Moderne bedrijven bewaren hun kennis niet op één enkele plek. Cruciale feiten over klanten, contracten en financiële prestaties leven in gestructureerde databases, waar gegevens zijn georganiseerd in rijen en kolommen. Ondertussen bevinden de verhalen achter die cijfers — incidentrapporten, beleidsdocumenten en operationele logs — zich in ongestructureerde tekstbestanden, spreadsheets en PDF's. Decennialang hebben kunstmatige intelligentiesystemen geprobeerd deze kloof te overbruggen. Eén type systeem, bekend als retrieval-augmented generation, blinkt uit in het vinden van antwoorden binnen enorme bibliotheken van tekst, maar kan niet de nauwkeurige berekeningen uitvoeren die een database vereist. Een ander type, in staat om menselijke vragen te vertalen naar databasequeries, kan getallen verwerken, maar kan geen beleidshandboek lezen of de volgorde van gebeurtenissen in een narratief rapport begrijpen. Deze scheiding dwingt bedrijven om te kiezen tussen nauwkeurigheid en context, wat hen vaak onvolledige antwoorden laat op complexe vragen die beide vereisen.

Een nieuwe aanpak, gedetailleerd in recent onderzoek door Harshil Lodhiya van Sliced Health, stelt een verenigde oplossing voor die bedrijfsbreed kennis behandelt als één enkel, onderling verbonden ecosysteem in plaats van een verzameling geïsoleerde silo's. De onderzoeker introduceert een systeem genaamd de Self-Optimizing Enterprise RAG+SQL Knowledge Agent. Dit is niet louter een hulpmiddel dat zoekt naar tekst of code schrijft; het is een middleware-architectuur ontworpen om te fungeren als een centrale dirigent voor diverse informatiebronnen. Het neemt een vraag in natuurlijke taal, breekt deze af in specifieke taken, en orkestreert vervolgens een reeks acties: het ophalen van relevante documenten, het doorlopen van een kaart van relaties tussen gebeurtenissen, en het uitvoeren van nauwkeurige databasequeries. Cruciaal is dat het systeem niet stopt bij het genereren van een antwoord. Het monitort continu zijn eigen prestaties en leert van elke interactie om te verbeteren hoe het tools selecteert, informatie ophaalt en zijn werk valideert. Het resultaat is een systeem dat vragen kan beantwoorden zoals: "Welke klanten die getroffen zijn door de uitval van vorige week hebben ook premium ondersteuning in hun contracten?" door tegelijkertijd het incidentrapport te lezen, de database te controleren op getroffen accounts en de contractvoorwaarden te verifiëren, terwijl het er tegelijkertijd voor zorgt dat het uiteindelijke antwoord veilig, accuraat en volledig onderbouwd is.

De kerninnovatie ligt in de manier waarop het systeem zijn werk plant voordat het begint. In plaats van één kunstmatig intelligentiemodel te vragen om het antwoord te raden, deelt de agent de gebruikersvraag eerst op in een getypeerd bewijsplan. Dit plan is een gestructureerde sequentie van operaties, vergelijkbaar met een checklist voor een deskundig onderzoeker. Voor een complexe query kan de agent eerst de specifieke incident in een log identificeren, vervolgens die informatie gebruiken om de relevante klantnamen te vinden, en tot slot die namen gebruiken om een database te filteren voor contractdetails. Aan elke stap in dit plan wordt een specifieke tool toegewezen: één voor het lezen van tekst, een andere voor het navigeren door een graaf van relaties, en een derde voor het schrijven en uitvoeren van databasecommando's. Door de planningsfase te scheiden van de uitvoeringsfase, zorgt het systeem ervoor dat elk stukje informatie dat het verzamelt relevant is en dat de logica die ze verbindt controleerbaar is. Deze structuur voorkomt dat het systeem feiten hallucineert of ononderbouwde sprongen maakt, aangezien elke claim in het uiteindelijke antwoord moet worden ondersteund door een specifiek stuk bewijs dat tijdens het proces is verzameld.

Om de enorme en diverse aard van bedrijfsgegevens aan te pakken, hanteert het systeem een hybride ophaalstrategie die drie verschillende methoden combineert. Het gebruikt dense vector search om tekst te vinden die semantisch vergelijkbaar is met de vraag, zelfs als de woorden niet exact overeenkomen. Het maakt gebruik van lexicale matching om exacte termen te vinden, wat essentieel is voor specifieke codes of namen. Het belangrijkste is dat het een graaf-gebaseerde aanpak gebruikt om relaties te begrijpen. In deze graaf zijn gebeurtenissen, documenten en databaserecords met elkaar verbonden. Als een vraag gaat over de keten van gebeurtenissen die leidde tot een fout, kan het systeem deze graaf doorlopen om het causale pad te volgen van de initiële fout naar de uiteindelijke impact, in plaats van alleen op trefwoorden te zoeken. Dit stelt de agent in staat om complexe narratieven te reconstrueren, zoals de reeks gebeurtenissen achter een mislukte betalingsbatch, door de punten te verbinden tussen een log-entry, een beleidsschending en een specifieke database-rij.

Veiligheid en nauwkeurigheid worden afgedwongen door strikte validatiestappen die plaatsvinden voordat er een definitief antwoord aan een gebruiker wordt gepresenteerd. Wanneer het systeem een databasequery genereert, voert het deze niet simpelweg uit. Het controleert de query eerst tegen een ingeperkte versie van het databaseschema, om er zeker van te zijn dat het alleen toegang heeft tot tabellen en kolommen waar de gebruiker toestemming voor heeft. De query wordt vervolgens getest in een read-only sandbox, een veilige omgeving waar het kan worden uitgevoerd zonder het risico dat er gegevens worden gewijzigd of verwijderd. Het systeem verifieert of de query syntactisch correct is en of de resultaten zin geven binnen de context van de vraag. Als een query niet voldoet aan de validatie of als het opgehaalde bewijs onvoldoende is, is het systeem ontworpen om te onthouden een antwoord te geven in plaats van te gokken. Het zal in plaats daarvan uitleggen welke informatie ontbreekt of waarom het niet verder kan gaan, een functie die cruciaal is voor het behoud van vertrouwen in omgevingen met hoge belangen, zoals de financiële sector of compliance.

Misschien wel het meest dynamische aspect van deze architectuur is het vermogen tot zelfoptimalisatie. Het systeem werkt als een closed-loop control problem, waarbij het voortdurend zijn gedrag aanpast op basis van feedback uit de echte wereld. Terwijl het systeem duizenden queries verwerkt, verzamelt het telemetriegegevens met betrekking tot de kosten, snelheid en nauwkeurigheid van zijn beslissingen. Het houdt bij welke modellen het beste presteerden voor specifieke soorten taken, welke ophaalmethoden de meest relevante documenten opleverden, en waar validatiedrempels aangepast moesten worden. Met behulp van deze gegevens werkt het systeem automatisch zijn interne beleid bij. Als een bepaal kunstmatig intelligentiemodel na verloop van tijd trager of minder nauwkeurig wordt, leert het systeem om minder taken naar dat model te routeren. Als een bepaat type documentextractie consequent faalt om de juiste informatie te vinden, past het systeem zijn zoekgewichten aan om andere methoden te prioriteren. Deze continue leercyclus zorgt ervoor dat de agent niet statisch blijft, maar evolueert samen met het veranderende landschap van bedrijfsgegevens, gebruikersbehoeften en beschikbare technologie.

Het onderzoek schetst een praktisch blauwdruk voor het bouwen van een dergelijk systeem met behulp van bestaande, robuuste technologieën. Het suggereert het gebruik van standaard relationele databases voor het opslaan van metadata en grafenstructuren, naast vector databases voor het beheren van tekst-embeddings. De architectuur is modulair, waardoor organisaties individuele componenten kunnen adopteren, zoals schema-bewuste query-translatie of event graph reasoning, voordat ze de volledige zelfoptimaliserende loop integreren. Deze flexibiliteit betekent dat zelfs gedeeltelijke implementaties aanzienlijke waarde kunnen bieden door de nauwkeurigheid van specifieke taken te verbeteren, zoals het genereren van database-rapporten of het samenvatten van incidentlogs. Het uiteindelijke doel is niet om menselijke analisten te vervangen, maar om hen te voorzien van een krachtige, betrouwbare assistent die de complexiteit van moderne bedrijfsgegevens kan navigeren en gefragmenteerde data kan omzetten in coherente, actiegerichte inzichten.

De bevindingen suggereren dat het behandelen van bedrijfsgerichte vraagbeantwoording als een multi-tool control problem, in plaats van een eenvoudige tekstzoekopdracht, een weg biedt naar betrouwbare kunstmatige intelligentie in het bedrijfsleven. Door de sterke punten van tekstretrieval, graafredenering en database-executie te combineren binnen een enkel, zelfcorrigerend kader, adresseert het systeem de fundamentele beperkingen van eerdere benaderingen. Het erkent dat geen enkel model of methode elk probleem kan oplossen en richt zich in plaats daarvan op het orkestreren van een diverse set tools om een verenigd resultaat te produceren. Het onderzoek demonstreert dat het met zorgvuldig ontwerp, inclusief strikte validatie, toegangscontrole en continue optimalisatie, mogelijk is om agents te bouwen die niet alleen intelligent zijn, maar ook veilig, transparant en in staat om in de loop van de tijd te verbeteren. Deze aanpak vertegenwoordigt een belangrijke stap naar het realiseren van het potentieel van kunstmatige intelligentie om de complexe, veelzijdige realiteit van het moderne bedrijfsleven werkelijk te begrijpen en ermee te interageren.