Opkomst agentic AI maakt data tot concurrentiewapen
De opkomst van agentic AI maakt het belang van datakwaliteit en datamanagement flink groter, blijkt uit een recente publicatie van CIO.com, in samenwerking met Quest Software. AI agents gebruiken niet langer data binnen afzonderlijke applicaties, maar opereren dwars door CRM-, ERP- en andere platformen heen. Hierdoor worden dataconsistentie tussen applicaties en toegankelijkheid van data voor agents bepalend voor een goede werking van bedrijfsprocessen. De analyse van CIO.com, gebaseerd op gesprekken met analisten en leveranciers, laat ook zien hoe hiermee de hoofdrol langzaam van applicaties naar data verschuift.
Enterprise software is traditioneel per domein ingericht – met gescheiden CRM-, ERP- en integratieomgevingen. Nu ontstaat een laag waarin AI-agents data uit die domeinen samenbrengen. Dat betekent concreet dat op termijn de primaire interactie niet meer via applicaties loopt, stelt CIO.com. Die interactie zal via de data lopen die uit applicaties wordt gehaald en wordt geïnterpreteerd in de context van een agent.
Data-integratie als vereiste voor goede werking van agents
Agentic AI kan alleen functioneren als data uit verschillende enterprise systemen uniform toegankelijk is. Het gaat daarbij om CRM- en ERP-data, maar ook om gegevens uit systemen die deze applicaties verbinden. Grote leveranciers spelen al op deze ontwikkelingen in door de grenzen tussen toepassingen zo veel mogelijk weg te nemen. Voorbeelden hiervan die in het artikel worden genoemd zijn Microsoft Dynamics365 (CRM en ERP), Salesforce met Mulesoft, Data360 en Agentforce, en SAP met Signavio, LeanIX en Joule.
De klassieke scheiding tussen domeindata komt dus onder druk te staan. Data moet niet alleen ontsloten zijn, maar semantisch consistent: dezelfde klant-, order- of KPI-definities moeten over systemen heen gelijk zijn, omdat agents anders onvoorspelbare of minder goede beslissingen nemen.
Orkestratie van datagebruik in plaats van applicatiegebruik
Bovenop bestaande systemen ontstaat zoals gezegd een ‘agentic orchestration layer’. Dit is een laag die bepaalt welk type model of uitvoeringsmechanisme een taak afhandelt, zoals een large language model, een small language model of RPA-componenten. Deze laag stuurt dus niet applicaties aan, maar datagedreven acties binnen en over applicaties heen.
Daarbij wordt context cruciaal. Het Model Context Protocol (MCP) is een open source protocol dat beschrijft hoe AI-modellen contextinformatie zoals metadata, definities en datakoppelingen uitwisselen. Dit betekent dat niet alleen data, maar ook de betekenis en herkomst daarvan voor agents beschikbaar moeten zijn.
Data governance en meetbaarheid van AI-gedrag
Omdat agents zelfstandig data lezen en acties uitvoeren, wordt datagebruik direct meetbaar en herleidbaar. Dat leidt tot verschuivingen in prijsmodellen van seat-based naar usage- of outcome-based pricing. Monitoring van kosten vindt vervolgens niet meer per gebruiker plaats, maar per datastroom of procesuitkomst.
Ook voor data governance zijn er de nodige consequenties: controle verschuift naar het kunnen traceren welke data een agent heeft gebruikt, welke definities zijn toegepast en welke stappen zijn uitgevoerd.
In de bredere context van de markt zullen datakwaliteit, dataconsistentie en de mate waarin AI-agents toegang tot data hebben een concurrentiewapen worden, is de conclusie van de publicatie.
