Databricks State of AI Agents: multi-agentsystemen nemen het over
Organisaties gaan een nieuwe fase van AI-adoptie in. Ze richten zich niet meer op pilots en chatbots, maar op agentic systemen die kunnen redeneren, plannen en handelen binnen echte bedrijfsprocessen. Dit blijkt uit Databricks State of AI Agents 2026, een jaarlijks rapport gebaseerd op geaggregeerde, geanonimiseerde gebruiksdata van ruim 20.000 Databricks klanten wereldwijd en onderzoekt hoe AI-agents worden ingezet in productieomgevingen.
Volgens Kevin Jonkergouw, VP Benelux bij Databricks, laat dit rapport zien dat AI-agents het begin zijn van een tweede golf in enterprise-AI – van experimenteren naar uitvoeren. Discussies gaan niet langer over welk model het beste is, maar over hoe snel we AI kunnen omzetten in meetbare resultaten in klantbeleving, operaties en nieuwe inkomstenstromen. De bevindingen tonen een sterke versnelling zien in het gebruik van multi-agent-oplossingen, naast een groeiende focus op governance, agent-evaluatie en enterprise-waardige infrastructuur.
De volgende stap voor zakelijke AI: multi-agentsystemen
Organisaties maken de stap van eenmalige conversatie-interfaces naar multi-agentsystemen die zelfstandig complexe workflows kunnen plannen, coördineren en uitvoeren. AI-chatbots blijven een belangrijke fundamentele use case, maar de snelste groei komt nu van gespecialiseerde agents die samenwerken aan domeinspecifieke taken:
Het gebruik van multi-agent-workflows op het Databricks-platform is in slechts vier maanden (van juni tot en met oktober 2025) met 327% gegroeid.
Technologiebedrijven (digital natives) bouwen bijna vier keer zo vaak multi-agentsystemen als andere sectoren, wat hun vroege volwassenheid in enterprise-AI weerspiegelt.
AI maakt deel uit van kritieke workflows in alle sectoren
Het rapport laat zien dat koplopers een multi-model-strategie hanteren voor hun AI-agents. Zij gebruiken verschillende modellen voor verschillende taken en voorkomen zo lock-in. Een open, uniform platform dat alle belangrijke modellen kan ondersteunen, wordt een cruciale randvoorwaarde voor deze aanpak. Door modellen te combineren, kunnen organisaties een breed scala aan use cases afdekken – van supply chain-beheer en vraagvoorspelling tot onderzoek, diagnostiek en ondersteuning bij gepersonaliseerde medische behandelingen.
Alle organisaties kiezen voor een pragmatische benadering van AI: zij lossen concrete sectorspecifieke uitdagingen op, zoals:
Manufacturing & Automotive – voorspellend onderhoud (35%);
Retail & Consumer Goods – marktinzicht- en onderzoek (14%);
Health & Life Sciences – medisch literatuuronderzoek (23%).
40% van de belangrijkste AI-use cases richt zich op praktische klantvraagstukken, zoals klantondersteuning en onboarding.
Bedrijven gebruiken steeds vaker meerdere LLM-modelfamilies (zoals ChatGPT, Claude, Llama en Gemini) naast elkaar. Ze koppelen use cases aan de modellen die het beste presteren voor een specifieke taak en behouden zo flexibiliteit in leverancierskeuze.
In oktober 2025 gebruikte 78% van de Databricks-klanten twee of meer modelfamilies, terwijl het aandeel dat drie of meer modellen gebruikt steeg van 36% in augustus naar 59% in oktober. De retailsector zet het vaakst meerdere modellen in: 83% van de bedrijven in deze sector gebruikt twee of meer modellen.
In totaal wordt 96% van alle AI-verzoeken die in het rapport zijn waargenomen, in realtime verwerkt. Dit voedt interactieve AI-ervaringen zoals copilots, klantenservice-assistenten en personalisatie-engines.
AI-evaluatietools en governance zijn de bouwstenen van productie
Hoewel AI-tools breed zijn omarmd, lukt het de meeste Gen AI-initiatieven nog maar beperkt om aantoonbare bedrijfsimpact te realiseren. Extern onderzoek van MIT Nanda toont aan dat 95% van de Gen AI-pilots in 2025 nooit de stap naar productie haalde. In dat kader identificeert Databricks twee belangrijke factoren die succesvolle organisaties onderscheiden bij de stap van experimenteren naar echte productie:
Bedrijven die actief AI-governance toepassen, zetten twaalf keer zoveel AI-projecten in productie. Geïntegreerde governance bepaalt hoe data wordt gebruikt, stelt duidelijke vangrails in en legt verantwoordelijkheden vast.
Klanten die evaluatietools inzetten, brengen zes keer zoveel AI-projecten naar productie. Dit zijn raamwerken die de kwaliteit en betrouwbaarheid van AI-modellen meten, testen en verbeteren in alle fasen van de uitrol.
Agents staan aan het roer van database-activiteiten
Naarmate agentic systemen breder worden ingezet, verandert de manier waarop data-infrastructuur wordt gebouwd en beheerd op fundamentele wijze. Agents zijn niet langer alleen een laag bovenop bestaande systemen, maar worden steeds vaker verantwoordelijk voor het creëren en beheren van de data-omgevingen zelf:
AI-agents maken nu 80% van de databases, tegen vrijwel nul nog maar twee jaar geleden.
97% van de test- en ontwikkelomgevingen voor databases wordt inmiddels door AI-agents opgebouwd. Agents verkorten de tijd die nodig is om databases te klonen, aftakken en testen drastisch en ondersteunen zo sneller experimenteren en uitrollen.
Met de opkomst van ‘vibe coding’ kunnen zakelijke gebruikers zonder diepgaande technische expertise ook zelf AI-apps bouwen en zo bijdragen aan de democratisering van AI binnen het hele bedrijf. Sinds de Public Preview van Databricks Apps zijn er al meer dan 50.000 data- en AI-apps gemaakt, met een groei van 250% in de afgelopen zes maanden.
