Bedrijven investeren zwaar in AI-agents om hun activiteiten te stroomlijnen, maar veel implementaties leveren geen resultaten in de praktijk op. Het kernprobleem is niet integratie – het is begrip. Agenten worstelen met de inherente dubbelzinnigheid van bedrijfsgegevens, beleid en processen, vaak omdat ze geen gedeelde, consistente definitie van de belangrijkste termen hebben.
Datasilo’s zijn de norm: verkoopteams definiëren ‘klant’ anders dan financiën, productdefinities variëren per afdeling (SKU versus productfamilie versus marketingbundels), en zelfs basisstatistieken zoals ‘productverkoop’ kunnen meerdere interpretaties hebben. Zonder gestandaardiseerde definities kunnen AI-agenten gegevens niet op betrouwbare wijze combineren, wat leidt tot onnauwkeurige inzichten en gebrekkige automatisering. Dit leidt ook tot nalevingsrisico’s, omdat de juiste classificatie van gevoelige gegevens (PII onder AVG of CCPA) afhankelijk is van consistente etikettering en interpretatie.
Hoewel demo’s goed werken, laat de praktijkimplementatie op rommelige bedrijfsgegevens zien dat AI-agenten meer nodig hebben dan alleen toegang tot gegevens – ze moeten begrijpen wat de gegevens betekenen.
De oplossing: een op ontologie gebaseerde bron van waarheid
De sleutel tot het ontsluiten van betrouwbare AI-agenten is het bouwen van een ontologie : een formele, expliciete definitie van bedrijfsconcepten, hun relaties en hiërarchieën. Een ontologie fungeert als één enkele bron van waarheid en zorgt ervoor dat iedereen (en elke AI-agent) de termen consistent begrijpt.
Dit kan domeinspecifiek zijn (zoals financiën of gezondheidszorg) of afgestemd zijn op de interne structuren van een organisatie. Het creëren van een ontologie is een investering vooraf, maar het legt een sterke basis voor agentische AI en standaardiseert bedrijfsprocessen.
Ontologieën kunnen worden opgeslagen in doorzoekbare formaten zoals triplestores of, voor complexere regels, gelabelde eigenschapsgrafieken zoals Neo4j. Bestaande publieke ontologieën (FIBO voor financiën, UMLS voor gezondheidszorg) bieden een startpunt, maar vereisen vaak maatwerk om unieke bedrijfsdetails weer te geven.
Hoe ontologieën AI-agenten aandrijven
Eenmaal geïmplementeerd, wordt een ontologie de leidende kracht voor AI-agenten. U kunt AI vragen de ontologie te volgen bij het ontdekken van gegevens en relaties. De ontologie zelf kan worden blootgelegd via een agentische laag, waardoor agenten deze rechtstreeks kunnen bevragen. Bedrijfsregels en -beleid worden vervolgens ingebed in de ontologie, zodat agenten zich eraan houden.
Deze aanpak vermindert aanzienlijk het risico op hallucinaties veroorzaakt door grote taalmodellen (LLM’s) die de kern vormen van veel AI-systemen. Een agent kan bijvoorbeeld worden geprogrammeerd om een beleid af te dwingen dat stelt dat de status van een lening ‘in behandeling’ blijft totdat voor alle bijbehorende documenten de verificatievlaggen zijn ingesteld op ‘waar’. De agent vraagt de kennisbank om te bepalen welke documenten ontbreken en handhaaft vervolgens de regel.
Een praktische implementatie
Denk eens aan deze architectuur: gestructureerde en ongestructureerde gegevens worden verwerkt door een document intelligence-agent (DocIntel), die een Neo4j-database vult op basis van een bedrijfsspecifieke ontologie. Een data-discovery-agent doorzoekt vervolgens deze grafiek om de juiste gegevens te vinden voor andere AI-agenten die bedrijfsprocessen uitvoeren. Communicatie tussen agenten vindt plaats via protocollen zoals A2A (agent-to-agent), en gebruikersinterfaces worden gebouwd met behulp van opkomende standaarden zoals AG-UI (Agent User Interaction).
Deze methode maakt schaalbare controle over hallucinaties mogelijk door ontologie-gedreven paden af te dwingen en dataclassificaties te onderhouden. Afwijkingen – zoals een gehallucineerde ‘klant’ met niet-verifieerbare gegevens – kunnen gemakkelijk worden opgespoord en geëlimineerd.
Hoewel deze aanpak overhead introduceert (gegevensontdekking, grafische databases), biedt het de noodzakelijke vangrails voor grote ondernemingen om complexe bedrijfsprocessen op betrouwbare wijze te orkestreren.
Concluderend: hoewel de ontwikkeling van AI-agenten snel evolueert, een goed gedefinieerde ontologie is niet optioneel – het is de fundamentele vereiste voor het bouwen van betrouwbare en effectieve AI-oplossingen in de echte wereld.
