Elke krach­tige nieuwe techno­logie doorloopt verschil­lende fases voordat we op grote schaal de vruchten kunnen plukken. Dit zien we ook met breed toegan­ke­lijke AI-tools. De hype maakt inmid­dels plaats voor realis­ti­sche projecten, met duide­lijk omschreven zakelijke doelen rond een nieuwe generatie AI-oplossingen. 

Agentic AI staat hierbij wereld­wijd in de schijn­wer­pers. Kort gezegd, is dit een extra, op concrete use cases gerichte gebruik­slaag bovenop de grote Large Language Models (LLM). Ondanks hun enorme hoeveel­heid gebun­delde kennis, worstelen deze modellen namelijk vaak met een context gap. Ze hebben simpelweg te weinig ‘inzicht’ in de speci­fieke enter­prise omgeving waar ze worden ingezet.

Die beper­king markeert het start­punt van een reeks verschui­vingen die zicht­baar worden in hoe organi­sa­ties AI inzetten. Hieronder volgen de belang­rijkste trends die deze nieuwe fase van zakelijk AI-gebruik vormgeven.

Trend 1: De opkomst van context engineering

Nu organi­sa­ties AI Agents op grotere schaal gaan inzetten, ontstaat een funda­men­tele verschui­ving in de manier waarop deze systemen worden aange­stuurd. AI Agents hebben het vermogen om zelfstandig infor­matie te verza­melen en analy­seren, en zo zonder constante mense­lijke sturing naar een doel toe te werken. Omdat deze Agents autonoom opereren, is tradi­ti­o­neel prompt enginee­ring niet langer voldoende. De echte onder­schei­dende factor is context enginee­ring.

Context enginee­ring richt zich op het op het juiste moment beschik­baar maken van de meest relevante, hoogwaar­dige infor­matie voor een AI Agent.  Dat is niet eenvoudig. Die data is immers vaak verspreid over talloze bronnen met gestruc­tu­reerde en ongestruc­tu­reerde data: van databases, documenten, e‑mails en CRM-systemen tot Slack-berichten, social media posts, logbe­standen en transactiedata. 

Om dat makke­lijker te maken, werken veel Agentic-systemen met een vast protocol, zoals het Model Context Protocol (MCP) of A2A. Deze ‘gemeen­schap­pe­lijke taal’ geeft de Agents op uniforme manier toegang tot alle benodigde databronnen, tools en systemen waar mogelijk relevante infor­matie aanwezig is. De Agent moet dan echter wel eerst precies weten welke infor­matie écht iets toevoegt. 

Veel AI-voorlo­pers werken daarom met Elastic­search. Deze ‘open source zoek- en analy­tics-engine’ slaat elk stukje beschik­bare data op in een context van gerela­teerde infor­matie. Dat maakt het veel makke­lijker om snel logische verbanden te leggen. Elastic­search heeft boven­dien ook een krach­tige eigen query­taal, waarmee het zoeken in grote hoeveel­heden veelsoor­tige data nog sneller gaat. 

Trend 2: samenbrengen van AI-functies als Legoblokjes

Wereld­wijd staan direc­ties en IT-afdelingen onder grote druk om hiervoor snel concrete use cases te ontwik­kelen. De maatwerk­ont­wik­ke­ling is echter vaak kostbaar en tijdrovend. 

Als reactie hierop bieden toonaan­ge­vende techbe­drijven nu AI-functi­o­na­li­teit aan als afzon­der­lijke, vooraf gebouwde compo­nenten, verge­lijk­baar met ‘Lego-blokjes’. Deze modulaire aanpak stelt zakelijke gebrui­kers en ontwik­ke­laars in staat functies zoals retrieval, berekenen, redeneren en guard­rails te combi­neren om zelfstandig complexe AI-oplos­singen samen te stellen.

Stel dat een finan­ciële instel­ling een tool nodig heeft om private bankers te helpen bij het identi­fi­ceren van klanten die risico lopen tijdens een markt­crash. In plaats van maanden­lang maatwerk code te schrijven, maakt een ontwik­ke­laar gebruik van een Agent Builder. Hiermee kunnen ze de oplos­sing stukje voor stukje samen­stellen: een retrieval-compo­nent om klanten portfolio’s te doorzoeken, een  calcu­latie-compo­nent om risico’s te scoren, een memory-compo­nent die weet welke klanten eerdere waarschu­wingen hebben genegeerd, en een  reaso­ning engine-compo­nent om de relatie tussen liqui­di­teit en histo­ri­sche gegevens te analy­seren. Ten slotte voegen ze een guard­rails-compo­nent toe om ervoor te zorgen dat de AI nooit onomkeer­bare acties aanbe­veelt zonder mense­lijke goedkeuring.

In een fractie van de gebrui­ke­lijke tijd imple­men­teert de ontwik­ke­laar een veilige, volledig functi­o­nele “Risk Assis­tant”. De private banker hoeft niet langer handmatig complexe gegevens te doorzoeken. Hij kan gewoon met deze tool chatten en vragen: “Welke klanten lopen op dit moment het meeste risico?” De Agent verwerkt de complexi­teit op de achter­grond en levert onmid­del­lijk inzichten die de bedrijfs­waarde verhogen.

Dit hypothe­ti­sche voorbeeld illustreert duide­lijk de kracht van een Agent Builder. Door het creëren van intel­li­gente tools te vereen­vou­digen en te versnellen, stelt het zelfs niet-techni­sche gebrui­kers in staat om waarde­volle inzichten te halen uit grote en complexe datasets, en zo nieuwe vormen van bedrijfs­waarde te ontsluiten die eerder buiten bereik lagen.

Trend 3: snelheid in de strijd met AI-gestuurde cyberaanvallen

Krach­ti­gere AI en toene­mende behoefte aan snelle toegang tot waarde­volle data betekent onver­mij­de­lijk ook grotere veiligheidsrisico’s. Het Elastic 2025 Global Threat Report consta­teert dat de inzet van Large Language Models het afgelopen jaar leidde tot een ‘ongekende’ groei van het aantal cyber­aan­vallen. De snelheid van de aanval is daarbij steeds vaker de doorslag­ge­vende factor. 

Kortge­zegd hebben cyber­cri­mi­nelen dankzij hun gebruik van AI-techno­logie steeds minder tijd nodig om hun doel te bereiken. Ondanks de voort­schrij­dende automa­ti­se­ring leunen veel cyber­se­cu­rity systemen nu nog op mense­lijke analisten. In de tijd die zij nodig hebben om te bepalen wat er precies gebeurt bij een nieuw soort aanval, hebben de cyber­cri­mi­nelen vaak al succes behaald. 

Wie zich hier succesvol tegen wil verweren, kan niet zonder de snelheid van een AI-gestuurde reactie. In tegen­stel­ling tot tradi­ti­o­nele, op regels gebaseerde (‘rule based’) systemen, leert adaptieve AI-gestuurde software razend­snel van het gedrag van een nieuwe dreiging. Een AI-gedreven tool zoals Attack Disco­very kan daardoor het doel en toekom­stige acties van de kwaad­aar­dige software voorspellen, en zonder mense­lijke tussen­komst reageren om de dreiging te neutraliseren.

Ook hier ligt mogelijk een grote toekom­stige rol voor AI Agents. Van een security analist die een agent bouwt voor incident response, tot een data team dat zijn agents 24/​7 laat speuren naar data quality issues.

De nieuwe evolutiefase van AI

Zo ontstaat een nieuwe evolu­tie­fase van AI-techno­logie: een fase waarin profes­si­o­nals niet langer afhan­ke­lijk zijn van standaard­mo­dellen of losse experi­menten, maar zelf de regie nemen door hun eigen Agents te ontwerpen, te trainen en te optima­li­seren. AI veran­dert daarmee van een hulpmiddel in een strate­gisch middel die bedrijfs­voe­ring, besluit­vor­ming en innovatie versnelt.

Organi­sa­ties die deze stap nú zetten, bouwen een voorsprong die moeilijk is in te halen. Zij kunnen sneller beslissen, beter inspelen op risico’s en effici­ënter waarde uit data halen. Agentic AI en context enginee­ring vormen daarmee de ruggen­graat van het volgende AI-tijdperk: een tijdperk waarin AI niet langer een belofte is, maar een directe bron van meetbare zakelijke impact.