdperk. De basis moet eerst veranderen. Maak van multimodaliteit de standaard, zodat elk bruikbaar signaal in één catalogus zit met gedeelde identiteit, tijd en afkomst, en zodat het ophalen van informatie bewijsmateriaal oplevert in plaats van fragmenten. Maak van streaming de bedrijfsmodus zodat beslissingen de tijd van gebeurtenissen respecteren en binnen een gedefinieerd latentiebudget aankomen, terwijl dezelfde streams in open tabellen terechtkomen voor controle en leren. Upgrade governance van dia's naar runtime door contracten af te dwingen bij het schrijven, beleid te evalueren bij elke actie, Zero Trust toe te passen op tools en data en continu te observeren zodat autonomie wordt gepauzeerd of teruggeschroefd wanneer de kwaliteit achteruit gaat. Samen vervangen deze stappen een rapportagesubstraat door een actiesubstraat. Agenten werken dan op vers multimodaal bewijs binnen expliciete vangrails, met ingebouwde verklaringen. Dit is hoe pilots productie worden en hoe AI waarde creëert in plaats van uitzonderingen.