AI-agents falen zonder de juiste datafundering

Sophie Jansen · 2026-06-11

Als je jouw organisatie helpt om AI-agents in te zetten om processen te versnellen, moet je bij de basis beginnen. Dat betekent dat je data beschikbaar moet maken voor AI-gebruik. Agentische AI schaalt op de sterkte van je data, legt Niels Zeilemaker, global CTO bij Xebia, uit. "Als je daar niet over nadenkt, kun je de beste agent bouwen, maar die zal nooit de juiste data vinden. Hij kan data verkeerd interpreteren of velden samenvoegen die nooit verbonden mogen worden," zegt Zeilemaker. "En die fouten liggen niet per se aan de agent. Ze liggen aan jouw fundament, dat niet klaar is voor AI-agents." ### Waarom datacatalogi cruciaal zijn Een belangrijk aandachtspunt is datacatalogisering. Het is geen nieuw concept, maar voor AI-agents verandert het spel. "Als je een datacatalogus opzet voor een organisatie met alleen mensen, is er altijd een vangnet," legt hij uit. "Als iets niet goed is gedocumenteerd, kun je een collega bellen of langsgaan. Dat is een achterdeur. Agents hebben die achterdeur niet. Ze moeten vertrouwen op wat er in de catalogus staat. Als de beschrijving fout is, presteren de agents niet." ### Kennis delen als drijvende kracht Xebia helpt organisaties om AI-strategie om te zetten in productieklare oplossingen die echte transformatie versnellen. De kernwaarden zijn mensen eerst en kwaliteit zonder compromis, maar kennis delen is misschien wel het belangrijkste. Zeilemaker: "Kennis delen stelt ons in staat om voorop te lopen en snel nieuwe marktveranderingen te omarmen. Iedereen is gretig om nieuwe dingen te ontdekken en te delen wat werkt en wat niet." Op AI & Big Data Expo vertelde Zeilemaker hoe je een AI-fundament bouwt en gefragmenteerde datalandschappen verenigt. Door AI-agents te combineren met expert engineering, wordt een tijdlijn van 12 tot 24 maanden teruggebracht naar een vast prijsengagement met mijlpalen. ### Agentic Data Foundation: de sleutel tot succes Het overkoepelende concept heet Agentic Data Foundation (ADF). Het breidt het dataplatform uit om agents te hosten, zowel voor klantgerichte toepassingen als interne processen. Xebia ziet steeds meer klanten die sneller en betrouwbaarder naar moderne platforms willen migreren. Zeilemaker benadrukt dat consultant en klant samen de oplossing ontwikkelen. "Na migraties op de ouderwetse manier, en versneld met LLM-codering, integreren we dit nu in het dataplatform. We gebruiken de extra context om migraties nog verder te versnellen," zegt hij. Die ervaring leidde tot Xebia Axis: Agentic Data Foundation, Xebia's antwoord om data sneller AI-ready te maken. ### Xebia ACE: AI-native software engineering Een ander wapen is Xebia ACE: AI-Native Software Engineering. Dit framework integreert AI in de hele softwareontwikkelingscyclus (SDLC). Goed toegepast kan de levering tot 40% versnellen en legacy-transformatiekosten met 70% verlagen. Zeilemaker merkt op dat Xebia ACE vooral nuttig is voor grote ondernemingen die vasthouden aan specifieke governance of werkwijzen. ### Conclusie: bouw een solide datafundering Kortom, zonder een goede datafundering zullen AI-agents falen. Datacatalogi moeten nauwkeurig zijn, want agents hebben geen achterdeur. Xebia's aanpak, met ADF en ACE, biedt een bewezen pad naar snelle, betrouwbare AI-implementatie. Begin bij de basis, en je AI-agents zullen floreren.