Data voor het agentische tijdperk

Drie absolute vereisten voordat je de data omzet naar een AI

De meeste bedrijven zijn nog niet klaar om hun data uit het dashboard-tijdperk te vervangen door een AI . Uit het nieuwste rapport ‘State of Data Analytics’ van Salesforce blijkt dat 84% van de leiders op het gebied van data analytics aangeeft dat hun strategieën grondig moeten worden herzien voordat AI kunnen slagen. Leiders schatten dat 26% van hun data onbetrouwbaar data , slechts 43% meldt formele data en ongeveer 50% heeft geen vertrouwen in hun vermogen om tijdige inzichten te genereren en te leveren. Tegelijkertijd gelooft 70% dat de meest waardevolle inzichten verborgen zitten in ongestructureerde data. De conclusie is duidelijk: het obstakel is niet enthousiasme, maar de basis, en die basis moet veranderen voordat agentische systemen kunnen opschalen.

Agentische AI data in actiesystemen die contracten en tickets lezen, camerabeelden bekijken, gesprekken beluisteren, verbanden leggen met logbestanden en gebeurtenissen, en vervolgens actie ondernemen. Dashboards kunnen vertragingen tolereren, terwijl agenten dat niet kunnen; compliance kan via documentatie worden geregeld, maar agenten vereisen controles tijdens de uitvoering. Voordat een onderneming een AI implementeert, moeten drie elementen ononderhandelbaar zijn: multimodaliteit als standaard, streaming als werkingsmodus en governance als een runtime-systeem. De volgende paragrafen vertalen deze overtuigingen naar architecturale keuzes die agentische workloads op productieschaal ondersteunen.

Multimodaal als standaardinstelling

Door documenten, afbeeldingen, audio, video en logbestanden als tweederangs assets te behandelen, worden de mogelijkheden van agents bij voorbaat beperkt. Een platform dat geschikt is voor agents slaat tabellen en tensoren op als gelijkwaardige elementen in één catalogus, met een uniform afkomstsysteem en een consistent toegangsmodel, zodat hoogdimensionale media dezelfde levenscyclus kunnen doorlopen als relationele data. In de praktijk betekent dit chunked of tiled lay-outs die gedeeltelijk lezen en het extraheren van relevante regio's mogelijk maken; content-geadresseerde identifiers met versiebeheer van sidecar-metadata zodat elk artefact reproduceerbaar is; en native array- en kolomformaten die predikaat- en coördinaat-pushdown toestaan. Tekst en documenten vereisen embeddings als primaire afgeleide die deterministisch worden gegenereerd, van een versie worden voorzien met hun bronnen en worden geïndexeerd met duidelijke afwegingen, bijvoorbeeld HNSW wanneer recall de overhand heeft, IVF PQ wanneer geheugen en latentie in evenwicht moeten zijn, en hybride dense plus lexicale indexering wanneer productcodes en nummers essentieel zijn. Het ophalen moet bewijsbundels opleveren, zoals passages, pagina's, frames of clips, omdat agents redeneren op basis van bewijs in plaats van geïsoleerde substrings.

De grootste voordelen komen voort uit fusie, maar fusie is alleen waardevol als de uitlijning op platformniveau is opgelost. Vroege fusie legt fijnmazige interacties vast, zoals het uitlijnen van tekstfragmenten op beeldgebieden; late fusie behoudt modaliteitsspecifieke modellen tot aan een beslissingsgrens; en hybride benaderingen combineren beide waar interactiepunten duidelijk zijn gedefinieerd. Uitlijning is het lastige deel. Synchronisatie van gebeurtenistijden tussen bronnen met verschillende bemonsteringsfrequenties, ruimtelijke registratie tussen sensoren en semantische koppeling, zodat een order-ID in een PDF, een camerabeeld van rijstrook drie, een trillingspiek en een gebeurtenis in het grootboek worden omgezet naar hetzelfde bedrijfsobject, zijn mogelijkheden die thuishoren in de catalogus- en afkomstlaag. Zonder dit gedeelde begrip van tijd, identiteit en herkomst zullen agents de context verkeerd interpreteren of handelen op basis van verouderde signalen. Aangezien 70% van de leiders gelooft dat de meest waardevolle inzichten in ongestructureerde data zitten, kan multimodaliteit geen add-on voor fase twee zijn. Het is de standaard die context ontsluit.

Streaming als bedrijfsmodus

Agentic-werk introduceert een centrale doelstelling op serviceniveau: beslissingslatentie, de tijd tussen een signaal uit de echte wereld en een aanvaardbare actie. Om aan die doelstelling te voldoen, is een ‘streaming first’-platform nodig. De ruggengraat wordt gevormd door een gebeurtenislogboek dat fungeert als het officiële registratiesysteem, waarbij schema’s bij het schrijven worden afgedwongen en de semantiek van gebeurtenistijd wordt bepaald door watermerken, zodat vensters de zakelijke realiteit weerspiegelen in plaats van de volgorde van binnenkomst. Op die ruggengraat draaien stateful stream-processors die een duurzame lokale status handhaven, op voorspelbare wijze omgaan met tegendruk, hot streams koppelen aan cold data en beslissingen afgeven in plaats van louter getransformeerde rijen. Om inspectie en rechtvaardiging door zowel mensen als agents te ondersteunen, plaats je een realtime analytische laag die rechtstreeks uit het logboek gegevens opneemt en binnen een fractie van een seconde vragen beantwoordt over continu bijgewerkte tabellen.

Het ‘hot path’ en het ‘cold path’ moeten binnen dezelfde fabric worden ondergebracht. Land-streams worden omgezet naar open-table-formaten met ACID-transacties en tijdreizen, zodat replays, backfills, audits en trainingen kunnen plaatsvinden zonder de pijplijn stil te leggen. Dit maakt een einde aan de valse keuze tussen snel en vluchtig enerzijds en duurzaam en traag anderzijds. Operationele discipline maakt de cirkel rond. Definieer vertragingstoleranties en terugtrekkingsregels, documenteer runbooks replay dead letters, en gebruik canary-implementaties met gespiegeld verkeer, zodat uitrol omkeerbaar is. Wanneer deze praktijken aanwezig zijn, kunnen fraudebestrijders blokkeren vóór afwikkeling, kan personalisatie zich tijdens de sessie aanpassen, kunnen betrouwbaarheidsagenten onderhoud plannen zodra er afwijkingen optreden, en kunnen serviceagenten escaleren wanneer de frustratie toeneemt in plaats van na het verlies van klanten.

Governance als een runtime-systeem

Naarmate de autonomie toeneemt, wordt vertrouwen de sleutel. Documentatie en periodieke audits voorkomen geen verkeerde beslissingen; controle tijdens de uitvoering wel. Twee maatregelen zorgen voor die controle. Ten eerste: handhaaf data bij het schrijven, zodat producenten schema’s, semantiek en actualiteitsdoelstellingen publiceren, het register incompatibele wijzigingen blokkeert of naar quarantaine leidt, consumenten hun verwachtingen kenbaar maken en incidenten automatisch worden gemeld wanneer verwachtingen worden geschonden, zodat de rechten van agents worden beperkt totdat de situatie weer in orde is. Ten tweede moet het beleid als code worden geëvalueerd bij elke actie, of deze nu door een mens of een agent wordt geactiveerd. Wanneer een tool of dataset wordt aangevraagd, moet een beleidsengine evalueren wie er belt, met welk doel, voor welke data, onder welk risico en met welke verplichtingen, bijvoorbeeld het bijvoegen van een bewijsbundel, het redigeren van gevoelige velden of het vereisen van een menselijke medeondertekening boven een bepaalde drempel. Het resultaat moet een ondertekende beslissing en een controleerbaar spoor zijn.

Beveiliging vereist een Zero Trust-benadering die uitgaat van een inbreuk en elke aanvraag controleert. Minimale rechten, voortdurende verificatie, het uitvoeren van tools in een sandbox en strikte controle op uitgaand verkeer zijn basisvoorwaarden, terwijl agentspecifieke risico’s zoals prompt-injectie, retrieval poisoning en misbruik van tools telemetrie en inperking tijdens de uitvoering vereisen, in plaats van alleen modelgerichte afstemming. Wat er op het spel staat, blijkt duidelijk uit hetzelfde onderzoek van Salesforce: slechts 43% van de leidinggevenden meldt formele governancekaders, 89% van de teams die al AI gebruiken, AI te maken gehad met onnauwkeurige of misleidende output, en 88% zegt dat AI nieuwe benaderingen op het gebied van governance en beveiliging AI . Bewezen governance betekent dat het platform kan laten zien wie er heeft gehandeld, met welke data, onder welk beleid, met behulp van welk model of welke toolversie, en hoe er indien nodig kan worden teruggezet. Dit is wat indrukwekkende pilots onderscheidt van systemen die audits doorstaan.

Hoe deze drie elementen samenkomen

De blauwdruk is een dynamisch systeem dat producenten, opslag, rekenkracht en beleid met elkaar verbindt zonder overdrachten die het vertrouwen ondermijnen. Producenten genereren wijzigingsgebeurtenissen en slaan artefacten zoals pdf’s, afbeeldingen, audio en video op in opgedeelde opslagruimtes, terwijl een algemene catalogus assets, eigendom, herkomst en toepasselijke beleidsregels registreert. data normaliseren, redigeren, integreren en stemmen af, en de resulterende kenmerken en integraties stromen naar geïndexeerde opslagplaatsen met gedocumenteerde opvraagprofielen. Stateful stream-processors verrijken en beslissen tijdens het proces, en een realtime analytisch oppervlak legt nieuwe feiten bloot aan mensen en agents. Tegelijkertijd worden dezelfde gebeurtenissen gelaagd in open lakehouse-tabellen met ACID-semantiek en tijdreizen, zodat realtime en historische weergaven in één gereguleerd substraat leven. Agents communiceren via tools met beperkte rechten; elke oproep wordt gecontroleerd aan de hand van beleid, en elke actie wordt ondertekend en gekoppeld aan de afkomst. Dit patroon pakt de hiaten op het gebied van vertrouwen, tijdigheid en toegankelijkheid aan die schaalvergroting in de weg staan.

Conclusie

Bedrijven die AI willen opschalen, AI de neiging weerstaan om agentfuncties zomaar aan een stack uit het dashboard-tijdperk toe te voegen. Eerst moet de basis veranderen. Maak multimodaliteit de standaard, zodat elk bruikbaar signaal in één catalogus terechtkomt met een gedeelde identiteit, tijdstip en herkomst, en zodat het opvragen van gegevens bewijsmateriaal oplevert in plaats van fragmenten. Maak streaming de standaardmodus, zodat beslissingen rekening houden met het tijdstip van de gebeurtenis en binnen een vastgestelde latentiegrens worden genomen, terwijl dezelfde streams in open tabellen terechtkomen voor controle en leerdoeleinden. Upgrade governance van slides 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 gedowngraded wanneer de kwaliteit verslechtert. Samen vervangen deze stappen een rapportagesubstraat door een actiesubstraat. Agenten werken dan op basis van vers multimodaal bewijsmateriaal binnen expliciete vangrails, met ingebouwde verklaringen. Zo worden pilots productie en AI waarde in plaats van uitzonderingen.