Een betrouwbare databasis voor agentische AI opbouwen

Context is bepalend voor de manier waarop we communiceren. Opmerkingen die uit hun context worden gehaald, kunnen precies het tegenovergestelde lijken te betekenen van wat ermee werd bedoeld. Als we iemand buiten zijn of haar context ontmoeten, kunnen we moeite hebben die persoon te herkennen. Context is de lijm die menselijke relaties bij elkaar houdt en ons helpt betekenis te vinden in onze sociale interacties.

Voor AI-agents geldt hetzelfde. Context stelt agents in staat ambiguïteit weg te nemen, bijvoorbeeld door onderscheid te maken tussen Apple (het technologiebedrijf), Apple (het platenlabel) en een apple (een vrucht). 

Dit onderscheid is cruciaal, omdat zakelijke AI razendsnel beslissingen neemt en actie onderneemt: transacties markeren, kredieten goedkeuren en waarschuwingen activeren. Als agents de entiteiten in hun workflows niet begrijpen, blijven ze weliswaar handelen, maar je kunt er donder op zeggen dat ze fouten maken. 

Aangezien sommige schattingen erop wijzen dateen doorsnee grote onderneming tegen het einde van dit jaar wel 1.600 agents zal inzetten, zullen deze fouten zich snel op grote schaal voordoen.

De complexiteit van het oplossen van digitale identiteiten

Agentische AI wekt terecht veel enthousiasme, maar zolang agents de entiteiten in hun datasets niet echt kunnen begrijpen, riskeren we op drijfzand te bouwen. 

Dit is geen eenvoudig probleem om op te lossen. Zo kan één klant in verschillende bedrijfsdatabases op uiteenlopende manieren worden vermeld (J. Bloggs, Jane Bloggs, Bloggs enzovoort). Ook kan één bedrijf afzonderlijk worden geregistreerd bij elk van zijn verschillende dochterondernemingen. Hoe kunnen agents weten dat deze ogenschijnlijk verschillende entiteiten in werkelijkheid bij één profiel horen? 

Op dit moment kunnen ze dat vaak niet. Dat komt door de manier waarop agents zijn gebouwd. Een agent is in wezen een systeem dat invoer ontvangt en uitvoer teruggeeft. Maar hoeveel gegevens moeten we agents precies aanreiken? Onderzoek toont aan dat contextvensters die te lang zijn ertoe leiden dat agents hallucineren. Omgekeerd zal een agent, als je te weinig gegevens aanlevert, een zelfverzekerde beslissing nemen en handelen op basis van onjuiste informatie. Bedrijven moeten een delicate balans vinden en niet meer en niet minder context bieden dan het systeem nodig heeft. 

Data-integratie is essentieel

De hoeveelheid data is slechts een deel van de uitdaging. Bedrijven moeten ook rekening houden met de datakwaliteit en de integratie ervan. Slechte context ontstaat door data die niet goed met elkaar is verbonden. Hallucinaties kunnen ontstaan wanneer de data die een agent nodig heeft om een beslissing te nemen, verspreid zijn over uiteenlopende, losstaande databases, apps en bedrijfsonderdelen. Naar schatting is 80-90% van de bedrijfscontext opgeslagen in geïsoleerde en ongestructureerde bestanden in niet-gekoppelde systemen. Zonder toegang tot deze informatie zijn AI-uitkomsten gebaseerd op onvolledige aannames. 

Ondanks al deze problemen blijft de inzet van AI-agents in hoog tempo doorgaan. Als bedrijfsleiders er niet op kunnen vertrouwen dat hun agents juiste beslissingen nemen en correct handelen, zullen ze meer moeten investeren in menselijk toezicht dan anders nodig zou zijn. In plaats van de autonome, zeer efficiënte agents waarop ze hadden gehoopt, houden bedrijven onbetrouwbare hulpmiddelen over die voortdurend in de gaten moeten worden gehouden. Het alternatief is een groter bedrijfsrisico en een hogere werkdruk voor compliance- en juridische teams. 

Een databasis met context opbouwen

Wat moet er dan gebeuren? De sleutel is agents uit te rusten met een betrouwbare databasis die is gecontroleerd op juistheid. Deze databasis brengt verspreide data uit interne en externe bronnen samen en past een consistent beheer toe op zowel gestructureerde als ongestructureerde data. Vervolgens voegt ze context toe, zodat de data die aan AI wordt aangeboden, relaties uit de echte wereld weerspiegelen in plaats van op zichzelf staande gegevens. Zo kunnen agents een persoon koppelen aan diens aliassen of een dochteronderneming aan het moederbedrijf. 

Met een contextuele databasis worden AI-gestuurde activiteiten nauwkeurig en uitlegbaar, en kunnen ze betrouwbare besluitvorming ondersteunen. Bedrijven kunnen op hun agents vertrouwen in plaats van ze voortdurend in de gaten te moeten houden. Zo profiteren ze optimaal van agentische automatisering zonder buitensporig toezicht. 

Technisch gezien komt context tot stand dankzij twee mogelijkheden. De eerste is entiteitsresolutie. Daarmee worden gegevens gekoppeld die betrekking hebben op dezelfde entiteit, ook wanneer die verwijzingen verspreid zijn over verschillende systemen en gegevenstypen. De gegevens worden samengebracht in één betrouwbaar overzicht van personen, organisaties en bedrijfsmiddelen. Zo worden dubbele vermeldingen en ambiguïteit opgelost, die de datakwaliteit vaak aantasten en tot onjuiste AI-uitkomsten leiden. 

De tweede mogelijkheid is het gebruik van kennisgrafieken. Die voegen context toe door de relaties tussen entiteiten in kaart te brengen: hoe klanten met accounts verbonden zijn, hoe transacties samenhangen met gedrag en hoe risico’s zich door netwerken verspreiden. In combinatie met entiteitsresolutie geven kennisgrafieken een nauwkeurig beeld van data zoals die in de echte wereld bestaat. Zo krijgen AI-agents de basis die ze nodig hebben om op grote schaal goed te functioneren. 

Voordelen die verder reiken dan agentische AI

AI-agenten zijn natuurlijk niet de enige gebruikers van gegevens binnen een onderneming. Een contextuele databasis zorgt ervoor dat ook operationele medewerkers, compliance-teams, bedrijfsanalisten, HR-teams en alle andere gebruikers van gegevens profiteren van een uniform en accuraat beeld van de werkelijkheid.

Dit kan op zijn beurt de klantervaring verbeteren. Als een bedrijf bijvoorbeeld meerdere profielen van dezelfde klant bijhoudt, kan het gebeuren dat verschillende teams meermaals contact met die klant opnemen. Op zijn zachtst gezegd kunnen klanten daar gefrustreerd van raken. Gegevens verrijkt met context verbeteren de klantervaring, doordat organisaties hun klanten zo vollediger kunnen begrijpen en ervoor kunnen zorgen dat ze op de juiste manier worden benaderd. Dit is uiteindelijk een meer mensgerichte aanpak, die bedrijven tijd en geld kan besparen.

AI betrouwbaar houden

Gartner voorspelt dat 40% van de bedrijfsapplicaties dit jaar taakgerichte AI-agenten zal bevatten, tegenover minder dan 5% in 2025. Het tijdperk van agentische AI is aangebroken.

De volledige voordelen van workflows met agentische AI zullen echter niet ten goede komen aan iedereen die in deze technologie investeert. Organisaties die de basis leggen door te zorgen voor een uniforme, contextrijke databasis, zullen de uitkomsten van AI kunnen vertrouwen en snel kunnen opschalen. De rest zal tijd en moeite verspillen aan het voortdurend in de gaten houden van hun nieuwe systemen. Succes hangt er dan ook van af of vanaf dag één een levende contextlaag in de technologiestack voor agentische AI wordt geïntegreerd.