Naarmate AI steeds verder wordt geïntegreerd in de bedrijfsvoering, kijken organisaties verder dan de mogelijkheden van modellen en benchmarkscores en richten zij zich op nieuwe vraagstukken met betrekking tot de economische aspecten en de waarde van hun gegevens. Op grote schaal zijn het tokenverbruik, de benutting van de infrastructuur en de kosten voor het onderhouden van de context in toenemende mate bepalend voor de vraag of AI-initiatieven duurzame bedrijfswaarde kunnen opleveren.
Tegenwoordig zijn de organisaties die de meeste waarde uit AI halen, wellicht niet de organisaties die de grootste modellen gebruiken. Zij beschikken over de meest diepgaande operationele kennis en zijn in staat deze kennis beschikbaar te stellen wanneer en waar dat nodig is. Dat komt doordat een betere context vaak betekent dat er minder werk nodig is om tot een bruikbaar antwoord te komen. Er zijn minder valse starts en minder overbodige rekenkracht, waardoor AI-systemen efficiënter tot bruikbare resultaten kunnen komen.
OpenAI1 heeft betoogd dat investeringen in AI moeten worden beoordeeld op basis van bedrijfsresultaten en niet louter op basis van het verbruik van tokens. Dat perspectief wijst op een bredere conclusie: de context is in toenemende mate bepalend voor die uitkomsten. Hoe meer relevante context een AI-systeem tot zijn beschikking heeft, hoe minder werk het hoeft te verrichten om zijn doel te bereiken.
Of het nu gaat om een medewerker van de klantenservice of een programmeerassistent: een beperkte context leidt vaak tot meer opvraagcycli, meer redeneringslussen en een hoger verbruik van tokens voordat er een bruikbaar resultaat wordt verkregen. Een rijke context helpt AI om op efficiëntere wijze tot hetzelfde resultaat te komen, waardoor zowel de prestaties als de kostenefficiëntie worden verbeterd.
Vanuit dit economische perspectief wordt er meer aandacht besteed aan de manier waarop gegevens worden benut. Veel van de meest waardevolle AI-toepassingen zijn afhankelijk van toegang tot contextuele informatie. Terwijl traditionele analysesystemen zijn ontworpen om bekende vragen te beantwoorden, kunnen AI-systemen gegevens, kennis en eerder verricht werk hergebruiken in verschillende workflows, teams en toekomstige toepassingen. Het gevolg is dat opgeslagen kennis nog lang nadat het oorspronkelijke doel ervan is bereikt, waarde blijft opleveren.
Het toenemende belang van opgebouwde kennis
In het verleden hield een groot deel van de verzamelde gegevens verband met een specifieke taak. Supporttickets hielpen bij het oplossen van problemen van klanten, technische documenten ondersteunden lopende projecten en rapporten gaven antwoord op dringende zakelijke vragen. Zodra aan die behoeften was voldaan, kreeg de waarde van die gegevens op de lange termijn vaak veel minder aandacht.
Die redenering gaat niet helemaal op voor AI-systemen. Kennis die voor één bepaald doel is opgedaan, kan in geheel andere contexten van grote waarde blijken te zijn. Een ontwerpdocument dat is opgesteld om een technische beslissing in het kader van een bepaald project te onderbouwen, kan later een ander team helpen om de afwegingen te begrijpen, herhaalde fouten te voorkomen of aanverwante werkzaamheden te versnellen. Wat begon als projectdocumentatie, groeit uit tot het institutionele geheugen.
Het oorspronkelijke doel is wellicht niet eens de meest waardevolle toepassing van de gegevens — toekomstige toepassingen zouden er wel eens een nog grotere betekenis aan kunnen geven.
Beslissen wat u wilt bewaren
Deze realiteit dwingt organisaties ertoe om niet alleen opnieuw na te denken over welke gegevens zij moeten opslaan, maar ook over welke kennis, geschiedenis en context beschikbaar moeten blijven voor toekomstige medewerkers, applicaties en AI-systemen.
Opslagkosten, bestuurs- en regelgevingsvereisten zijn nog steeds van invloed op de vraag wat moet worden bewaard, gearchiveerd of vernietigd. AI geeft deze beslissingen een nieuwe invulling naarmate de waarde van gegevens blijft toenemen. Beslissingen over opslaginfrastructuur, die voorheen voornamelijk werden gebaseerd op kosten, naleving van regelgeving of onmiddellijke bedrijfswaarde, moeten voortaan ook rekening houden met toekomstige, nog onbekende kansen.
De meeste bedrijfsgegevens bevinden zich al verspreid over multicloud-, on-premises- en edge-omgevingen. Bovendien maakt ‘data gravity’ het verplaatsen van die informatie vaak onpraktisch of onrendabel, wat een van de redenen is waarom hybride implementatiemodellen de norm zijn geworden voor veel organisaties die AI toepassen.
Het beheer van gegevens in hybride omgevingen brengt echter ook een grotere uitdaging met zich mee: bepalen welke gegevens het bewaren waard zijn en waar deze thuishoren. Op dit punt zien veel organisaties een steeds grotere kloof ontstaan tussen de waarde van hun gegevens en de manier waarop beslissingen over het bewaren ervan nog steeds worden genomen. Gegevens worden vaak in de eerste plaats beschouwd als een kostenpost die moet worden beheerd, terwijl AI deze omzet in een troef voor toekomstige toepassingen en kansen.
Dat is een belangrijke reden waarom een schaalbaar, robuust systeem voor gegevensregistratie belangrijker is dan ooit. Bedrijven hebben behoefte aan gegevensarchitecturen die een overzicht bieden van de institutionele kennis, de operationele geschiedenis en door AI gegenereerde informatie. Voor velen betekent dit dat zij hybride benaderingen moeten omarmen waarbij gegevens kunnen blijven waar dat vanuit het oogpunt van governance, prestaties, soevereiniteit of economische overwegingen nodig is, terwijl die informatie toch beschikbaar blijft voor AI-systemen.
De economische aspecten van harde schijven
Naarmate AI-agenten steeds autonomer worden, zullen zij veel meer context genereren en verwerken dan traditionele applicaties. In deze omgeving kan elke interactie, elke workflow, elke beslissing en elk resultaat deel gaan uitmaken van de steeds groter wordende verzameling herbruikbare kennis van een organisatie.
IDC verwacht zelfs dat de jaarlijkse gegevensproductie tussen 2025 en 2030 meer dan verdrievoudigd zal zijn, van 218 zettabytes in 2025 tot meer dan 718 zettabytes in 2030, waarbij agentische AI wordt aangemerkt als een steeds belangrijkere bron van door machines gegenereerde gegevens.²
Zelfs als organisaties slechts een fractie van die informatie bewaren, neemt de omvang al snel enorme proporties aan. De uitdaging bestaat niet langer louter uit het verzamelen van gegevens. Organisaties moeten vaststellen welke kennis moet worden bewaard en ervoor zorgen dat deze op het juiste moment en op de juiste plaats toegankelijk blijft. Naarmate organisaties steeds grotere hoeveelheden contextgegevens voor medewerkers, applicaties en AI-systemen opslaan, wordt de kostenefficiëntie van opslag steeds belangrijker.
Naast het verlagen van de kosten maken de economische aspecten van opslag het praktisch mogelijk om kennis te bewaren en te raadplegen op de schaal die AI-systemen vereisen. Objectopslagarchitecturen die ten grondslag liggen aan moderne cloudplatforms zijn op basis van deze realiteit ontwikkeld, waarbij software voor gegevensbeheer wordt gecombineerd met een opslaginfrastructuur die in staat is om gegevens op grote schaal duurzaam te bewaren. Dankzij deze architecturale aanpak kunnen organisaties kennis vastleggen en hergebruiken, ongeacht of deze afkomstig is van medewerkers, applicaties of AI-systemen.
De waarde van gegevens houdt niet langer op zodra de oorspronkelijke taak is voltooid. Informatie die toegankelijk blijft, kan bijdragen aan toekomstige vraagstukken, werkprocessen en kansen. Aangezien AI-systemen in toenemende mate steunen op opgebouwde kennis en context, kan wat organisaties bewaren net zo belangrijk worden als wat zij creëren. Alleen door te bepalen welke informatie in de toekomst van belang zal zijn – en ervoor te zorgen dat deze toegankelijk blijft – kan deze informatie waarde blijven creëren. Informatie die verdwijnt, krijgt nooit ook maar een kans.
Lees meer: Ontdek hoe ‘persistent context’ AI-systemen ingrijpend verandert.
Voetnoten
- https://openai.com/index/managing-ai-investments-in-agentic-era
- IDC, Marktprognose: IDC Global DataSphere-prognose, 2026–2030, juni 2026
-v4.png/_jcr_content/renditions/4-3-medium-688x516.png)
