Lovelace en Gemini Enterprise willen AI leren navigeren door de datadoolhof van bedrijven
Bedrijven beschikken vandaag over meer data dan ooit. Documenten, klantgegevens, productinformatie, databanken en interne kennis stapelen zich op in steeds grotere digitale silo’s. Voor AI-agenten ontstaat daardoor een merkwaardige paradox: de informatie is aanwezig, maar het blijft bijzonder moeilijk om precies de juiste context te vinden en efficiënt te gebruiken.
Lovelace wil daar samen met Google Cloud en Gemini Enterprise verandering in brengen. In plaats van AI simpelweg toegang te geven tot almaar grotere hoeveelheden ruwe bedrijfsdata, wordt die informatie eerst omgevormd tot een gestructureerde contextlaag. Het doel: AI-agenten laten zoeken, redeneren en antwoorden op basis van beter georganiseerde en controleerbare informatie.
Het probleem is niet langer een gebrek aan data
Generatieve AI wordt vaak voorgesteld als een kwestie van betere modellen. In de bedrijfswereld ligt een minstens even grote uitdaging echter bij de data waarop die modellen moeten werken.
Bedrijfsinformatie bevindt zich verspreid over verschillende systemen en wordt zelden op dezelfde manier beschreven of gestructureerd. Namen kunnen anders geschreven zijn, documenten kunnen elkaar tegenspreken en dezelfde klant, leverancier of organisatie kan in verschillende databronnen als verschillende entiteiten voorkomen.
Voor een menselijke medewerker is die chaos soms nog te doorgronden. Voor een autonome AI-agent die in seconden beslissingen moet nemen, wordt dat een veel groter probleem.
Meer data naar een taalmodel sturen is bovendien niet automatisch de oplossing. Hoe groter de context, hoe meer tokens moeten worden verwerkt. Daardoor kunnen kosten oplopen terwijl relevante informatie alsnog verloren gaat tussen duizenden minder belangrijke gegevens.
Van ruwe bedrijfsdata naar een context-engine
Lovelace kiest daarom voor een andere aanpak. Het platform wil ruwe en gefragmenteerde informatie automatisch omzetten in sterk gestructureerde, doorzoekbare kennis.
Centraal daarin staan zogenaamde context-engines. Die organiseren bedrijfsinformatie in kennisgrafieken waarin niet alleen losse gegevens worden opgeslagen, maar ook de relaties tussen personen, bedrijven, producten, gebeurtenissen en andere entiteiten.
Voor een AI-agent verandert daardoor de manier waarop informatie wordt opgezocht. In plaats van telkens grote hoeveelheden documenten te moeten doorzoeken, kan de agent gerichter navigeren door een vooraf opgebouwde structuur van feiten en verbanden.
Dat kan vooral interessant worden wanneer bedrijven tientallen of honderden databronnen met elkaar willen verbinden.
Gemini Enterprise krijgt een beter kompas
De samenwerking met Google Cloud moet deze contextlaag bruikbaar maken binnen omgevingen waarin Gemini Enterprise en autonome AI-agenten actief zijn.
Het uitgangspunt is eenvoudig: een krachtige AI-agent is slechts zo bruikbaar als de context die hij krijgt. Wanneer die context onvolledig, dubbelzinnig of foutief gekoppeld is, kan zelfs een geavanceerd model verkeerde conclusies trekken.
Lovelace combineert bedrijfsgegevens daarom met externe feiten en technologie voor entiteitsresolutie. Daarmee probeert het systeem bijvoorbeeld te herkennen dat verschillende schrijfwijzen, databronnen of records eigenlijk naar dezelfde organisatie of persoon verwijzen.
De AI hoeft daardoor minder zelf te gokken welke gegevens bij elkaar horen.
Lovelace claimt 100% nauwkeurigheid
Lovelace legt daarbij opvallend ambitieuze cijfers op tafel. Volgens het bedrijf kunnen AI-agenten met zijn technologie grote bedrijfsdatasilo’s doorzoeken met 100% nauwkeurigheid, terwijl de benodigde tokenkosten tot 100 keer lagerkunnen liggen.
Dat zijn claims van Lovelace zelf en ze moeten daarom binnen die context worden bekeken. Toch illustreren ze een belangrijke ontwikkeling in enterprise-AI: efficiëntie wordt steeds minder uitsluitend bepaald door de kracht van het onderliggende taalmodel.
De manier waarop informatie vóór een AI-opdracht wordt geselecteerd, gestructureerd en aangeleverd, kan minstens zo belangrijk worden.
Minder tokens, meer relevante context
Dat kostenaspect wordt belangrijker naarmate bedrijven meer autonome agenten inzetten. Eén chatbot die af en toe een document analyseert, veroorzaakt een heel ander verbruiksprofiel dan tientallen AI-agenten die voortdurend bedrijfsinformatie raadplegen.
Wanneer iedere agent telkens duizenden pagina’s context naar een model moet sturen, kunnen tokenkosten snel toenemen. Een context-engine probeert dat proces om te draaien. Niet meer informatie naar het model sturen, maar vooraf bepalen welke informatie daadwerkelijk nodig is.
Het taalmodel krijgt dan een compacte, relevante context in plaats van een digitale hooiberg waarin het zelf naar de spreekwoordelijke speld moet zoeken.
Verifieerbaarheid wordt cruciaal voor autonome agenten
Er speelt nog een tweede verschuiving. Bij klassieke generatieve AI kon een gebruiker een antwoord lezen en vervolgens zelf controleren of het logisch was. Naarmate AI-agenten zelfstandiger taken uitvoeren, wordt die menselijke controle minder vanzelfsprekend.
Een agent kan informatie verzamelen, analyseren, doorgeven aan andere agenten en uiteindelijk acties uitvoeren in bedrijfssystemen. Een fout vroeg in die keten kan daardoor verder worden verspreid. Lovelace probeert daarom niet alleen antwoorden te genereren, maar onderzoeksresultaten te leveren die herleidbaar en verifieerbaar zijn.
Dat verschil kan belangrijk worden. Enterprise-AI evolueert daarmee van systemen die vooral overtuigende antwoorden produceren naar infrastructuur die moet kunnen aantonen waarom een antwoord betrouwbaar genoeg is om er een volgende actie op te baseren.
De contextlaag wordt een nieuw strijdtoneel voor enterprise-AI
De ontwikkeling rond Lovelace en Gemini Enterprise laat daarmee een bredere beweging zien. De volgende fase van AI binnen bedrijven draait niet uitsluitend om grotere modellen of meer autonome agenten.
Er ontstaat een nieuwe infrastructuurlaag tussen bedrijfsdata en AI. Die laag moet informatie verzamelen, structureren, koppelen, controleren en vervolgens precies genoeg context aan een model of agent aanbieden. RAG-systemen, kennisgrafieken, entiteitsresolutie en context-engines beginnen daardoor steeds meer in elkaar over te lopen.
Voor bedrijven kan juist daar een belangrijk verschil ontstaan tussen een AI-agent die toegang heeft tot data en een AI-agent die daadwerkelijk begrijpt welke data op welk moment relevant is. De hoeveelheid beschikbare informatie is dan niet langer de belangrijkste troef. Het vermogen om die informatie betrouwbaar, efficiënt en controleerbaar aan AI beschikbaar te stellen, wordt minstens zo belangrijk.
